利用混合深度学习模型对EPB-TBM掘进中的螺旋输送机速度进行预测

《Results in Engineering》：Screw Conveyor Speed Prediction for EPB-TBM Excavations Using Hybrid Deep Learning Models

本研究针对盾构机螺旋输送机转速预测的挑战，提出了一种融合自注意力机制、多层感知机及Kolmogorov-Arnold网络的三种混合深度学习架构，并采用四种元启发式算法优化超参数。基于伊朗 Tabriz 地铁2号线930组掘进环数据，通过独立特征与依赖参数组合两种模式验证模型性能。结果表明，Brown Bear Optimization-优化的 ensemble 多层感知机（BBOA-TabM）在测试集的R2达0.855，RMSE为1.89 RPM，显著优于其他模型。研究还发现，依赖参数如螺旋工作压力若被引入特征，会导致模型偏差。通过特征独立性分析，验证了多变量非线性关系的建模有效性。最后提出四类经验方程，为现场快速估算提供工具。

　　### 旋转螺旋输送机速度预测在土压平衡掘进机中的应用

在城市地下工程中，机械化的挖掘技术日益受到重视，其应用范围也不断扩展。特别是在软土地层中，土压平衡掘进机（EPB-TBM）发挥着关键作用，通过精确控制掘进机内的压力，有效降低施工风险并提高效率。然而，这类设备在实际操作中仍面临诸多挑战，其中螺旋输送机速度的预测尤为关键。螺旋输送机的速度直接决定了挖掘过程中材料的排出速率，这一速率必须与掘进头的推进速率相匹配，以维持掘进舱内的稳定压力。如果螺旋输送机运转速度过快，将导致材料排出量大于输入量，造成舱内压力骤降，从而引发地面不稳定、地面沉降等问题；反之，若螺旋输送机速度过慢，将导致材料堆积，造成舱内压力过高，可能损坏掘进头驱动系统，甚至导致设备卡顿。

为了实现对螺旋输送机速度的精准预测，研究人员提出了多种机器学习和深度学习模型。这些模型不仅能够提高预测精度，还能够增强系统的实时响应能力，从而提升施工效率和安全性。本文中，研究团队采用了一种混合深度学习框架，结合了三种模型架构：基于自注意力和跨样本注意力的Transformer模型（SAINT）、集成多层感知机（TabM）和Kolmogorov-Arnold网络（KAN），并使用了四种不同的元启发式优化算法：棕熊优化算法（BBOA）、菲克定律算法（FLA）、巨 Trevally 优化器（GTO）和成功历史智能优化器（SHIO）。通过分析930个挖掘环的数据，研究团队评估了这些模型在两种模式下的表现：独立特征模式和依赖参数模式（螺旋输送机工作压力）。

### 机器学习模型的构建与优化

在机器学习模型构建过程中，研究团队首先对输入特征进行了选择和预处理。他们发现，大多数现有的研究都使用了依赖特征，如舱内压力、螺旋输送机工作压力或螺旋输送机扭矩，这些特征本身受到目标变量（螺旋输送机速度）的影响，可能导致模型的偏差。因此，研究团队特别强调了特征独立性的重要性，并通过多重共线性分析来确保模型的可靠性。

在模型训练阶段，研究团队使用了四种不同的优化算法，以寻找最佳的超参数配置。这些算法包括BBOA、FLA、GTO和SHIO，它们各自基于不同的优化机制，如生物启发、物理启发或群体智能。通过对这些算法的比较，研究团队发现BBOA在所有模型中表现最佳，尤其是在集成多层感知机（TabM）模型中，BBOA优化后的模型在训练和测试阶段都取得了更高的相关性和更低的预测误差。

### 模型的性能评估

为了评估模型的性能，研究团队采用了多种统计指标，包括R平方（R2）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和纳什效率系数（NSE）。这些指标能够全面反映模型的预测能力，同时也能够帮助研究团队识别模型在不同数据集上的表现差异。在训练数据集中，BBOA优化的TabM模型取得了最佳的R2值（0.898）和最低的RMSE（1.60），显示出其在模型训练中的优越性。而在测试数据集中，BBOA优化的TabM模型同样表现优异，R2值达到0.855，RMSE为1.89，表明其具有良好的泛化能力。

相比之下，Kolmogorov-Arnold网络（KAN）在测试数据集中的表现稍逊一筹，其R2值为0.834。尽管KAN在处理非线性数据方面具有独特优势，但其在实际应用中受到建模能力的限制，尤其是在处理复杂的非线性关系时。Transformer模型（SAINT）在测试数据集中的表现也较为出色，R2值达到0.847，显示出其在处理序列数据方面的潜力。

### 特征选择与模型优化

在特征选择方面，研究团队采用了多种方法，以确保模型的稳定性和预测能力。他们发现，使用独立特征构建的模型在泛化能力和降低过拟合风险方面优于依赖特征模型。这表明，在实际工程中，需要对输入特征进行严格的筛选，以确保模型能够适应不同的地质条件。

此外，研究团队还引入了四种经验模型，这些模型基于不同的特征组合，能够在不依赖复杂机器学习算法的情况下，提供初步的预测结果。这些经验模型在实际应用中具有重要意义，因为它们能够在不进行详细机器学习分析的情况下，为工程师提供快速的初步估计。这些模型的预测精度达到了R2值高达0.70，显示出其在工程实践中的可行性。

### 工程应用与未来研究方向

本文的研究结果对土压平衡掘进机的实际应用具有重要的指导意义。通过精准预测螺旋输送机的速度，可以实现对掘进过程的实时控制，从而提高施工效率并减少施工风险。特别是在地质条件变化较大的区域，如研究区域中的ML、SM和CL土层，这些模型能够帮助工程师提前调整螺旋输送机的速度，以适应不同的推进速率和推力需求，从而减少施工中断和手动干预的必要性。

然而，尽管这些模型在特定条件下表现出色，但它们仍然存在一些局限性。例如，KAN在处理非线性数据时表现不佳，而依赖特征模型（如SAINT和KAN）可能受到数据泄露的影响，从而导致预测偏差。此外，模型在实际应用中需要更多的验证，特别是在不同的地质条件下和不同类型的掘进机配置中。

因此，未来的研究方向应集中在混合架构和多地点验证上，以提高模型的稳健性和适用性。同时，进一步探索新的优化算法和深度学习架构，可能会带来更好的预测效果。此外，研究团队还建议在实际工程中采用更多的特征工程方法，以提高模型的预测能力和泛化能力。

综上所述，本文通过构建和优化多种机器学习和深度学习模型，为土压平衡掘进机中螺旋输送机速度的预测提供了新的思路和方法。这些模型不仅能够提高预测精度，还能够增强系统的实时响应能力，从而提升施工效率和安全性。然而，为了进一步提高模型的适用性和稳健性，还需要更多的实验和验证。