基于Optuna-XGBoost的砂土地层盾构渣土改良剂预测

doi:10.12068/j.issn.1005-3026.2024.12.012

摘要/Abstract

摘要：

渣土改良是解决土压平衡盾构施工过程中刀盘“结泥饼”、刀具磨损等施工难题的有效措施.采用机器学习模型预测随地质条件变化的改良剂用量不仅可以降低上述施工风险，还弥补了试验法确定改良剂用量的滞后性.依托沈阳地铁四号线区间盾构项目，对1 396环砂土地层掘进数据进行预处理，将扭矩切深指数（TPI）和场切深指数（FPI）作为渣土改良效果判据并选择出优良数据集，建立Optuna-XGBoost改良剂预测模型.研究结果表明，Optuna算法在超参数优化上与其他算法相比有明显的优势；Optuna-XGBoost与其他5种预测模型相比，在地质条件变化的情况下可实现更高精度预测.

关键词: 土压平衡盾构, 渣土改良, 掘进参数, 地层参数, 预测模型

Abstract:

Soil conditioning is an effective measure to solve the problems in the construction process of earth pressure balance （EPB） shield， such as cutter clogging and cutter abrasions. The use of machine learning models to predict soil conditioners varying with geological conditions can not only reduce the aforementioned construction risks， but also make up for the lag in determining the amount of modifier by test method. Based on the shield project of Shenyang Metro Line 4， the excavation data of 1 396 ring are preprocessed， and torque penetration index （TPI） and field penetration index （FPI） are used as the criteria for the soil conditioning effect to select good datasets. The Optuna-XGBoost model is established to predict the soil conditioners. The results show that Optuna algorithm owns obvious advantages over other methods in hyperparameters optimization. Compared with the other five prediction models， Optuna-XGBoost model owns higher accuracy under changeable geological conditions.

Key words: earth pressure balance shield, soil conditioning, tunneling parameters, geological parameter, prediction model

中图分类号:

TU 93

曹秀梅, 赵文, 王志国, 何鹏. 基于Optuna-XGBoost的砂土地层盾构渣土改良剂预测[J]. 东北大学学报（自然科学版）, 2024, 45(12): 1769-1777.

Xiu-mei CAO, Wen ZHAO, Zhi-guo WANG, Peng HE. Prediction of Soil Conditioners for Sandy Soil Shield Based on Optuna-XGBoost[J]. Journal of Northeastern University(Natural Science), 2024, 45(12): 1769-1777.

图/表 15

参考文献 22

1	魏康林.土压平衡式盾构施工中“理想状态土体”的探讨［J］.城市轨道交通研究，2007（1）：67-70.
	Wei Kang‑lin.On the “Ideal Soil” in the earth pressure balanced shield tunneling［J］.Urban Mass Transit，2007（1）：67-70.
2	Messerklinger S， Zumsteg R， Puzrin A M.A new pressurized vane shear apparatus［J］.Geotechnical Testing Journal，2011，34（2）：112-121.
3	Vinai R， Oggeri C， Peila D.Soil conditioning of sand for EPB applications：a laboratory research［J］.Tunnelling and Underground Space Technology，2008，23（3）：308-317.
4	Thewes M， Budach C.Soil conditioning with foam during EPB tunnelling［J］.Geomechanik Und Tunnelbau，2010，3（3）：256-267.
5	魏康林.土压平衡盾构施工中泡沫和膨润土改良土体的微观机理分析［J］.现代隧道技术，2007（1）：73-77.
	Wei Kang‑lin.Micro‑mechanism analysis for the soil improvement by foam and bentonite in EPB shield tunneling［J］.Modern Tunnelling Technology，2007（1）：73-77.
6	王树英，刘朋飞，胡钦鑫，等.盾构隧道渣土改良理论与技术研究综述［J］.中国公路学报，2020，33（5）：8-34.
	Wang Shu‑ying， Liu Peng‑fei， Hu Qin‑xin，et al.State‑of‑the‑art on theories and technologies of soil conditioning for shield tunneling［J］.China Journal of Highway and Transport，2020，33（5）：8-34.
7	Li S C， Wan Z E， Zhao S S，et al.Soil conditioning tests on sandy soil for earth pressure balance shield tunneling and field applications［J］.Tunnelling and Underground Space Technology，2022，120：104271.
8	Cheng C H， Liao S M， Huo X B，et al.Experimental study on the soil conditioning materials for EPB shield tunneling in silty sand［J］.Advances in Civil Engineering，2020，2020：8856569.
9	Zhen Z， Ge X S， Zhang J.Soil conditioning tests on sandy and cobbly soil for shield tunneling［J］.KSCE Journal of Civil Engineering，2021，25（4）：1229-1238.
10	Wang S Y， Liu P F， Gong Z Y，et al.Auxiliary air pressure balance mode for EPB shield tunneling in water‑rich gravelly sand strata：feasibility and soil conditioning［J］.Case Studies in Construction Materials，2022，16：e00799.
11	展超.基于BP神经网络的富水砂层渣土改良试验效果预测［J］.隧道建设（中英文），2020，40（7）：988-996.
	Zhan Chao.Experimental effect prediction of ground conditioning of water‑rich sandy stratum based on BP neural network［J］.Tunnel Construction，2020，40（7）：988-996.
12	Lin L， Guo H， Lyu Y C，et al.A machine learning method for soil conditioning automated decision‑making of EPBM：hybrid GBDT and random forest algorithm［J］.Maintenance and Reliability，2022，24（2）：237-247.
13	李琛，骆汉宾，刘文黎，等.基于改进Faster R-CNN法的盾构渣土流塑性自动识别研究［J］.隧道建设（中英文），2022，42（2）：268-274.
	Li Chen， Luo Han‑bin， Liu Wen‑li，et al.Automatic recognition of flow plasticity of conditioned soil based on improved faster R-CNN［J］.Tunnel Construction，2022，42（2）：268-274.
14	Lin S S， Shen S L， Zhang N，et al.Modelling the performance of EPB shield tunnelling using machine and deep learning algorithms［J］.Geoscience Frontiers，2021，12（5）：101177.
15	Mokhtari S， Mooney M A.Predicting EPBM advance rate performance using support vector regression modeling［J］.Tunnelling and Underground Space Technology，2020，104：103520.
16	Kong X X， Ling X Z， Tang L，et al.Random forest‑based predictors for driving forces of earth pressure balance（EPB） shield tunnel boring machine（TBM）［J］.Tunnelling and Underground Space Technology，2022，122：104373.
17	Qu T M， Wang S Y， Hu Q X.Coupled discrete element‑finite difference method for analysing effects of cohesionless soil conditioning on tunneling behaviour of EPB shield［J］.KSCE Journal of Civil Engineering，2019，23（10）：4538-4552.
18	刘明阳，余宏淦，陶建峰，等.基于盾构机运行参数的局部切空间排列与XGBoost融合的地质类型识别［J］.中南大学学报（自然科学版），2022，53（6）：2080-2091.
	Liu Ming‑yang， Yu Hong‑gan， Tao Jian‑feng，et al.Geological‑type identification with LTSA and XGBoost algorithm based on EPB shield operating data［J］.Journal of Central South University（Science and Technology），2022，53（6）：2080-2091.
19	杨果林，张沛然，陈亚军，等.长沙典型地层土压平衡盾构掘进参数及表现预测［J］.中南大学学报（自然科学版），2020，51（8）：2069-2080.
	Yang Guo‑lin， Zhang Pei‑ran， Chen Ya‑jun，et al.Excavation parameters and performance prediction of earth pressure balance shield in typical strata of Changsha［J］.Journal of Central South University（Science and Technology），2020，51（8）：2069-2080.
20	Xu Q W， Zhang L Y， Zhu H H，et al.Laboratory tests on conditioning the sandy cobble soil for EPB shield tunnelling and its field application［J］.Tunnelling and Underground Space Technology，2020，105：103512.
21	Chen T Q， Guestrin C.XGBoost：a scalable tree boosting system［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco，2016：785-794.
22	Srinivas P， Katarya R.hyOPTXg：OPTUNA hyper‑parameter optimization framework for predicting cardiovascular disease using XGBoost［J］.Biomedical Signal Processing and Control，2022，73：103456.

地层	标准贯入击数	动弹性模量	动剪切模量	天然密度	黏聚力	内摩擦角	渗透系数	变形模量
地层	标准贯入击数	E_d/MPa	G_d/MPa	ρ₀/（g·cm^-3）	C/kPa	φ/（°）	K/（m·d^-1）	E₀/MPa
圆砾	31.3	675.7	229.4	2.00	0	35	90	35
砾砂	27.4	723.0	250.0	2.00	0	32	65	32
中粗砂	25.1	579.0	198.0	1.99	0	31	30	26
粉细砂	23.1	283.1	102.2	2.00	0	28	6	15
粉质黏土	8.5	273.7	92.0	1.94	21	16	0.02	16

地层	标准贯入击数	动弹性模量	动剪切模量	天然密度	黏聚力	内摩擦角	渗透系数	变形模量
地层	标准贯入击数	E_d/MPa	G_d/MPa	ρ₀/（g·cm^-3）	C/kPa	φ/（°）	K/（m·d^-1）	E₀/MPa
圆砾	31.3	675.7	229.4	2.00	0	35	90	35
砾砂	27.4	723.0	250.0	2.00	0	32	65	32
中粗砂	25.1	579.0	198.0	1.99	0	31	30	26
粉细砂	23.1	283.1	102.2	2.00	0	28	6	15
粉质黏土	8.5	273.7	92.0	1.94	21	16	0.02	16

参数	值
开挖直径/m	6.28
刀盘转速/（r·min^-1）	0~3.7
刀盘最大扭矩/（kN·m）	7 200
刀盘开口率/%	55
功率/kW	1 799

参数	值
开挖直径/m	6.28
刀盘转速/（r·min^-1）	0~3.7
刀盘最大扭矩/（kN·m）	7 200
刀盘开口率/%	55
功率/kW	1 799

环号	记录时刻	刀盘扭矩	刀盘转速	总推力	推进速度	螺旋输送机扭矩	螺旋输送机转速	土舱压力
环号	记录时刻	kN·m	r·min^-1	kN	mm·min^-1	kN·m	r·min^-1	bar
1	15∶45∶00	1 020.251	1.174	2 290.500	0.318	0	0.090	1.16
1	15∶45∶10	964.438	1.176	2 579.734	1.591	0	0.090	1.17
1	15∶45∶20	1 016.740	1.175	4 023.811	11.140	0	0.009	1.24
1	15∶45∶30	995.710	1.172	5 367.500	14.004	5.608	5.608	1.29
︙	︙	︙	︙	︙	︙	︙	︙	︙
1 396	6∶30∶10	3 184.901	1.179	12 252.636	95.487	33.701	13.012	1.84
1 396	6∶30∶20	3 412.209	1.175	12 148.345	97.714	35.439	13.064	1.89
1 396	6∶30∶30	3 681.826	1.153	12 279.574	91.985	34.129	13.125	1.86
1 396	6∶30∶40	3 857.941	1.144	12 409.705	93.257	34.746	13.030	1.85