基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

2024年5月11日发(作者：隆清韵)

第 54 卷第

4 期

2023 年 4 月

中南大学学报(自然科学版)

Journal of Central South University (Science and Technology)

Vol.54 No.4

Apr. 2023

DOI: 10.11817/.1672-7207.2023.04.010

引用格式：刘明阳, 陶建峰, 覃程锦, 等. 基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策[J]. 中南大学

学报(自然科学版), 2023, 54(4): 1311−1324.

Citation: LIU Mingyang, TAO Jianfeng, QIN Chengjin, et al. Geological adaptive TBM operation parameter decision based on random

forest and particle swarm optimization[J]. Journal of Central South University(Science and Technology), 2023, 54(4): 1311−1324.

基于随机森林与粒子群算法的隧道掘进机操作参数地质类型

自适应决策

刘明阳，陶建峰，覃程锦，余宏淦，刘成良

(上海交通大学机械与动力工程学院，上海，200240)

摘要：考虑到隧道掘进机的性能对地质条件比较敏感且其操作依赖于司机经验，提出基于随机森林和粒子

群算法的隧道掘进机操作参数地质条件自适应决策方法。利用随机森林(RF)分别建立地质类型、操作参数

与推进速度、刀盘转矩的映射关系模型；结合映射关系模型，构建以盾构机推进速度最大为目标，以刀盘

转速、螺旋输送机转速、总推力、土仓压力4个操作参数为控制变量的优化方程；利用粒子群算法(PSO)求

解各地质类型地层中的最优操作参数决策结果。通过新加坡某地铁工程施工数据验证所提方法的有效性和

优越性。研究结果表明：建立的随机森林模型中推进速度和刀盘转矩预测的决定系数R

分别达到0.936和

0.961，均大于adaboost、多元线性回归、岭回归、支持向量回归和深度神经网络模型中相应的R

；基于粒

子群算法的操作参数决策方法能够准确求解操作参数最优解，寻优用时均比遗传算法、蚁群算法和穷举法

的短。本文所提决策方法使隧道掘进机在该施工段的福康宁卵石地层、句容地层IV、句容地层V、海洋黏

土地层中的推进速度分别提升了67.2%、41.8%、53.6%和15.0%。

关键词：隧道掘进机；操作参数决策；随机森林；粒子群优化

中图分类号：TH17；TU62 文献标志码：A

文章编号：1672-7207（2023）04-1311-14

Geological adaptive TBM operation parameter decision based on

random forest and particle swarm optimization

LIU　Mingyang, TAO　Jianfeng, QIN　Chengjin, YU　Honggan, LIU　Chengliang

(School of Mechanical Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

Abstract: Considering that the performance of TBM is affected by geological condition and driver experience, a

geological adaptive TBM operation parameter decision based on random forest(RF) and particle swarm

optimization algorithm(PSO) was proposed. RF was used to establish the mapping relation model between

geological types, operating parameters and thrust speed, cutter head torque. An optimization equation was

established using the mapping relationship model in which the maximum TBM thrust speed was taken as the

target, and cutterhead speed, screw conveyor speed, total thrust and earth pressure were taken as control variables.

收稿日期： 2022 −06 −19；修回日期： 2022 −08 −21

基金项目(Foundation item)：国家重点研发计划项目(2018YFB1702503) (Project(2018YFB1702503) supported by the National Key

R&D Program of China)

通信作者：陶建峰，博士，教授，从事机械电子工程研究；E-mail：**************.cn

1312

中南大学学报(自然科学版)第 54 卷

PSO was used to solve the optimal combination of operating parameters for each geological type. The validity and

superiority of the proposed method were verified by the construction data of a subway project in Singapore. The

results show that the R

of the driving speed and cutter head torque predicted by random forest model reaches 0.936

and 0.961, which are greater than those of adaboost, multiple linear regression, ridge regression, SVR and DNN. PSO

can accurately solve the optimal solution of operating parameters, and the time consumption is shorter than that of

genetic algorithm, ant colony algorithm and exhaustive algorithm. By using the proposed method, the TBM thrust

speed increases by 67.2%, 41.8%, 53.6%, 15.0% in the strata of Fokonnen Pebble Formation, Jurong Formation IV,

Jurong Formation V and Marine Clay Formation in this construction section, respectively.

Key words: tunnel boring machine; operating parameter decision; random forest; particle swarm optimization

隧道掘进机是一种大型隧道掘进装备，具有

开挖速度快、自动化程度高、施工质量好的优点，

广泛地被应用于地铁、铁路、公路等隧道工程

中

[1]

。但是，隧道掘进机对地质条件的适应性较

差

[2]

，如果操作参数设置不合理或不能与相应地质

类型匹配，就会出现推进速度慢等问题，甚至发

生严重的施工事故。因此，选取适用于不同地质

类型的操作参数，在保证施工安全的前提下，提

升设备的掘进性能，成为隧道掘进机施工领域的

重点问题之一。操作参数优化一般需要建立若干

掘进参数预测模型，采用掘进参数构建优化目标，

再利用优化算法得到操作参数的最优解。

针对隧道掘进机掘进参数预测，国内外学者

展开了大量研究。OZDEMIR

[3]

提出了CSM预测模

型，该模型基于线性切割模型试验，考虑了岩石

单轴抗压强度、抗拉强度及岩石耐磨性等众多因

素，建立了预测TBM推进速度的多元回归经验方

程。BRULAND

[4]

提出了NTNU模型，该模型基于

大量的TBM隧道施工数据和地质资料，通过对岩

体参数和机器参数进行多元回归分析，实现对净

掘进速率的预测。李杰等

[5]

对土压平衡盾构的推进

速度进行了多元非线性回归分析，建立了关于盾

构推进速度的非线性化处理的多元线性预测模型。

邢彤等

[6]

分析了影响土压平衡盾构刀盘扭矩的因

素，提出了盾构刀盘扭矩的理论计算模型。随着

机器学习算法的发展，众多学者将其应用于隧道

掘进机运行参数预测问题中。SALIMI等

[7]

利用自

适应神经模糊推理系统(ANFIS)和支持向量回归

(SVR)建立了TBM性能预测模型，实现了对TBM

净推进速度的预测。SUN等

[8]

提出了一种基于异构

现场数据和数据驱动技术的动态载荷预测方法，

建立了基于随机森林算法的TBM刀盘转矩预测模

型。GAO等

[9]

利用循环神经网络(RNN)建立了

TBM运行参数预测模型，实现了对刀盘转矩、推

进速度的实时预测。闫长斌等

[10]

提出了一种基于

PLSR-DNN的隧道掘进机净掘进速率预测模型，

采用偏最小二乘回归(PLSR)提取影响参数主成分，

再利用深度神经网络(DNN)进行掘进速率预测。周

小雄等

[11]

提出了一种融合注意力机制的双向长短

时记忆网络，实现了对隧道掘进机掘进稳定段推

进速度的预测。朱梦琦等

[12]

将TBM掘进循环分为

空推段、上升段与稳定段，建立随机森林模型，

使用上升段数据作为模型输入参数，实时预测稳

定掘进时的刀盘扭矩。

己有的掘进优化决策方法主要是基于历史施

工数据和实验结果总结经验，建立专家系统以便

对掘进参数选择进行指导。OKUBO等

[13]

总结了

TBM总推力、刀盘转矩等参数与掘进地层岩土性

质及操作参数的关系，建立了TBM掘进参数知识

库。采用知识库中模型对TBM的推力、刀盘扭

矩、推进速度、贯入度等性能指标进行求解，并

以此为指标优化刀盘转速和推进速度。王飞等

[14]

使用XGBoost算法建立了掘进围岩级别识别模型，

根据优秀司机在不同围岩等级下设定的操作参数

建立了专家系统，有效复现了优秀司机的决策结

果。以提升隧道掘进机掘进效率、降低能耗和成

本等性能指标为目标，构建参数映射模型和优化

模型的决策方法成为操作参数决策的新方向。

WANG等

[15]

对TBM的子系统进行了多学科建模，

推导出整机的性能函数和极限状态函数。在实验

设计(DOE)的基础上，通过敏感性分析(SA)来检测

影响整机和子系统性能的重要因素，并提出了一

种基于可靠性的TBM性能优化策略。傅康

[16]

针对

TBM运行参数优化问题，建立了围岩实时识别等

级的RF模型和预测净推进速度的LSTM模型；建

立了蚁群优化模型，以净推进速度最大为优化目

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

1313

标，对总推力和刀盘转速两个操作参数进行了优示。该工程隧道全长710 m，共包含502个掘进

第 4 期

化。王瑞睿

[17]

结合TBM推进速度和换刀成本，提

出了TBM掘进成本模型。采用深度神经网络构建

了TBM掘进参数预测模型。以刀盘推力、扭矩、

皮带机输送量等参数的额定值作为约束条件，以

掘进成本最低为优化目标，对刀盘转速与贯入度

两个掘进参数的取值进行优化决策。张品

[18]

针对

复合地层中易出现异常地层沉降的问题，采用随

机森林算法建立了地层沉降量预测模型，并提出

了以地层沉降量最小为优化目标的操作参数优化

模型。王超

[19]

提出了TBM掘进载荷的非线性支持

向量回归(NSVR)预测模型，推导了掘进比能与操

作参数、掘进工期与TBM运行参数的函数关系，

建立了以掘进比能最小为优化目标的操作参数优

化方程。

采用专家系统的掘进参数优化方法主要依靠

人为经验，难以准确体现性能指标与操作参数间

的映射关系，同时未能定义明确的掘进参数优化

目标，影响了参数优化的效果和决策模型的普适

性。基于参数映射模型和优化模型的参数决策方

法能够更好地揭示操作参数与优化目标之间的关

系，并且可以根据特定优化目标，建立专门的优

化方程，得出专门的参数决策结果。盾构机的主

要运行参数包括刀盘转速、刀盘扭矩、总推力、

推进速度、螺旋机转速、土仓压力。其中，推进

速度决定了施工快慢程度，是影响施工成本最重

要的因素。因此，盾构机推进速度更适合作为掘

进性能评价指标。本文首先利用随机森林分别建

立地质类型、操作参数与推进速度、刀盘转矩的

地质类型自适应映射关系模型。其次，构建以盾

构机推进速度最大为目标，以刀盘转速、螺旋输

送机转速、总推力、土仓压力4个操作参数为控制

变量的优化方程。同时，根据刀盘转矩映射关系

模型和盾构机各参数额定值，得到参数优化可行

域。最后，利用粒子群算法求解各地质类型地层

中的最优操作参数决策结果。

环，每个掘进环的长度约为1.4 m。采用钻孔测井

法测量施工段部分位置的地质类型，施工区域主

要存在海洋黏土、福康宁卵石地层、句容地层3种

地质层，句容地层存在V型和IV型两类。海洋黏

土是质地柔软、含有贝壳碎片的黏土；福康宁卵石

地层由质地坚硬、致密的黏土砂和粉砂组成，其中

夹杂中等至高强度的颗粒砂、鹅卵石和碎石；IV

型句容地层为高裂隙泥岩、粉砂岩或砂岩；V型句

容地层为完全风化的粉质砂。

图1　施工区间示意图

Fig. 1　Schematic diagram of construction section

表1　盾构机设备参数

Table 1　Shield machine equipment parameters

参数

刀盘直径/mm

刀盘转速/(r·min

−1

)

额定转矩/(kN·m)

额定推力/kN

推进速度/(mm·min

−1

)

推进油缸最大行程/mm

螺旋机额定转矩/(kN·m)

螺旋机转速/(r·min

−1

)

值

6 700

0~4

5 548

49 220

0~80

2 200

170

0~22

2 掘进参数数据分析

盾构机的掘进参数主要有刀盘转速、刀盘转

1 工程概况

本文研究依托新加坡地铁建设工程的盾构机

运行数据与地质信息，研究标段为汤姆逊线地铁

麦克斯韦尔站至珊顿路站段，标段位置如图1所

矩、总推力、推进速度、土仓压力、螺旋机转速、

注浆量等。其中，刀盘转速和总推力为盾构机驾

驶员主动控制的操作参数

[20]

，二者与推进速度关

系密切

[21]

。

土压平衡盾构机通过刀盘开口进土和螺旋输

送机排土维持土仓压力的稳定，盾构机土仓压力、

1314

中南大学学报(自然科学版)第 54 卷

螺旋输送机转速、盾构机推进速度的关系

[22]

可以参数优化方程的一个约束条件。刀盘转矩主要包

表示为

∆P=

Aωhη

Av-

2π

()

括刀盘与土体之间的摩擦阻力力矩T

及刀盘切削

(1)

土体需要克服的地层抗力转矩T

。T

和T

可由式

(2)和式(3)计算

[24]

。

1-ξ

其中：ΔP为土舱压力变化量；E

为渣土等效变形

模量；V

为螺旋机土舱体积；v为盾构机推进速

度；A为盾构机横截面积；A

为螺旋机有效排土面

积；ω为螺旋机转速；h为螺旋机螺距；η为螺旋

机排土效率。由式(1)可以发现，土仓压力、螺旋

输送机转速、推进速度三者之间存在关联性。刀

盘扭矩是一个被动控制参数，受到主动操作参数

与掘进地层地质类型的影响

[23]

，因此，不宜作为

操作参数优化时的控制对象。综上所述，在盾构

机的众多操作参数中选取刀盘转速、总推力、土

仓压力、螺旋机转速4个参数作为推进速度预测模

型的输入参数。

在设置主动控制参数时，要保证刀盘转矩始

终处于额定范围内，因此，需要建立针对刀盘转

矩的预测模型，将刀盘转矩的限制作为主动操作

(

DKμγH

)

(2)

(3)

其中：ξ为刀盘开口率；D为盾构机直径；K为静

止土压力系数；μ为盾体与周围土体之间的动摩擦

因数；γ为开挖地层土体的容重；H为隧道深度；

为土体的单轴抗压强度；n为刀盘转速。由式(1)

和式(2)可以发现，刀盘转矩与推进速度、刀盘转

速关系密切。因此，选取刀盘转速、总推力、土

仓压力、螺旋机转速4个参数作为刀盘转矩预测模

型的输入参数。

盾构掘进参数的选取和施工地层的地质类型

密切相关

[25]

，不同地质类型下操作参数的选取范

围以及盾构机推进速度存在差异。图2所示为4种

(a) 刀盘转速与推进速度的关系；(b) 总推力与推进速度的关系；(c) 螺旋机转速与推进速度的关系；

(d) 土仓压力与推进速度的关系

图2　不同地质类型地层中主要掘进参数与推进速度的关系

Fig. 2　Relationships between operating parameters and driving speed in each geological type

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

1315

地质类型的地层中刀盘转速、总推力、螺旋机转土仓压力设定值需要与掌子面前方的土层压力匹

第 4 期

速、土仓压力与推进速度的关系。在海洋黏土地

层中，盾构机刀盘转速、总推力、螺旋机转速设

置值都较小，土仓压力设置值很大，推进速度适

中。在福康宁卵石地层中，盾构机刀盘转速、螺

旋机转速中等，总推力很大，推进速度最慢。句

容地层IV和V中的操作参数设定值较接近，盾构

机在句容地层IV和V中的推进速度最高。

盾构机在不同地质类型的地层中掘进时，操

作参数的选取和推进速度都有明显差异。针对存

在多种地质类型的施工环境中，为了准确预测盾

构机推进速度，需要将施工位置的地质类型信息

输入推进速度预测模型中。将福康宁卵石、海洋

黏土、句容地层IV、句容地层V四种地质类型分

别编号为0、1、2和3，并将编号作为模型输入

参数。

土压平衡盾构机运行时需要保持掌子面稳定，

降低对土体的扰动。为实现上述要求，掘进时的

配

[26]

。图3所示为盾构机在4种地质类型的地层中

掘进时土仓压力的分布情况(其中红色曲线为拟合

曲线)。由图3可见：盾构机在海洋黏土地层中掘

进时，土仓压力设定值明显比其他地层类型的高。

在句容地层V中掘进时，土仓压力设置值较低。

其他2种地层中的土仓压力设定值适中。在实际工

程中，由于地质条件的复杂性，实际施工时掘进

掌子面的土压力与理论公式计算值存在差异。因

此，为了准确还原实际施工场景下在各个地层中

的土仓压力，对本工程中含有地质标签掘进环的

全部数据进行统计，得到每种地质类型下土仓压

力设置的范围。各地质类型土仓压力设定值如表2

所示。

在进行操作参数决策时，选取刀盘转速、总

推力、螺旋机转速作为主动控制操作参数，根据

盾构机运行参数的额定值，设定参数的取值范围。

由于推力、扭矩等载荷参数在掘进过程中会上下

(a) 福康宁卵石；(b) 海洋黏土；(c) 句容地层IV；(d) 句容地层V

图3　各地质类型中土仓压力设定值统计直方图

Fig. 3　Statistical histogram of earth pressure of each geological type

1316

中南大学学报(自然科学版)第 54 卷

表2　各地质类型地层土仓压力设定范围

Table 2　Earth pressure setting range in each geological type

地质类型

福康宁卵石

句容地层IV

句容地层V

海洋黏土

压力设定范围/kPa

1.84~3.05

1.79~2.67

0.73~2.90

2.96~3.96

算法。集成学习的流程如下：首先构建、训练一

组基学习器，再利用一定的策略将基学习器的预

测结果组合，得到集成学习模型的预测结果。

随机森林回归算法采用CART决策树模型作为

基学习器，采用自助采样法采得H个含有m个训

练样本的采样集，基于每个采样集分别训练基决

策树，最终训练得到H个基决策树。随机森林算

法在基决策树训练中引入了随机特征选择机制，

当其生成基决策树的每个节点时，首先，从该节

点的含有d个特征的集合中选取一个包含k

为子

集合特征数)个特征的子集合；然后，从该子集中

选择一个最优属性作为该节点的划分特征，k通常

取

log

。CART回归树采用预测误差G

作为评价

最优属性的标准。G

越小，说明以此属性分割产

生的子集合中样本的差异性越小，此属性作为该

节点属性的效果越好。对于样本集S，总方差

(

)

计算如式(4)所示。

(

)

浮动，若直接以运行参数额定值作为上限，则在

实际运行时载荷参数有可能超过额定值，造成盾

构机设备的损坏

[17]

。因此，为了在设备安全的前

提下进行参数优化，需要为各个掘进参数设置一

定的安全系数。对盾构机实际运行数据进行统计，

得到盾构机实际运行时设置的刀盘转速、总推力、

螺旋机转速、刀盘转矩的最大值和额定值，如表3

所示。由表3可以发现，盾构机驾驶员主动设置的

刀盘转速和总推力较为保守，与额定值差距较大；

而被动变化的刀盘转矩更容易达到额定值，这说

明相比于刀盘转速、总推力等掘进参数，刀盘转

矩更容易达到额定值，从而限制了刀盘转速、总

推力的设置值，这也证明了将刀盘转矩约束作为

优化模型的约束条件的必要性。根据各参数额定

值与实际运行过程中的统计结果，设置安全系数

和参数优化范围，见表3。

表3　各运行参数实际运行最大值、额定值、设定范围及

对应的安全系数

Table 3　Actual operating maximum value, rated

value, setting range and corresponding safety factor of

each operating parameter

参数

实际运行

最大值

额定值

设定范围

安全系数

刀盘转速/总推力/

(r·min

−1

)

2.57

4.00

0~2.60

0.65

22 050

49 200

0~22 000

0.45

螺旋机转刀盘转矩/

速/(r·min

−1

)

13.5

22.0

0~13.2

0.60

(kN·m)

4 860

5 548

0~4 800

0.85

其中：

为样本集S中预测结果的均值；y

为第i

个样本预测结果。根据属性A的第i个属性值，将

数据集S划分成S

和S

，则G

计算公式如下：

i

(

)

=σS

+σ

i

属性A对应的最优二分方案为

min

[

(

)

]

。

iÎA

∑

-μ

i=1

()

(4)

()

(

)

(5)

对于样本集S，计算所有属性的最优二分方案，选

i

取其中的最小值

min

[

(

)

]

作为决策树在

AÎZiÎA

{}

本节点的划分方案，其中Z为所有属性的集合。

随机森林采用平均法组合各个基学习器的输

出结果y

，对于H个基学习器，随机森林的输出结

果可由式(6)表示。随机森林算法的整体流程

见图4。

(

)

∑

(

)

h=1

(6)

3.2　带约束的粒子群优化算法

粒子群算法(particle swarm optimization)简称

3 基于RF-PSO的掘进参数决策

方法

3.1　随机森林回归算法

随机森林算法(random forests)是一种集成学习

PSO算法，是一种全局优化算法，具有收敛性高、

搜索速度快等优点，适用于参数优化问题

[27]

。

粒子群算法中的每个粒子都是解空间中的一

个可能解。粒子具有位置、速度、适应度3个属

性。粒子位置x表示当前粒子对应的解，假设在D

维空间中有N个粒子，则第i个粒子的位置可由

第 4 期

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

1317

γq

(

)

(

)

∑

θq

(

)

(

)

i=1

()

(12)

(13)

(

)

=max0g

(

)

θq

(

)

()

10 q

(

)

≤0.001

20 0.001

(

)

≤0.1

100 0.1

(

)

300 q

(

)

≥1

()

(14)

1 q

(

)

γq

(

)

2 q

(

)

≥1

()

(15)

图4　随机森林算法的步骤

Fig. 4　Steps of random forest algorithm

其中：

(

)

为适应度函数；

(

)

为加入惩罚项后

的适应度函数；H(x)为约束惩罚项；q

(x)为相对约

束惩罚函数；θ(q

(x))为分段赋值函数；γ(q

(x))为惩

罚指数。

3.3　基于RF-PSO的掘进参数决策方法

(7)

本文提出的基于RF-PSO的盾构机掘进参数决

策方法流程如图5所示。首先，提取盾构机施工中

含有地质标签的掘进环的总推力、推进速度、刀

(8)

盘转矩、刀盘转速、螺旋机转速、土仓压力，并

为所有数据行添加地质类型标签。根据盾构机运

行状态筛选出盾构机处于掘进状态的数据行。采

用3σ准则检测运行数据中存在异常值的数据行并

加以剔除。构建基于随机森林算法的推进速度和

刀盘转矩预测模型，分别如式(16)~(17)所示。推进

速度和刀盘转矩预测模型的输入参数为总推力F、

刀盘转速n、螺旋机转速ω、土仓压力p、地质类

式(7)表示。粒子的初始位置可在解空间中随机

选取。

x

x

i=12N

(

)

粒子速度

可由式(8)表示。粒子的初始速

度为0。

v

v

i=12N

(

)

粒子适应度由优化问题的目标函数决定。第i

个粒子历次搜索到的位置中适应度最优的位置称

为该粒子的自身历史最优解，记作

besti

。整个粒

子群体中的所有粒子在历次搜索到的适应度最优

位置称为全局最优解，记作

best

。粒子群算法的速

度和位置更新公式如下：

+1kkkk

=wv

best

-x

(9)

besti

-x

k+1

()

(10)

其中：k为迭代次数；

为第i个粒子在第k+1次

迭代时的速度；

k+1

为第i个粒子在第k+1次迭代

时的位置；w为惯性权重；c

为认知常数，用于控

制粒子对自身历史搜索结果的认知；c

为社会长

度，用于模拟粒子与群体的交互；

和

为2个随

机数，取值范围为[0，1]。

标准的粒子群算法求解的是无约束条件的优

化问题。由于隧道掘进机各个掘进参数额定值的

限制，对掘进参数的优化需要在有约束的条件下

进行。因此，需要对标准的粒子群算法进行改进。

在适应度函数中引入惩罚项，能够实现有约束的

粒子群算法求解

[27]

。改进的适应度函数如式(11)~

(15)所示。

(

)

(

)

+kkH

(

)

图5　基于RF-PSO的掘进参数决策方法流程

Fig. 5　Flow chart of operating parameter decision method

based on RF-PSO

(11)

1318

型标签g。

中南大学学报(自然科学版)第 54 卷

表4　各地质类型对应的环号及样本数量

()

T=f

(

Fnpωg

)

v=f

Fnpωg

(16)

(17)

Table 4　Ring number and sample number

corresponding to each geological type

地质类型

海洋黏土

福康宁卵石

句容地层IV

掘进环号

44，63

117，119，123，137

192，202，302

样本数量/个

2 292

6 473

2 580

5 332

式中：T为刀盘转矩；

和

分别为与v和T对应的

随机森林模型。建立施工参数优化模型，以提升

推进速度为优化目标，建立如下优化方程：

max(v)=f

Fnpωg

s.t. F≤F

n≤n

T=f

Fωpv

screw

g

lg

≤p≤p

hg

T≤T

ω≤ω

()

(18)

(19)

(20)

(21)

(22)

(23)

(24)

句容地层V

229，265，388，482，500

(

)

其中：F

为总推力额定值；n

为刀盘转速额定值；

为螺旋机转速额定值；

为刀盘转矩额定值；

lg

和

hg

分别为指定地质类型地层中的土仓压力

图6　十折交叉验证流程

Fig. 6　Ten-fold cross-validation flowchart

设定值的最大值和最小值。利用粒子群算法优化

式(18)~(24)，得到指定地质类型下的最佳操作参数

集合(F*，n*，p*，ω*)。

终的性能评价结果。

4.2　模型评价指标

为检验推进速度与扭矩预测模型的预测效果，

采用平均绝对百分比误差(E

MAPE

)、均方根误差

RMSE

)、决定系数(R

)作为模型评价指标，其计算

式如下：

4.1　预测模型数据集的建立

盾构机上安装有数据采集系统，每隔5 s采集

刀盘系统、推进系统、螺旋输送机、皮带输送机、

添加剂注入系统、注浆系统、盾尾密封系统、管

片拼装系统的1 465个传感器参数和机器运行参

数，所有参数值均保留3位小数。数据以数据表的

形式存储，每个字段表示一个参数，每条记录行

表示一个时刻采集的全部数据。为获取隧道工程

沿线的地质信息，采用钻孔测井法测量隧道施工

区间部分位置的地质类型，地质测量结果及其对

应的掘进环号如表4所示。

为防止不同地质类型样本数量不平衡对模型

训练造成影响，采用随机采样的方式从4种地质类

型对应的掘进环样本中各采集2 000个样本点，并

将其作为数据样本集。采用十折交叉验证检验模

型准确性，十折交叉检验流程示意图如图6所示。

将数据样本集等分为10份，依次从其中选出1份

作为测试集，其余9份作为训练集，共重复10次，

将10次测试的模型评价指标的平均值作为模型最

=1-

100%

-z

MAPE

∑

i=1

RMSE

-z

∑

i=1

4 验证与分析

(25)

(26)

(

)

∑

(

-z

)

∑

(

-z

i=1

(27)

其中：

为样本推进速度或扭矩的真实值；

为模

为样本推进型输出的推进速度或扭矩的预测值，

速度或扭矩的均值。

MAPE

的范围为0~+∞，其值越

小，说明模型预测效果越好。均方根误差越小，

说明拟合效果越好。决定系数范围为0~1，越接近

1，说明模型的回归拟合效果越好。

4.3　结果讨论

为构建预测效果最佳的随机森林模型，对随

机森林模型中的超参数n

estimators

进行调优。n

estimators

表示随机森林中基决策树的数量，其值设置过小

会造成模型欠拟合，设置过大会造成模型训练速

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

度缓慢。图7所示为推进速度预测模型和刀盘转矩

第 4 期

1319

预测模型的平均绝对百分比误差(E

MAPE

)与模型超

参数n

estimators

的关系。在推进速度预测模型中，将

estimators

设置为60以上时，平均绝对误差百分比基

本稳定在0.062。在刀盘转矩预测模型中，将

estimators

设置为50以上时，平均绝对误差百分比基

本稳定在0.072。为了保证模型具有较高的预测精

度和较快的训练时间，将推进速度预测模型和刀

盘转矩预测模型中的n

estimators

分别设置为60和50。

(a) 推进速度预测结果；(b) 刀盘转矩预测结果

图8　随机森林模型预测结果

Fig. 8　Prediction results of random forest model

回归算法、岭回归算法对于推进速度预测和刀盘

转矩预测的效果。选取十折交叉检验中的一折作

为测试集，对各个算法模型的预测结果进行展示。

图9所示为各个算法建立的推进速度预测模型在测

(a) 推进速度预测模型；(b) 刀盘转矩预测模型

图7　预测模型的E

MAPE

与超参数n

estimators

的关系

Fig. 7　Relationship between E

MAPE

of prediction model

and hyperparameter n

estimators

试集上的预测表现，其中v

和v

分别为推进速度的

真实值和预测值。图10所示为各个算法建立的刀

盘转矩预测模型在测试集上的预测表现，其中T

和

分别为刀盘转矩的真实值和预测值。各算法的推

进速度预测效果评价指标如表5所示，各算法对刀

盘转矩的预测效果评价指标如表6所示。由表5和

表6可以发现，随机森林算法对于推进速度和刀盘

转矩的预测效果评价指标均最佳，R

分别达到了

0.936和0.961。

以刀盘转速、总推力、螺旋机转速、土仓压

力4个掘进参数作为控制变量，采用粒子群算法进

行推进速度优化。设置粒子群模型的种群规模为

50个，迭代数为50次，认知常数c

为2.0，社会常

为直观地展示算法预测效果，以新加坡隧道

施工工程中第229环的实际运行数据的前40%的样

本点作为训练集，训练随机森林模型，以229环后

60%的样本点作为测试集，模型预测结果如图8所

示。由图8可以发现，所提模型能够实现推进速度

和刀盘转矩的准确预测。

为了进一步证明随机森林预测模型的优越性，

对比随机森林算法与机器学习算法adaboost、支持

向量回归(SVR)、深度神经网络(DNN)与多元线性

1320

中南大学学报(自然科学版)第 54 卷

算法：(a) 随机森林；(b) adaboost；(c) 多元线性回归；(d) 岭回归；(e) SVR；(f) DNN

图9　推进速度测试集中各算法的预测表现

Fig. 9　Prediction performance of each algorithm in test set of advancing speed

算法：(a) 随机森林；(b) adaboost；(c) 多元线性回归；(d) 岭回归；(e) SVR；(f) DNN

图10　刀盘转矩测试集中各算法的预测表现

Fig. 10　Prediction performance of each algorithm in test set of cutter head torque

第 4 期

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

1321

表5　各算法的推进速度预测效果评价指标

Table 5　Evaluation indexes of advancing speed

prediction effect of each algorithm

算法类型

随机森林

adaboost

线性回归

岭回归

SVR

DNN

MAPE

0.061

0.118

0.214

0.326

0.446

0.252

RMSE

223.59

369.75

586.16

701.18

900.93

630.78

0.936

0.827

0.565

0.378

−0.027

0.460

数c

为2.0。PSO模型在4种地质类型地层中寻优

时的适应度如图11所示。由图11可以发现，在迭

代10~15次时，PSO均能寻找到稳定最优解。4种地

层中的最优操作参数如表7所示。在福康宁卵石地

层、句容地层IV、句容地层V、海洋黏土4种地质

类型地层中经过优化后的推进速度分别为22.93、

34.29、33.06和40.41 mm/min，相比于工程中实际

达到的稳定段平均推进速度，分别提高了67.2%、

41.8%、53.6%和15.0%。实际工程中的推进速度平

均值与优化后的推进速度的对比结果如图12所示。

为了证明粒子群算法的准确性和高效性，对

比粒子群算法、遗传算法、蚁群算法的寻优结果，

并以穷举法(各参数约束范围内设置步长为100)求

解得到的最优解作为对照，对比结果如图13所示。

由图13可以发现，粒子群算法、遗传算法、蚁群

算法均找到了4种地质类型中令推进速度最大的最

优参数组合。对比粒子群算法、遗传算法、蚁群

算法的寻优时间，结果如图14所示。由图14可以

发现，在4种地质类型下，粒子群算法的执行时间

表6　各算法的刀盘转矩预测效果评价指标

Table 6　Evaluation indexes of cutter head torque

prediction effect of each algorithm

算法类型

随机森林

adaboost

线性回归

岭回归

SVR

DNN

MAPE

0.071

0.122

0.260

0.427

0.401

0.298

RMSE

1.296

1.976

4.356

5.824

5.868

5.491

0.961

0.91

0.565

0.223

0.211

0.309

(a) 福康宁卵石；(b) 句容地层IV；(c) 句容地层V；(d) 海洋黏土

图11　各地质类型下PSO优化适应度

Fig. 11　Optimal fitness of PSO at each geological type

1322

中南大学学报(自然科学版)第 54 卷

表7　PSO操作参数寻优结果

Table 7　PSO operating parameters optimization results

地质类型

福康宁卵石

句容地层IV

句容地层V

海洋黏土

刀盘转速/(r·min

−1

)

螺旋机转速/(r·min

−1

)

总推力/kN

1.23

2.65

2.49

1.51

5.60

4.17

7.88

4.79

10 993.86

12 233.19

9 652.68

11 827.54

土仓压力/(10

Pa)

2.17

2.19

1.84

3.44

优化推进速度/(mm·min

−1

)

22.93

34.29

33.06

40.41

均比遗传算法与蚁群算法的短，证明了粒子群算

法的高效性。

5 结论

1) 建立了基于随机森林算法的盾构机推进速

度预测模型和刀盘扭矩预测模型。选取刀盘转速、

总推力、土仓压力、螺旋机转速4个运行参数作为

图12　推进速度实际值与优化值对比

Fig. 12　Comparison of actual value and optimized value

of advancing speed

推进速度预测模型和刀盘转矩预测模型的输入参

数；将地质类型作为随机森林预测模型的输入参

数，提升了模型对于不同地质条件下的预测精度。

2) 本文所提模型对于存在海洋黏土、福康宁

卵石地层、句容地层IV、句容地层V这4种地质类

型的地层中的盾构机推进速度和刀盘转矩预测的

分别达到0.936和0.961。

3) 实现了对刀盘转速、总推力、螺旋机转速、

土仓压力4个主动控制参数的优化；得出了不同地

质类型地层中的最优掘进参数组合。在福康宁卵

石地层、句容地层IV、句容地层V、海洋黏土4种

地层中，经过优化后的隧道掘进机推进速度分别

提高了67.2%、41.8%、53.6%和15.0%。

参考文献：

[1]GONG Wenping, WANG Lei, JUANG C H, et al. Robust

geotechnical design of shield-driven tunnels[J]. Computers

and Geotechnics, 2014, 56: 191−201.

[2]YU Honggan, TAO Jianfeng, HUANG Sheng, et al. A field

parameters-based method for real-time wear estimation of

disc cutter on TBM cutterhead[J]. Automation in

Construction, 2021, 124: 103603.

[3]OZDEMIR L. Development of theoretical equations for

predicting tunnel boreability[D]. Golden, USA: Colorado

School of Mines, 1977: 264−270.

[4]BRULAND A. Hard rock tunnel boring[D]. Trondheim,

Norway: Norwegian University of Science and Technology

图13　各优化算法寻优结果对比

Fig. 13　Comparison of optimization results of each

optimization algorithm

图14　各优化算法寻优时间对比

Fig. 14　Comparison of optimization time of each

optimization algorithm

第 4 期

刘明阳，等：基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

1323

(NTNU), 1998: 14−31.

[5]李杰, 张斌, 付柯, 等. 基于现场掘进数据的复合地层盾构

掘进性能预测方法研究[J]. 现代隧道技术, 2019, 56(4):

97−104.

LI Jie, ZHANG Bin, FU Ke, et al. Site data based prediction

of shield driving performance in compound strata[J]. Modern

Tunnelling Technology, 2019, 56(4): 97−104.

[6]邢彤, 龚国芳, 杨华勇. 盾构刀盘驱动扭矩计算模型及实验

研究[J]. 浙江大学学报(工学版), 2009, 43(10): 1794−1800.

XING Tong, GONG Guofang, YANG Huayong. Torque

calculation model of cutting head in shield machine and

experimental study[J]. Journal of Zhejiang University

(Engineering Science), 2009, 43(10): 1794−1800.

[7]SALIMI A, ROSTAMI J, MOORMANN C, et al.

Application of non-linear regression analysis and artificial

intelligence algorithms for performance prediction of hard

rock TBMs[J]. Tunnelling and Underground Space

Technology, 2016, 58: 236−246.

[8]SUN Wei, SHI Maolin, ZHANG Chao, et al. Dynamic load

prediction of tunnel boring machine(TBM) based on

heterogeneous in situ data[J]. Automation in Construction,

2018, 92: 23−34.

[9]GAO Xianjie, SHI Maolin, SONG Xueguan, et al. Recurrent

neural networks for real-time prediction of TBM operating

parameters[J]. Automation in Construction, 2019, 98:

225−235.

[10]闫长斌, 汪鹤健, 杨继华, 等. 利用PLSR-DNN耦合模型预

测TBM净掘进速率[J]. 岩土力学, 2021, 42(2): 519−528.

YAN Changbin, WANG Hejian, YANG Jihua, et al.

Predicting TBM penetration rate with the coupled model of

partial least squares regression and deep neural network[J].

Rock and Soil Mechanics, 2021, 42(2): 519−528.

[11]周小雄, 龚秋明, 殷丽君, 等. 基于BLSTM-AM模型的

TBM稳定段掘进参数预测[J]. 岩石力学与工程学报,

2020, 39(S2): 3505−3515.

ZHOU Xiaoxiong, GONG Qiuming, YIN Lijun, et al.

Predicting boring parameters of TBM stable stage based on

BLSTM networks combined with attention mechanism[J].

Chinese Journal of Rock Mechanics and Engineering, 2020,

39(S2): 3505−3515.

[12]朱梦琦, 朱合华, 王昕, 等. 基于集成CART算法的TBM掘

进参数与围岩等级预测[J]. 岩石力学与工程学报, 2020,

39(9): 1860−1871.

ZHU Mengqi, ZHU Hehua, WANG Xin, et al. Study on

CART-based ensemble learning algorithms for predicting

TBM tunneling parameters and classing surrounding

rockmasses[J]. Chinese Journal of Rock Mechanics and

Engineering, 2020, 39(9): 1860−1871.

[13]OKUBO S, FUKUI K, CHEN W. Expert system for

applicability of tunnel boring machines in Japan[J]. Rock

Mechanics and Rock Engineering, 2003, 36(4): 305−322.

[14]王飞, 龚国芳, 段理文, 等. 基于XGBoost的隧道掘进机操

作参数智能决策系统设计[J]. 浙江大学学报(工学版),

2020, 54(4): 633−641.

WANG Fei, GONG Guofang, DUAN Liwen, et al. XGBoost

based intelligent determination system design of tunnel

boring machine operation parameters[J]. Journal of Zhejiang

University(Engineering Science), 2020, 54(4): 633−641.

[15]WANG Lintao, SUN Wei, LONG Yangyang, et al.

Reliability-based performance optimization of tunnel boring

machine considering geological uncertainties[J]. IEEE

Access, 2018, 6: 19086−19098.

[16]傅康. 基于机器学习的TBM隧道围岩分级方法及掘进参

数优化研究[D]. 济南: 山东大学, 2021: 61−93.

FU Kang. Research on TBM tunnel surrounding rock

classification method and tunnelling parameters optimization

based on machine learning[D]. Jinan: Shandong University,

2021: 61−93.

[17]王瑞睿. 基于多元约束与目标优化的TBM控制参数决策

方法[D]. 济南: 山东大学, 2020: 91−114.

WANG Ruirui. The decision method of the tbm operating

parameters based on the ploybasic constraint and objective

optimization[D]. Jinan: Shandong University, 2020: 91−114.

[18]张品. 基于机器学习算法的盾构掘进地表沉降预测及控制

[D]. 长沙: 湖南大学, 2019: 50−75

ZHANG Pin. Prediction and control of tunneling-induced

settlement using machine learning algorithms[D]. Changsha:

Hunan University, 2019: 50−75.

[19]王超. TBM岩机映射关系及其优化决策方法研究[D]. 杭

州: 浙江大学, 2018: 76−79.

WANG Chao. Research on the relationship of rock type and

machine parameters of TBM and its optimal decision method

[D]. Hangzhou: Zhejiang University, 2018: 76−79.

[20]王旭东. 基于盾构掘进参数的孤石地层预测方法研究[D].

石家庄: 石家庄铁道大学, 2017: 56−64.

WANG Xudong. Research on the method of detecting

boulder stratum with shield tunneling parameters[D].

Shijiazhuang: Shijiazhuang Tiedao University, 2017: 56−64.

[21]张厚美, 吴秀国, 曾伟华. 土压平衡式盾构掘进试验及掘进

数学模型研究[J]. 岩石力学与工程学报, 2005, 24(S2):

5762−5766.

ZHANG Houmei, WU Xiuguo, ZENG Weihua. Study on

tunneling experiment and mathematical model of epb shield

[J]. Chinese Journal of Rock Mechanics and Engineering,

2005, 24(S2): 5762−5766.

[22]李守巨, 于申, 孟庆琳, 等. 盾构机土仓压力平衡模型参数

1324

819−824.

中南大学学报(自然科学版)第 54 卷

辨识方法研究[J]. 地下空间与工程学报, 2013, 9(4):

LI Shouju, YU Shen, MENG Qinglin, et al. Model parameter

identification for pressure control of soil chamber in shield

tunneling[J]. Chinese Journal of Underground Space and

Engineering, 2013, 9(4): 819−824.

[23]刘建东. 基于盾构掘进参数的不良地质感知方法研究[D].

石家庄: 石家庄铁道大学, 2020: 53−64.

LIU Jiandong. Perception methods for bad geology based on

shield tunneling parameters[D]. Shijiazhuang: Shijiazhuang

Tiedao University, 2020: 53−64.

[24]原思聪, 肖畅, 尚敬强. 土压平衡式盾构机刀盘转矩的理论

建模与分析[J]. 机械设计, 2012, 29(7): 90−92.

YUAN Sicong, XIAO Chang, SHANG Jingqiang.

Theoretical modeling and analysis of EPB shield machine

cutter torque[J]. Journal of Machine Design, 2012, 29(7):

90−92.

[25]朱北斗, 龚国芳, 周如林, 等. 基于盾构掘进参数的BP神经

网络地层识别[J]. 浙江大学学报(工学版), 2011, 45(5):

851−857.

ZHU Beidou, GONG Guofang, ZHOU Rulin, et al.

Identification of strata with BP neural network based on

parameters of shield driving[J]. Journal of Zhejiang

University(Engineering Science), 2011, 45(5): 851−857.

[26]付龙龙, 李晓龙, 周顺华, 等. 土压平衡盾构机土舱压力的

设定方法及原位实测反分析[J]. 中国铁道科学, 2015,

36(5): 68−74.

FU Longlong, LI Xiaolong, ZHOU Shunhua, et al.

Configuration method and field measurement back analysis

of earth pressure in working chamber of earth pressure

balance shield machine[J]. China Railway Science, 2015,

36(5): 68−74.

[27]TIAN Y, ZHANG T, XIAO J H, et al. A coevolutionary

framework for constrained multiobjective optimization

problems[J]. IEEE Transactions on Evolutionary

Computation, 2021, 25(1): 102−116.

(编辑伍锦花)