预测硬岩隧道掘进机（TBM）切割头的盘切刀受力：改进型CSM半理论模型与混合深度学习方法的对比分析

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Predicting disc cutter forces for hard rock TBM cutterhead modeling: a comparative analysis of modified CSM semi-theoretical model and hybrid deep learning approach

预测硬岩隧道掘进机（TBM）截盘受力是关键，本研究通过改进CSM模型和引入SAINT、TabNet、TabM等先进机器学习算法提升预测精度。改进的CSM模型针对沉积岩、变质岩和火成岩三类岩石开发了岩性特异性公式，采用拉梅脆性指数、内摩擦角和波速比等无量纲参数。机器学习部分通过几何平均优化（GMO）和重复搜索优化（RSO）算法优化超参数，SAINT在正滚刀力预测中R2达0.98，RSO-TabNet在切滚刀力预测中表现最佳。SHAP分析表明截盘宽度与深度是主要影响因素，UCS为次要因素。研究证实混合方法显著提高了TBM截盘力预测可靠性，为设备性能评估提供新工具。

　　

Mohammad Matin Rouhani | Jamal Rostami

澳大利亚墨尔本莫纳什大学土木与环境工程系

摘要

预测作用在圆盘切割器上的切割力对于准确建模和评估硬岩隧道掘进机（TBM）的性能至关重要。本研究探讨了两种提高力预测质量的方法：改进科罗拉多矿业学院（CSM）模型和应用先进的机器学习算法。改进后的CSM模型为沉积岩、变质岩和火成岩提供了特定于岩性的公式，这些公式使用了无量纲参数，包括拉梅脆性指数、内摩擦角和波速比。三种最先进的机器学习架构（SAINT（自注意力与样本间注意力变换器）、TabNet和TabM）通过使用几何平均优化和爬行搜索优化算法进行了超参数优化测试。与原始CSM模型相比，改进后的CSM模型在所有岩性组中都显示出统计学上的显著改进（p < 0.001），其中火成岩的改进最为明显。在机器学习模型中，GMO-SAINT在正力预测方面取得了最高的准确性（训练时R2 = 0.98，测试时R2 = 0.96），而RSO-TabNet在滚动力预测方面表现最佳（测试时R2 = 0.94）。SHAP分析表明，刀尖宽度和切割深度分别是影响正力和滚动力的两个主要因素，而UCS在所有模型中始终作为一个次要因素出现。总体而言，这种结合方法提供了更可靠的切割力估计，有助于提高TBM性能预测的准确性。

引言

隧道掘进机（TBMs）是使用圆盘切割器作为切割工具的先进隧道系统。圆盘切割器也用于其他多种硬岩条件下的挖掘系统中，例如竖井/井筒掘进机。切割工具的选择基于地质条件和岩石强度及磨蚀性。近年来，人们通过理论分析（Zhang和Sun，2012；Zhang等人，2019）、数值模拟（Farrokh等人，2024；Labra等人，2017；Li等人，2022）以及实验室切割测试（Li等人，2022；Pan等人，2018a；Pan等人，2018b）对切割器与岩石之间的相互作用进行了广泛研究。根据不同地质条件下的实际切割器-岩石应力分布准确预测切割力对于预测TBM性能至关重要（Rostami，2016；Rostami，2013）。因此，深入了解切割器-岩石相互作用并精确估计切割力具有极其重要的意义（Huang等人，2024）。

已经开发了多种理论和实证方法来预测切割力，包括基于压缩的模型（Evans，1958；Roxborough和Phillips，1974；She等人，2022）和基于拉伸破坏机制的模型（Snowdon等人，1982；Yu，1982）。

由科罗拉多矿业学院开创的CSM模型是一个有影响力的早期模型，用于估计CCS型圆盘切割器的切割力（Rostami，1997；Rostami和Ozdemir，1993）。该模型通过压痕测试或全尺寸线性切割机（LCM）测试建立了作用在单个圆盘切割器上的切割力估算方程。该模型基于一个包含机器和岩石属性的综合性数据库（Ozdemir，1977）。随着时间的推移，该模型通过修改和扩展不断发展，纳入了与岩体脆性、节理间距和岩体断裂相关的额外参数（Ramezanzadeh，2005；Rostami，1997；Roxborough和Phillips，1974；Salimi等人，2016；Yagiz，2002；Yang等人，2016；Yang等人，2018）。

关于基于学习的圆盘切割器力估算方法的研究仍然有限。Rouhani和Farrokh（2024）研究了使用XGBoost的元启发式算法预测凿子钻头切割力的效果，结果显示网格搜索和贝叶斯优化的R2值超过了0.87。他们的结果表明，切割深度、切割器宽度和前倾角是最有影响力的参数（Rouhani和Farrokh，2024）。Hu等人（2021）提出了一种改进的支持向量回归（SVR）模型，用于TBM圆盘切割器，其正力预测的R2值为0.845，滚动力预测的R2值为0.807（Hu等人，2021）。Sun等人（2023）应用了多种机器学习算法，包括GBDT、随机森林和XGBoost，发现GBDT在实时TBM应用中提供了最佳的准确性和计算效率（Sun等人，2023）。

尽管取得了这些进展，但仍存在三个关键问题：

• 1-
  现有的半理论模型尚未更新以纳入特定于岩性的参数。

2-

现有研究表明，这些模型在预测软岩时的切割力往往偏低。

3-

将先进的深度学习架构（特别是基于变换器的模型）应用于圆盘切割器力预测的研究还不够充分。

这些问题通过两种互补的方法得到了解决。首先，基于无量纲参数（如拉梅脆性指数、内摩擦角和波速比）开发了特定于岩性的经验方程，以改进现有的CSM模型。其次，应用了三种最先进的深度学习架构（SAINT、TabNet和TabM），并使用GMO和RSO算法进行了优化，为切割力预测的准确性设立了新的基准。

部分内容摘要

数据库

为了开发一个新的基于学习的模型，有必要编制一个可靠且相关的数据库。在本研究中，从可获取的文章中收集了相关信息（表1），编制了一个包含863多组实验数据的综合数据库，这些数据代表了上述研究中各种线性切割测试的结果。每个参数的范围可以在表2中找到。

方法论

开发了一个全面的框架，旨在使用机器学习方法预测圆盘切割器的切割力。第一阶段包括数据收集和基于参数重要性评估以及参数二元组之间的R值仔细选择特征和输出。然后对识别出的数据进行了缩放，以便在后续分析阶段使用，不同模型对分类特征的处理方式也有所不同：TabM采用了...

统计研究

如图2所示，相关矩阵展示了各种输入参数与作为输出参数的圆盘切割器所受作用力之间的相关性。有趣的是，切割器直径与正力（r = 0.65）和滚动力（r = 0.36）呈正相关。此外，刀尖宽度与Fn（r = 0.64）和Fr（r = 0.30）也呈显著正相关。

然而，单轴压缩...

结论

本研究利用两种不同的方法框架对圆盘切割器的切割力预测进行了全面探讨：改进现有的CSM模型和应用复杂的机器学习算法。改进后的CSM方法包括为系数C制定特定于岩性的经验方程，整合了无量纲参数，如拉梅脆性指数、内摩擦角和波速比，从而...

CRediT作者贡献声明

Mohammad Matin Rouhani：撰写——原始草稿、可视化、软件开发、方法论设计、调查实施、形式分析、概念构建。Jamal Rostami：撰写——审阅与编辑、验证、监督、资源协调、项目管理、方法论制定、数据整理、概念构建。

资金支持

作者在研究和撰写本文过程中未收到任何财务支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。