《AUTOMATION IN CONSTRUCTION》：AI-driven co-tunneler: Automated excavation parameter selection using information entropy-assisted multi-objective optimization
编辑推荐：
盾构机智能控制多目标优化框架研究
摘要：提出融合前向预测与逆优化的自适应决策框架，通过MLP建模实现实时参数预测，结合NSGA-II算法生成帕累托最优解集，采用熵权法与TOPSIS动态加权确定最优方案。工程验证表明该框架在合肥地铁7号线项目中使掘进效率提升56.1%，刀盘扭矩降低6.4%，且通过t-SNE可视化验证其优越性。
肖元|王书颖|曲同明|曾俊豪|陈向生
中南大学土木工程学院，中国湖南省长沙市410075
摘要
机械化盾构隧道施工中的智能控制需要同时优化安全性、效率和能源消耗。本文提出了一种自适应的多目标决策框架，该框架将基于人工智能的预测技术与逆向优化相结合，以实现盾构隧道参数的实时控制。首先，使用多层感知器（MLP）构建预测模型，以可控的盾构参数作为输入，控制目标作为输出。然后通过NSGA-II算法生成帕累托最优解。在此基础上，进一步结合熵加权方法和基于理想解相似性的排序偏好技术（TOPSIS）来确定最优解。通过中国安徽省合肥市地铁7号线的案例研究验证了该框架的有效性。该方法在满足安全约束的前提下，将掘进速率提高了56.1%，并降低了刀盘扭矩6.4%。使用t分布随机邻居嵌入（t-SNE）进行可视化分析，进一步证实了所提出的框架显著优于传统的经验操作方法。
引言
随着城市化进程的加快，地下空间已成为缓解地表拥堵和促进可持续城市发展的关键资源[1]，[2]。由于其高度集成的机械化特性，盾构隧道施工已成为现代建筑的主要方法[3]。与传统钻爆法相比，盾构隧道施工将挖掘、管片安装、泥浆运输和注浆过程整合为一个连续的作业流程，从而提高了效率，缩短了项目周期，并降低了安全风险。
然而，在盾构隧道施工中同时实现高效率和安全挖掘仍然具有很大挑战性。首先，地下岩层的异质性、土壤结构和水文地质特性直接影响挖掘阻力及岩层响应。其次，多个挖掘参数是隧道系统的关键控制变量，其配置涉及土壤力学、机电耦合和流变行为的复杂相互作用，使得最优调整变得尤为复杂。
最关键的是，地质条件与挖掘参数之间的耦合在岩层-机器-结构系统中常常表现出非线性放大效应。因此，微小的参数调整可能导致严重事故，如刀盘卡住、管片错位或地面不稳定。尽管存在这些复杂性，实际操作中的参数调节仍主要依赖于操作人员的经验，但这至少存在三个根本性限制：
(1)响应延迟：通常只有在检测到明显参数偏差后才会进行人工干预，导致对意外情况的反应滞后。
(2)可转移性差：
经验丰富的操作人员数十年的操作知识无法通过培训或手册系统地传授。单一目标导向：
操作人员往往只关注单一目标（例如最大化掘进速率或最小化能源消耗），而忽略了复杂的多目标权衡。例如，过度追求掘进速率可能会暂时提高掘进速度，但容易导致刀盘过载或工作面支撑失衡，增加施工风险。要实现完全自动化的隧道施工，需要在各种地质条件下通过基于科学的实时优化来超越经验驱动的控制。
为了更好地理解挖掘参数与盾构隧道工作面稳定性之间的复杂相互作用，许多研究人员进行了系统的理论建模和实验室实验。例如，王等人向黏性土壤中添加了分散剂，以研究土压平衡（EPB）盾构中刀盘和工具粘附的调节机制[4]。钟等人进行了系列旋转剪切试验，模拟不同剪切速率对刀盘和螺旋输送机输送土壤强度的影响[5]。李等人进行了室内实验，研究了水下条件下泥浆平衡盾构的挖掘稳定性，并阐明了工作面失效后地表沉降的形成和演变机制[6]。冯等人开发了一种新型的外部载荷控制渗透仪，证明随着土壤压力的增加，沙泡沫混合物的渗透性显著降低[7]。同样，王等人表明，较高的水压可以延长渗透性的稳定阶段并增强泡沫的稳定性，建议将螺旋输送机出口处的泥浆渗透性作为实际评估指标[8]。尽管这些研究大大丰富了我们对挖掘过程多物理耦合的理解，但它们尚未满足现场实时决策的需求。
机器学习为盾构隧道施工提供了一种数据驱动的方法，利用监测数据捕捉参数-响应关系，实现实时预测决策支持[9]，[10]。当前的研究可以归纳为五个主要方向：(1) 对原始TBM监测数据进行特征工程处理，包括去噪、降维和转换，以提取能够反映挖掘动态的信息[11]，[12]；(2) 对关键挖掘参数（如推力[13]，[14]，[15]、刀盘扭矩[16]，[17]、机器姿态[18]，[19]和掘进速率[21]）进行数据驱动的预测；(3) 识别复杂的地层和不良地质条件[22]，包括地质建模[23]，[24]和岩石稳定性评估[25]；(4) 故障诊断和异常监测，如盾构泥浆堵塞[26]，[27]、工具磨损[28]，[29]、衬砌缺陷[30]和地表沉降[31]；(5) 对模型预测可靠性和不确定性的定量判断[32]，为预测可靠性评估提供依据。
尽管数据驱动模型在再现历史操作经验方面表现出色，但它们仍然受限于训练数据，属于被动模仿。当训练数据主要由专家操作主导时，这些模型可以生成高质量的决策。然而，低质量决策的加入可能会传播不成熟的策略，引入施工风险。因此，纯粹的数据驱动方法的局限性最终受限于人类经验的深度和广度，阻碍了超越经验知识的真正优化。
为了超越人类经验，实现真正无人化的智能盾构隧道施工，研究人员探索了参数优化策略，如多目标进化算法或强化学习。与被动的数据模仿者不同，这些方法将挖掘参数视为集成优化模型中的决策变量，以适应多维工程需求，从而在复杂地质条件下展现出超越经验极限的潜力。例如，刘等人结合多目标优化和可解释机器学习，平衡了地面沉降控制和挖掘效率[33]。侯等人制定了一个包含钻进速率、能源消耗和刀盘滚轮磨损的显式数学表达式的多目标优化模型，并应用DE-NSGA-II算法得出最优操作设置[34]。傅等人开发了一种将时空深度学习模型与NSGA-II结合的方法，实现TBM姿态和轨迹偏差的多目标优化[35]。
然而，现有的优化案例仍然依赖于预设的权重，这注入了工程师的主观偏见，而非真正的客观性。此外，当地质条件或施工阶段发生变化时，固定权重无法动态适应，优化策略的适应性也会下降。因此，迫切需要开发一种具有自适应权重调整策略的决策框架，以消除人为偏见，实现真正的多目标优化。
在这方面，本文提出了一种自适应框架，该框架将预测技术与逆向优化无缝结合，并通过现场应用进行了验证。本文的其余部分结构如下：第2节通过定义关键目标和约束条件来阐述挖掘参数优化问题，同时区分主动控制变量和被动响应。第3节详细介绍了所提出的自适应决策框架，并在第4节使用合肥市地铁7号的现场数据进行了验证。为了证明其通用性，第5节进一步使用广州市地铁12号的独立案例对该框架进行了评估。第6节讨论了该框架的意义和局限性，第7节进行了总结性评论。
节选内容
盾构参数优化问题的数学表述
从根本上说，实现盾构隧道参数的自动化控制需要对物理挖掘过程进行严格的数学抽象。为了阐明这一多目标优化问题的本质，本节系统地定义了主动控制变量及其相应的被动响应。在此基础上，构建了一个顺序框架，将预测建模与逆向参数优化无缝连接起来。
方法
将上述数学表述转化为可执行的控制策略需要系统的计算方法。为此，本节详细介绍了驱动自适应框架的核心方法：用于预测建模的多层感知器（MLP），用于生成多目标帕累托前沿的NSGA-II算法，以及将信息熵与TOPSIS结合以实现无偏自动决策的方法。
自适应框架在盾构工程中的实施
虽然理论方法提供了严格的基础，但其实际可行性必须通过现实世界施工环境的复杂性进行验证。因此，本节使用中国安徽省合肥市地铁7号线的高保真现场数据，系统地展示了所提出框架的全面实施过程，包括数据采集、正向替代模型训练以及后续的多目标优化
所提框架在工程中的案例验证
尽管之前的案例研究成功降低了软黏土层中的挖掘风险，但一个真正智能的隧道系统必须能够在高度异质的地质条件下展现出强大的可转移性。为了证明自适应决策框架的普遍适用性，本节使用中国广东省广州市地铁12号的独立案例进行了验证，该案例的特点是地质条件高度混合
讨论
除了在特定工程案例中实现的性能提升外，自动化参数选择系统的广泛部署还需要深入的理论思考。本节探讨了预测建模中隐含的关键因果约束，对比了自适应熵加权方法与静态和替代优化策略，并评估了当前方法论的局限性，为未来的研究指明了方向。
结论
本文通过将盾构隧道施工中的挖掘参数智能调节任务分解为两个相互关联的阶段：预测和逆向优化，解决了这一问题。预测阶段构建预测模型以再现挖掘过程，而逆向阶段使用优化算法推断出满足多个竞争目标的最优参数组合。在此基础上，提出了一个集成的自适应决策-优化框架
CRediT作者贡献声明
肖元：撰写——初稿撰写、监督、方法论制定、资金获取、概念构思。王书颖：监督、项目管理、方法论制定、资金获取、概念构思。曲同明：可视化处理、验证、软件开发、数据调查、数据整理。曾俊豪：软件开发、数据调查。陈向生：撰写——审稿与编辑、验证、监督、项目管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
感谢国家自然科学基金（编号：52022112）和中南大学基本科研业务费（编号：2025ZZTS0621）的财政支持。
