基于可解释深度学习模型的盾构掘进姿态实时控制方法研究
Research on real-time control method of shield tunneling attitude and position based on an interpretable deep learning model
本研究开发了一种由深度学习和多目标优化算法相结合的方法，旨在准确预测和动态优化盾构掘进姿态。所提出的深度学习模型由门控循环单元(GRU)和全连接层组成，能够准确地预测到下一时刻的盾构掘进姿态。随后，通过SHAP可解释性分析得到了深度学习模型的关键影响参数，将深度学习模型所建立的盾构关键掘进参数和姿态参数之间的非线性映射关系作为非支配排序遗传算法-Ⅲ(NSGA-Ⅲ)的适应度函数，通过不断调整盾构掘进参数来有效地优化盾构掘进轨迹偏差。研究结果表明：所提出的深度学习模型能够准确地预测到未来时刻的盾构姿态，6个姿态参数预测结果的平均R2和MAE为0.97 和 0.71mm。铰接油缸行程、推进千斤顶油压和土仓压力是影响盾构姿态参数的关键掘进参数，在以上掘进参数的正常优化区间内，NSGA-Ⅲ对 6个目标参数的平均改进率为77%，能够有效地减低盾构掘进轨迹偏差及改善隧道施工质量。
评论