隧道掘进机（TBM）因其安全、高效、优质、环保和有利于围岩稳定等优点，被广泛应用于深埋长、大型隧道的施工。与传统的钻爆法相比，TBM法对地质地层状况更加敏感，要求更高，掘进效率易受前方不利地质条件影响。为了提高掘进效率，避免事故的发生，TBM掘进过程中通常需要根据前方地面条件的变化及时调整掘进参数。但由于技术限制，目前隧道开挖中TBM掘进参数的选择和调整主要依赖于主观经验。掘进参数与岩体条件匹配性差，往往导致破岩效率低、掘进成本高、刀具异常磨损，甚至造成人员伤亡。因此，快速准确地感知隧道前方岩体信息，并根据识别信息实时动态调整TBM掘进参数，是高效安全掘进的首要问题。武汉大学研究人员提出了一种基于数据挖掘（DM）的TBM-岩体互馈感知方法，开展了基于TBM掘进大数据的岩体状态实时预测研究。
研究人员首先将与围岩条件相关的10个隧道掘进参数作为输入特征，建立TBM掘进参数数据库，收录松花江输水隧洞工程10807个掘进周期。然后，引入基于图论的谱聚类（SC）算法对TBM隧道数据进行聚类。根据聚类结果和岩体可掘性指数将岩体条件分为四类，并给出了各类对应的主要掘进参数的合理分布区间。同时，基于深度神经网络（DNN），建立了针对不同岩石条件的实时预测模型。最后，通过对破岩比能、特征重要性和训练数据集大小的分析，验证了所提方法的合理性和适应性。
该研究所提出的TBM-岩体互馈感知方法能够在TBM掘进过程中实现岩体条件的自动识别和掘进参数的动态调整。在预测性能方面，能够比传统的机器学习预测方法更准确地实时预测前方岩体状况。然而，在隧道开挖初期，数据不平衡问题可能导致少数岩体类别的训练效果不佳，但不同训练集的对比分析表明，随着训练数据的增加，模型的预测性能会越来越好。因此未来需要更全面的岩体类别数据库来解决此类问题。相关研究成果发表于《Journal of Rock Mechanics and Geotechnical Engineering》 期刊。
论文链接：https://www.sciencedirect.com/science/article/pii/S167477552100127X