《Engineering Applications of Artificial Intelligence》：Data-driven disc cutter wear prediction for shield tunneling in complex strata: model comparison and interpretation
編輯推薦：
為闡明 DHPAAS 在昆蟲表皮形成中的功能，研究人員以埃及伊蚊為模型，結合生理與分子層面實驗，解析其晶體結構。發現 DHPAAS 通過獨特疏水通道向 PLP 輸送氧氣，其敲除導致表皮結構缺陷。研究為理解表皮組裝及抗蚊媒疾病提供新視角。
研究背景
在現代城市發展進程中，地下隧道建設愈發重要，盾構隧道法憑借其挖掘速度快、安全性高、對圍巖影響小等優點，成為主流施工方式。不過，盾構機（Tunnel Boring Machine，TBM）在掘進時，刀具磨損問題突出。刀具磨損受地質條件、TBM 運行參數、刀具機械特性等多種因素影響，一旦磨損過度，不僅會降低挖掘效率，增加施工成本，還可能引發安全事故。
傳統的刀具磨損預測模型，像理論模型、經驗模型和半經驗模型，雖有一定作用，但存在諸多局限性。理論模型常因簡化實際情況，難以精準反映復雜現實；經驗和半經驗模型依賴特定數據集，通用性差。而基于人工智能（Artificial Intelligence，AI）的方法，如人工神經網絡（Artificial Neural Networks，ANN）等，雖能挖掘復雜非線性關系，但在巖土工程領域，地層的非均質性和不確定性導致數據不準確，影響預測精度。并且，現有研究多為定性分析，預測公式的經驗系數適用性和準確性欠佳，多數模型考慮因素不全面，缺乏多模型對比，且模型可解釋性不足。為解決這些問題，推動盾構隧道施工安全高效進行，開展此項研究意義重大。
研究機構與研究內容
深圳相關研究人員針對上述問題展開研究。他們以深圳 CF 隧道項目為依托，收集了大量數據，建立包含 12 個輸入參數（涵蓋 TBM 運行、刀具機械和地質條件等方面）的數據集，輸出參數為刀具磨損（通過刀具半徑減小量量化） 。研究對比了 6 種統計機器學習模型、4 種集成學習模型和 3 種深度學習模型，利用十折交叉驗證和貝葉斯搜索進行超參數優化，還運用 SHapley 可加解釋（SHapley Additive exPlanations，SHAP）技術和皮爾遜相關系數分析模型性能，找出影響刀具磨損的關鍵因素，并建立基于對數對數回歸的經驗公式。
主要技術方法
研究人員利用從深圳 CF 隧道項目采集的數據，建立數據集。在模型構建方面，深度學習模型借助開源的 TensorFlow 軟件實現，機器學習模型則基于 scikit-learn 庫開發，均以均方誤差（MSE）作為損失函數。采用十折交叉驗證和貝葉斯搜索進行超參數優化，運用 SHAP 技術分析模型特征重要性，以此全面評估和對比各模型性能。
研究結果
- 模型性能對比：通過對測試集結果分析，發現卷積神經網絡（Convolutional Neural Network，CNN）性能最優，決定系數（R2）達到 0.8749；其次是梯度提升機（Gradient Boosting Machine，GBM）模型，R2為 0.8427；K 近鄰（K-Nearest Neighbors，KNN）模型的 R2為 0.8329。這表明在復雜地層盤形刀具磨損預測中，CNN 在捕捉數據特征和建立準確預測模型方面具有明顯優勢。
- 模型魯棒性驗證：數據擾動測試進一步證實了 CNN 和 KNN 模型的魯棒性。這意味著在面對數據的微小變化或噪聲時，這兩種模型依然能夠保持較好的預測性能，為實際工程應用提供了更可靠的保障。
- 關鍵影響因素分析：利用 SHAP 和皮爾遜相關系數對模型性能進行解釋，發現刀具安裝半徑對刀具磨損的貢獻最大。這一結果為工程實踐中針對性地優化刀具設計和施工參數提供了重要依據。
- 經驗公式建立：建立了經驗對數對數回歸模型，其 R2為 0.751。該模型能實現快速計算，方便現場評估，為工程人員在實際施工中快速估算刀具磨損提供了實用工具。
研究結論與討論
本研究系統地探討了復雜地層中盾構隧道盤形刀具的磨損問題，通過建立多種機器學習模型，對比分析其性能，并明確關鍵影響因素，建立經驗公式，在刀具磨損預測領域取得重要進展。研究成果為未來 AI 驅動的刀具磨損分析和預測提供了參考，有助于施工人員提前做好刀具更換計劃，降低施工成本，減少安全風險，保障盾構隧道施工安全、高效進行。同時，研究中采用的多模型對比、超參數優化以及模型可解釋性分析等方法，為類似工程應用中選擇最優模型提供了方法論框架，對推動巖土工程領域智能化發展具有重要意義。并且，該研究框架在其他復雜非線性物理場景中也具有潛在應用價值，有望為解決更多復雜工程問題提供新思路。
