基于混合深度学习方法的大直径泥水盾构隧道掌子面压力预测研究

为提高盾构模型预测性能,以武汉长江隧道大直径泥水盾构隧道工程为背景和数据来源,基于图卷积网络(GCN)和长短期记忆神经网络(LSTM)构建掌子面压力预测模型,利用贝叶斯优化算法(BO)对预测模型的关键超参数进行寻优。采用SHAP方法对预测模型进行全局解释,计算每个输入参数对预测目标的Shapley值,提高模型的解释度和透明度。研究结果表明:1)所提出的BO-GCN-LSTM方法在各历史时间步长下均具有较高的精度,拟合优度(R 2)平均值为0.943,均方根误差(E RMSE)平均值为0.245,平均绝对误差(E MAE)平均值为0.173,平均绝对百分比误差(E MAPE)平均值为1.183%。2)在历史时间步长t-1—t-10中,时间步长t-3的R 2、E RMSE、E MAE、E MAPE分别为0.953、0.233、0.159、1.151%,运行速率为1.7次/s,表现出最佳整体预测性能。3)通过SHAP方法进行全局解释,可以确定对研究目标影响较大的参数为气垫舱压力、进出排浆压力和刀盘挤压力差,为大直径泥水盾构隧道掌子面压力管控提供有价值的决策依据。基于BO-GCN-LSTM深度学习模型可以有效预测隧道掌子面压力,有助于盾构驾驶员做出合理的参数调整。