文摘机器学习的数据驱动方法为隧道掘进机(tunnel boring machine,TBM)施工智能化赋能,对于优化掘进工艺、提高掘进安全性和降低人工成本至关重要。针对TBM运行数据噪声多、参数冗余及有效特征提取困难的难题,运用数据驱动的机器学习方法,挖掘数据蕴含的机-土复杂相互作用,实现TBM围岩岩体分类预测。首先,对于TBM掘进过程中产生的大量运行数据,采用核密度估计(kernel density estimation,KDE)对典型掘进参数曲线提取特征,获取稳定掘进阶段TBM关键运行参数的最大概率。然后,面向实际场景TBM运行数据,提出围岩分类堆叠集成学习算法,通过k-fold交叉验证进一步优化算法,利用基分类器和元分类器两层学习框架挖掘数据中的复杂关系。最后,采用5868个TBM掘进段的数据集对该算法的有效性进行验证。结果表明,四分类问题预测的平均F1达到0.705,二分类问题预测的平均F1达到0.797,其预测效果均优于所选的四种基分类器。
