一种基于TBM振动的围岩等级感知可信度评估方法与流程

本发明属于隧道掘进感知，具体涉及一种基于tbm振动的围岩等级感知可信度评估方法。

背景技术：

1、隧道掘进机（tbm）是长大深埋隧道施工的核心装备，施工过程中掌子面前方围岩等级的实时准确感知，是优化掘进参数、调整支护方案、保障施工安全与效率的关键前提。传统超前地质勘探手段成本高、易干扰正常施工工序且结果反馈滞后，施工决策多依赖前期地质勘查报告，难以及时响应现场岩体条件的动态变化。由于tbm振动信号由滚刀与围岩相互作用直接产生，与岩体力学性质关联紧密且便于实时采集，基于振动信号的智能感知方法已成为围岩等级实时识别的重要技术路径。

2、目前基于tbm振动信号的围岩等级感知技术主要分为两类：一类是提取振动信号的统计特征并输入浅层机器学习模型进行识别，该方法推理速度快，但人工设计的统计特征易丢失振动信号中的非线性有效信息，模型识别性能高度依赖特征设计质量，适用场景受限；另一类是采用深度学习模型对振动信号进行端到端特征学习与识别，识别精度更高，但深度学习模型普遍具有“黑箱”特性，决策过程不透明，训练过程易学习到数据中的虚假关联，导致模型在复杂多变的工程现场泛化能力不足，输出结果缺乏可信度依据，工程人员难以对模型决策建立信任，制约了高精度感知模型的实际工程应用。

3、综上，现有基于tbm振动的围岩感知技术缺少有效的模型可信度评估手段，无法验证特征学习与决策的可靠性，也难以定向优化，满足不了现场施工对感知结果可信稳定的要求。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于tbm振动的围岩等级感知可信度评估方法。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种基于tbm振动的围岩等级感知可信度评估方法，该方法包括如下步骤：

4、s1、构建包含tbm振动数据与对应围岩等级标签的围岩感知数据库，将所述围岩感知数据库划分为训练集、验证集和测试集；基于所述训练集训练基于transformer的围岩感知模型；

5、s2、从训练集中选取部分样本作为背景数据集，采用deepshap算法计算测试集内每个样本各时间点三轴振动对应的shap值；对各时间点三轴振动的shap值沿特征维度求均值，得到一维时序shap向量；

6、s3、将测试集输入训练完成的基于transformer的围岩感知模型，捕获该模型最后一层编码器输出的多头注意力权重矩阵；对所有注意力头权重取均值，压缩得到原始一维时序注意力向量；

7、s4、对所述原始一维时序注意力向量执行长度对齐操作，得到与所述一维时序shap向量序列长度一致的对齐后注意力向量；

8、s5、分别对所述一维时序shap向量与对齐后注意力向量的数值进行排序，生成对应的shap向量排名序列和注意力权重排名序列；

9、s6、基于所述一维时序shap向量排名序列与对齐后注意力权重排名序列计算斯皮尔曼等级相关系数；

10、s7、模型全局可信度r与预设可信度阈值比较，完成可靠性判定；

11、当全局可信度r≥预设可信度阈值时，判定模型可信度合格，可应用于现场tbm施工的围岩等级实时感知；当全局可信度r＜预设可信度阈值时，将全部测试样本按斯皮尔曼等级相关系数从小到大排序，剔除排序末尾预设比例的低可信度样本，以剩余样本更新训练集后重新训练基于transformer的围岩感知模型，并重复执行步骤s2至s7，直至全局可信度r满足预设可信度阈值要求。

12、进一步，步骤s1中，构建围岩感知数据库的具体过程为：

13、采集tbm刀盘部位的三向振动加速度数据与tbm掘进参数，同步采集已施工洞段的岩体地质信息并依据hc法划分围岩等级，生成隧道里程岩体分类表；

14、对原始振动数据去除直流分量与异常值，对掘进参数提取掘进步并分割出掘进稳定段，保留稳定段对应的振动数据；

15、基于时间戳与里程信息将稳定段振动数据与围岩等级标签进行匹配，经标准化处理后形成围岩感知数据库。

16、进一步，步骤s1中，训练基于transformer的围岩感知模型时，以振动时域数据为输入、围岩等级为监督标签，采用交叉熵损失函数与adam优化器进行训练，引入早停机制与学习率衰减策略抑制过拟合，保存验证集准确率最高的模型权重。

17、进一步，步骤s4中，当原始一维时序注意力向量序列长度小于一维时序shap向量序列长度时，采用端点对齐的一维线性插值方式完成上采样：以首尾控制点与原始振动信号首尾采样时刻严格对齐为约束，将注意力向量的各控制点沿时间轴等间距分布，对一维时序shap向量对应的全部物理采样时刻逐点执行线性插值，得到对齐后注意力向量；

18、当原始一维时序注意力向量序列长度大于一维时序shap向量序列长度时，采用自适应无重叠平均池化方式完成下采样：根据原始长度与目标长度的整除关系，分别为各池化窗口分配向上取整或向下取整的窗口尺寸，所有窗口连续无重叠排布，经算术平均后输出与一维时序shap向量序列长度一致的对齐后注意力向量；

19、当二者长度相等，直接进入后续排序步骤。

20、进一步，步骤s6中，斯皮尔曼等级相关系数计算公式为：

21、

22、其中，为第个样本的斯皮尔曼等级相关系数，为第个样本中shap向量排名序列中第个时间步对应的排名序号，为第个样本中注意力权重排名序列中第个时间步对应的排名序号，为第个样本中全部时间步的的算术平均值，为第个样本中全部时间步的的算术平均值，为对齐后两条排名序列的序列长度。

23、进一步，预设可信度阈值取值为0.6；所述预设比例为为测试样本总数量的5%。

24、进一步，采用降序排序方式分别生成一维时序shap向量排名序列与注意力权重排名序列。

25、本发明与现有技术相比具有以下优点：

26、1）本发明分别通过deepshap后验解释算法与模型自带的注意力机制，从外部特征归因、内部决策关注两个独立视角输出振动时序各点位的特征重要性，形成双维度的可解释性支撑。

27、2）本发明通过时序长度对齐实现两类重要性序列的点位匹配，以等级相关系数量化二者特征重要性排序的吻合程度，可有效验证模型是否真正学习到与围岩特性相关的有效物理特征，甄别虚假关联学习问题，实现对模型决策可信度的定量化评估，从根源上破解深度学习“黑箱”模型的结果信任难题.

28、3）本发明以全量样本的一致性系数均值构建全局可信度指标并设置判定阈值，同时建立低可信度样本剔除、训练集更新与模型迭代重训练的优化机制，可定向净化训练数据，持续提升模型的泛化能力与现场工况适应性.

29、4）本发明基于transformer架构构建围岩感知模型，能够充分挖掘tbm振动时序信号的全局关联与长距离依赖特征，对非平稳破岩振动信号适配性更强，相较于传统浅层机器学习方案具备更高的围岩等级识别精度。

30、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。