随着我国社会经济的快速发展,城市化进程的不断加快,地铁、公路以及铁路隧道建造需求越来越高。由于拥有安全性、高效性及环保等特点,盾构法成为了隧道的主流施工方法。在盾构施工过程中,由于地质环境的复杂、线路线形变化等因素,盾构机轴线很容易发生偏离,轴线偏差变化难以预测,并且当偏差超过允许范围时,在纠偏过程中盾构机参数设置难以确定,纠偏依赖人工经验。当偏离阈值时若不及时纠偏,会引起严重的安全隐患。因此,本文以盾构施工轴线为研究对象,提出了一种基于LSTM的盾构轴线偏差预测及纠偏方法,主要研究内容如下:(1)构建盾构轴线偏差预测及纠偏分析框架。梳理了盾构施工流程,并且分析了盾构施工中轴线偏离及掘进纠偏的业务机理,然后以此为基础结合数据挖掘分析方法提出轴线偏差预测及纠偏方法,主要包括:数据预处理、影响因素分析、构建轴线偏差预测模型以及构建纠偏模型。(2)轴线偏差关键影响因素分析。盾构施工数据包括盾构掘进数据、盾构姿态数据、注浆数据以及状态数据等,由于数据量大、属性繁杂、维度较高、数据质量及知识蕴含密度较低,直接建模无法保证模型的准确性和时效性。在数据清洗之后本文将机器学习方法与统计分析结合对数据进行特征选择,并结合机理分析结果对数据特征进行特征重构,以此构建分析数据包,为后续模型训练效率及准确性奠定基础。(3)构建基于LSTM的轴线偏差预测模型。在盾构掘进过程中,轴线偏差量受掘进参数控制的同时是基于前一时刻偏差量的基础之上随着推移而改变的,基于轴线偏差的诸多影响因素和偏差数据的序列性,利用LSTM网络的状态信息记忆能力及良好的序列数据处理能力,提出了基于LSTM的轴线偏差预测模型,并且加入了Dropout优化模型网络,提高了模型的预测准确性及模型的泛化能力。(4)构建盾构轴线纠偏模型。在盾构纠偏过程中,为了确保盾尾间隙保持在一定范围内以避免产生安全隐患,通常需要经过多环调整进行纠偏,基于此本文提出了几何计算与数据挖掘技术结合的纠偏模型。主要包括:首先,通过几何计算,获取纠偏所需总环数以及每环纠偏量;其次,建立偏差变化量回归模型,得到偏差变化量与盾构掘进参数之间的函数关系;然后挖掘偏差变化量区间与掘进参数区间之间的关联规则;然后通过匹配获取每环偏差量对应的掘进参数区间;最终利用回归模型在区间内进行迭代,取绝对误差最小的一组数据作为最优参数建议值。该方法通过挖掘历史纠偏数据所蕴含的信息,以此指引参数设置,避免了人工经验的局限性。基于以上研究内容,以某单位盾构项目为例进行建模分析。结果表明,本方法在盾构施工轴线偏差预测及纠偏方面取得了理想的效果,验证了方法的有效性。