摘要
为建立反映TBM掘进参数与岩体等级关系的岩体等级识别模型，并提高模型的构建效率和识别率，以某隧道工程为背景开展研究。现场勘测岩体特征并基于BQ法和RQD值划分岩体等级，采集TBM工作数据并筛选出与岩体特性变化相关的主要掘进参数；基于轻量梯度提升器(LightGBM)算法，拟合TBM掘进参数与岩体等级的关系，并利用遗传算法(GA)，优化LightGBM的超参数，最终建立GA-LightGBM岩体等级识别模型。结果表明：GA-LightGBM模型的识别准确率达到了93.5%，高于支持向量机模型和随机森林模型的准确率，且模型训练速度比梯度提升决策树算法提高了8倍；5种TBM掘进参数与岩石强度和岩体完整性等特性存在相关关系，其中总推进力可作为感知岩体特征的主要判据。研究提供了一种高效分析TBM掘进参数并准确识别岩体等级的方法，为现场快速感知岩体等级并实时调整作业参数提供支撑。
关键词
Abstract
In order to establish an identification model of rock mass grade reflecting the relationship between TBM tunneling parameters and rock mass categories, improve model building efficiency and recognition rate, a research was carried out on background of a tunnel project. The rock mass characteristics were surveyed and graded based on BQ method and RQD, the TBM working data was collected and the main excavation parameters related to the change of rock mass characteristics were screened. The relationship between TBM tunneling parameters and rock mass grade was fitted based on Light Gradient Boosting Machine (LightGBM) algorithm, and the hyperparameters of LightGBM were optimized using genetic algorithm (GA), then a GA-LightGBM model of rock mass grades identification was established. Results: The accuracy of the GA-LightGBM recognition model reached 93.5%, which was higher than that of the support vector machine model and the random forest model. The model training speed is 8 times faster than the gradient boosting decision tree algorithm. Five TBM tunneling parameters were related to rock strength and rock mass integrity, and the total propulsion force could be used as the main criterion for sensing rock mass characteristics. The study provides an efficient method for analyzing TBM excavation parameters and accurately identifying rock mass grades, providing support for rapid on-site perception of rock mass grades and real-time adjustment of operating parameters.
在隧道、竖井等地下工程建设中，与钻爆法相比，机械破岩技术更加安全、环保，近年来受到高度重视，以TBM为代表的机械开挖方法在地下工程中得到广泛应用。
掘进机破岩是刀盘与岩体间相互作用过程[1]，掘进机破岩参数与所破岩体的强度、完整性之间（通常用岩体等级表示）存在复杂对应关系，如能建立这种关系模型将有助于现场根据掘进数据快速识别岩体等级[2]，及时准确获取地质特征，并据此实时调整掘进机参数，达到提高掘进效率、降低成本和实现安全施工的目的[3]。因此确立掘进参数与岩体参数的关系对TBM破岩高效化、智能化均具有较为重要的意义。
利用人工智能算法构建掘进参数与岩体参数的关系模型并进行岩体识别是目前的研究热点[4-5]。Shi等[6]利用模糊C均值算法辨识了现场黏性土、砾质砂、岩石等地质条件，Liu等[7]基于BP神经网络和模拟退火算法利用TBM掘进参数预测了抗压强度等岩体参数，朱梦琦等[8]、Liu等[9]基于集成CART算法结合TBM作业参数预测了围岩等级。
但目前研究尚存在有待改进的两个方面：首先是对岩体等级的划分较为粗糙，同等级岩体的特性也存在较大差异；另一方面，面对现场海量数据，模型快速识别岩体等级、实时指导现场作业尤为重要[10]，上述研究中样本量较少，尚未面临如何提高模型构建速度这一难题。
为此，本文提出采用BQ法和RQD值两步分级的方法划分岩体等级，利用遗传算法（GA）[11-12]和LightGBM算法[13-15]处理现场采集的数据，构建反映掘进参数与岩体等级关系的岩体等级识别模型，并在湖北某隧道TBM开挖工程中开展了应用。采用上述方法可提高岩体等级识别模型的构建效率和泛化性能，实现对掘进工作面岩体条件的快速感知，为隧道TBM实时调整掘进参数、提高掘进效率提供支撑。
1 研究方法及原理
1.1 总体思路
为高效分析现场大规模数据、快速构建掘进参数与岩体等级的关系模型，并根据掘进参数准确识别岩体等级，本文基于GA-LightGBM算法，开展掘进参数与岩体等级关系研究，构建岩体等级识别模型方法，研究路线如图1所示，主要包括数据采集、数据预处理、模型构建和结果评估共4个方面。
数据采集：在现场实验区段勘测岩石抗压强度、岩体完整性（含RQD）等特性参数，并采集TBM在不同岩体中掘进状态时的工作数据。
数据预处理：在岩体基本质量分级（BQ法）的基础上，采用RQD指标来细分岩体等级，同时分析数据之间的相关性和掘进数据的分布特征，摒除冗余特征，筛选出与岩体特性强相关的主要掘进参数。
模型构建：将TBM主要掘进参数作为输入特征、岩体等级作为输出变量构建模型，基于训练集数据应用遗传算法优化LightGBM的超参数，将最优组合代入LightGBM中训练岩体等级识别模型。
结果评估：利用测试集数据计算所得模型的识别准确率，并将其识别准确率、训练速度与其他算法模型进行对比，评估模型的优越性；根据特征重要性，分析各掘进参数对模型识别岩体的贡献程度。
图1研究路线
Fig.1Research route
经过上述4个环节，最终得到准确率高、训练速度快的岩体等级识别模型，以下具体介绍各环节实现方法。
1.2 数据采集及预处理方法
通过掘进参数识别岩体等级，首先需要获取现场不同地段的岩体特征和相应的掘进参数两类数据。对于前者，由于现场勘探条件有限，掘进区段的岩体特征数据无法随时随地获取，只能选取部分区段进行勘测，根据勘测结果确定岩体等级；对于后者，TBM传感系统实时采集了足够丰富的数据量，但参数种类较多，可能存在不相关数据和冗余数据，需在模型训练前进行参数筛选。
为更精细地划分岩体等级，本文采用BQ法和RQD值两步分级的方法。工程上主要按照《工程岩体分级标准》（GB/T50218—2014）中岩体基本分级方法（BQ法）来划分岩体等级，BQ值计算公式为
(1)
式中：当Rc＞90Kv+30时，应以Rc=90Kv+30和Kv代入计算BQ值；当Kv＞0.04Rc+0.4时，应以Kv=0.04Rc+0.4和Rc代入计算BQ值。
岩体完整性的变化对TBM掘进效率影响较大[16]，然而同等级岩体的Kv值差别可能很大。以工程建设常见的Ⅲ级岩体（BQ=351~450）为例，Ⅲ级岩体的完整性可为较破碎（Kv=0.35~0.55）、较完整（Kv=＞0.55~0.75）和完整（Kv＞0.75），所对应Kv的取值范围较大。
本文在划分岩体等级时，为提高岩体完整程度的权重，并兼顾RQD值对TBM掘进的影响，先按照BQ法初步划分岩体等级；当处于同一等级岩体的RQD值相差大于25时，则对该等级岩体进一步细分，按现场RQD值从大到小依次定义为a、b、c等多个等级。
在筛选TBM掘进参数时，通过分析参数间的相关性和样本的分布特征，确定构建岩体等级识别模型所需的主要掘进参数。首先摒除与所有岩体特征均为极弱相关（相关性系数＜0.2）的掘进参数，再利用掘进参数之间的相关性，从相关性极强（相关性系数＞0.8）的参数组中摒除冗余参数。
采用上述方法，采集并预处理现场数据，确定TBM主要掘进参数和相应的岩体等级，这些数据是构建岩体等级识别模型所需的。
1.3 模型构建方法
由于TBM运行参数与岩体特征之间的复杂关系难以用单个函数关系式表达，故采用人工智能算法，以掘进参数为输入特征、岩体等级为输出变量，拟合两者的关系，构建岩体等级识别模型，进而实现对现场岩体等级的准确、快速感知。
在处理大量数据多分类问题上，LightGBM算法具有准确率高、运行速度快的优点，但该算法需要调节的超参数较多。超参数寻优是构建高性能模型的关键环节，网格搜索算法在搜索空间过大时，计算量急剧增大、寻优速度缓慢；随机搜索算法搜索速度快，但所得最优值具有极大的偶然性；遗传算法基于种群进化理论，从多个方向同时搜索最优值，具有良好的随机性、全局性和并行性，提高了超参数的搜索效率。
因此，本文结合LightGBM算法和遗传算法的优势，构建岩体识别模型。由于LightGBM是以梯度提升决策树算法（GBDT）为基础，故依次对GBDT算法、LightGBM以及遗传算法进行简要介绍。
1.3.1 梯度提升决策树算法（GBDT）
GBDT算法是一种以分类回归树（CART树）作为基学习器的集成算法，其通过多次迭代产生CART树，每次迭代都旨在减小模型拟合值与真实值的差距，以准确预测样本类别。
以三分类问题为例，训练样本数据{X，Y}中X为输入特征，y为样本类别，利用one-hot编码将y转换为概率数组，若某样本实际类别y为第2类，则其实际概率数组Y可表示为[0，1，0]。GBDT算法每次迭代均会基于损失误差最小化，训练出三棵独立的分类回归树，计算各样本属于每种类别的拟合概率值，进而得到拟合概率数组为
(2)
式中：Ti（X）表示第i次迭代的拟合概率数组；表示样本属于各类别的拟合概率。
如式（3）所示，在进行n次迭代后，根据实际概率数组Y与前n次迭代的拟合值计算出负梯度ri（X）。若ri（X）在误差允许范围内，说明模型拟合效果很好，可根据式（4）计算n次迭代的拟合概率数组之和F（X），作为最终结果输出。
(3)
(4)
按照上述流程训练出识别模型后，向模型输入任意一组新数据的特征值X0，均会输出一个概率数组F（X0）=[p1（X0），p2（X0），p3（X0）]，将数组中概率最大的类别作为数据的分类结果。
1.3.2 LightGBM算法
基于GBDT算法，LightGBM采用了基于梯度的单边采样算法，保留对信息增益贡献值更大的大梯度样本，并随机抛弃部分小梯度样本以精简数据集；基于模型特征的空间稀疏性，将很少同时取零的特征作为互斥特征捆绑合并，从而降低特征维度，提升训练速度。
另外，在训练学习过程中，LightGBM采用直方图算法[20]降低了节点分裂过程的运行消耗；并采用按叶子生长策略，减少了极小增益节点的不必要分裂，加快了模型计算速度。
1.3.3 遗传算法
遗传算法（genetic algorithm）作为一种随机全局搜索优化算法，使用概率机制展开迭代而不受目标函数梯度的约束，只要设置好种群大小、繁殖代数、交叉概率和变异概率等参数，即可全局自动寻优，具有较高搜索效率。
图2为遗传算法流程图，算法在参数初始化后形成含有m条染色体（即m组参数）的种群，通过计算每条染色体的适应度大小，评估每组参数值的优劣。通过选择、交叉、变异等操作产生新一代种群，循环K次后将种群中适应度最高的个体作为最优解。
图2遗传算法流程图
Fig.2Flowchart of Genetic Algorithm
适应度是种群更新的重要指标，值越大代表着该组参数越好。对于本文所求解的分类模型超参数寻优问题，可直接将模型在验证集上的分类准确率（Acc）作为适应度f。
1.3.4 五折交叉验证法
为提高上述Acc数值的可信度，在求解这一指标时可采用交叉验证法，本文采用的是常用的五折交叉验证。将数据集分为5个大小相似的互斥子集，且每个子集类别占比相似，依次选择1个子集作为验证集、其余4个子集作为训练集，进行5次训练和验证。计算5次验证集准确率的均值，作为当前个体的适应度，即
(5)
式中:Nrt为在第r折验证时验证集中得到正确分类的样本数量，Nr为第r折时验证集样本总数。
1.3.5 GA-LightGBM模型
结合上述相关算法及方法，提出GA-lightGBM模型的构建方法（图3），主要包括以下8个步骤：
图3GA-LightGBM模型构建方法及流程
Fig.3Construction method and flow of GA-LightGBM model
1）初代建模。利用随机数函数，随机生成m组LightGBM模型所需要的超参数（十进制）；超参数类型包括学习率、迭代次数、树模型的最大深度等，据此初步构建m个不同的LightGBM模型。此时的模型繁殖代数为1。
2）训练模型与交叉验证。将训练集数据代入到上述m个LightGBM模型中，进行分别训练，并利用五折交叉验证法，获得各模型的分类准确率。
3）判断。步骤2的循环次数等于遗传算法的繁殖代数，判断繁殖代数是否达到设定的最大值，若为是，进行步骤8；若为否，进行步骤2~7。
4）编码。对m组超参数进行二进制编码，得到m组链状数据，用于后续交叉、变异操作。
5）更新超参数。基于模型准确率大小，保留准确率高的超参数组，筛除准确率低的超参数组；利用遗传算法对各组超参数进行交叉、变异操作，得到m组新的超参数（二进制）。
6）解码。将m组新的二进制超参数解码为十进制形式。
7）重新建模。利用m组新的超参数重新构建LightGBM模型，并再次进行步骤2的模型训练和步骤3的判断流程。
8）优选。当繁殖代数达到预设最大值时，从当前的m个模型中优选出分类准确率最高的模型，作为最终的GA-LightGBM模型。
1.4 结果评估指标
将模型对各级岩体的分类准确率和模型的训练速度作为指标，评估基于GA-LightGBM模型能否准确、快速地反映掘进参数与岩体等级之间的关系。
特征重要性表示了输入特征与模型的相关程度，本文在模型构建成功后，根据特征重要性评估各输入特征（掘进参数）对模型预测结果的贡献大小。LightGBM算法利用各个特征在所有基决策树上的信息增益（gain）之和表示该特征的重要性评分[21]，为便于统计和对比，本文对所有特征的重要性评分进行归一化处理。
2 工程应用
2.1 工程背景
本研究依托于湖北省十堰市水资源配置隧道工程四标段项目，该工程项目总线长26 km，岩石以中硬岩和坚硬岩为主，部分区域存在软岩。图4为四标段项目各桩号段的主要岩性，以及地勘阶段的岩体分级情况。坚硬岩区段岩体完整，地勘结果为Ⅱ级岩体；中硬岩区段岩体较完整，地勘结果为Ⅲ级和Ⅳ级岩体；软岩区域为断层破碎带，地勘结果为Ⅴ级岩体。现场对Ⅳ级与Ⅴ级岩体采用钻爆法开挖，对Ⅱ、Ⅲ级岩体采用TBM机械开挖。
在TBM掘进施工段，岩石成分包括石英片岩、花岗岩、花岗斑岩、闪长岩。为保障施工安全高效、最大程度发挥TBM的掘进优势，需根据工作面岩体情况不断调整作业参数。
图4隧道各区段岩性及分级情况
Fig.4Lithology and classification of each section of the tunnel
实现上述目标的关键，在于识别动态工作面的岩体特征。利用长期地质勘探获取所有区段的岩体特征，在经济成本和时间效益上均难以接受。因此，提出基于现场TBM掘进数据感知岩体等级的方法。
2.2 现场数据采集与预处理
现场选取4个区段，利用地质钻探勘测了岩体特征（表1），同时通过机载传感器采集到掘进参数的大量数据。采用1.2节所述BQ和RQD值两步分级法，将4个区段岩体划分为3个等级：Ⅱ级岩体（桩号16+000—16+200段、23+000—23+200段）、Ⅲa级岩体（桩号10+000—10+200段）、Ⅲb级岩体（桩号6+000—6+200段）。
表1隧道掘进区段岩体特征及等级
Tab.1Rock mass characteristics and category in tunnelling sections
TBM机载传感器的采样间隔为1 s，数据包括停机、掘进和回退3种状态。删除TBM停机状态（推进速度为0）、回退状态（总推进力为0）的数据，保留正常掘进的数据。为避免数据偶然波动的影响，采用平均值采样法，将每分钟60组数据的平均值作为该时段的有效值。按上述预处理数据后，得到有效掘进数据共44 131组，Ⅱ级、Ⅲa级、Ⅲb级围岩掘进数据分别有23 898组、9 126组和11 107组。图5为TBM在3种不同岩体中掘进时，部分参数数据变化的示例曲线。由图5初步可知，岩体条件不同时，掘进数据的变化存在着一定差别。
在现场采集的TBM数据中，参与机-岩作用的掘进参数有9种，分别为推进速度、刀盘转速、总推进力、刀盘转矩、贯入度、推进位移、刀盘平均电流、推进缸无杆腔压力、推进泵压力。为降低数据冗余，更加简明、清晰地反映岩体特征与掘进参数的关系，在模型训练前先对掘进参数、岩体参数进行Spearman相关性分析，根据相关性结果筛选参数。
参与相关性分析的岩体参数包括岩石强度、完整性系数Kv、RQD、岩体渗水率和岩石软化系数。其中，岩体渗水率和岩石软化系数是和项目场地条件密切相关的参数。基于本文依托的水资源配置隧道工程的数据，计算岩体参数、TBM掘进参数的相关性情况如图6~8所示。
图6为该隧道工程中各岩体参数的相关性情况。岩体渗水率与岩石抗压强度、RQD值成明显的负相关关系，抗压强度越大、RQD值越大，意味着岩体越坚固、完整，渗水率越小。岩石软化系数是岩石在饱和状态和干燥状态的单轴抗压强度之比，因此其与岩石抗压强度有极强的相关性。完整性系数Kv和RQD值都表征着岩体的完整程度，两者同样具有相关性。
图5TBM正常掘进时部分参数数据变化曲线
Fig.5Change curve of some parameters of TBM during normal driving
图6岩体参数间的相关性系数
Fig.6Correlation coefficients of rock mass parameters
图7为TBM掘进参数与岩体参数的相关性情况。其中，抗压强度与刀盘转速、总推进力等多个掘进参数的相关性较好；与Kv的相关性系数大于0.4的掘进参数仅有刀盘转矩；总推进力、推进缸无杆腔压力与RQD值成极强相关（相关性系数＞0.8）；岩体渗水率、岩石软化系数与各掘进参数的相关性情况，和抗压强度一致。大部分掘进参数均和岩体参数具有较好相关性，但刀盘平均电流仅与Kv相关性系数大于0.2，与其他岩体参数的相关性系数为0.1左右。
图7掘进参数与岩体参数的相关性系数
Fig.7Correlation coefficients between tunneling parameters and rock mass parameters
图8为各掘进参数之间的相关性情况，部分掘进参数之间存在极强相关性（相关性系数＞0.8），具体有：推进速度与推进位移；总推进力、推进缸的无杆腔压力与推进泵压力；刀盘转矩与刀盘平均电流。这表明掘进参数存在着冗余。
结合图7、8各参数相关性情况，摒除与岩体特征极弱相关的参数和冗余参数，从9种掘进参数中筛选出总推进力、刀盘转矩、刀盘转速、推进速度、贯入度作为TBM主要掘进参数，图9~13为5种参数在不同岩体条件下的样本分布情况。
图8掘进参数间的相关性系数
Fig.8Correlation coefficients of tunneling parameters
图9总推进力分布及其概率密度曲线
Fig.9Total propulsive force distribution and probability density curve
由图9可知，总推进力随岩体质量改善有明显的增大趋势。刀盘转矩和刀盘转速作为滚刀作用于岩体的重要参数，结合图7的相关性系数分析图10、图11发现，刀盘转矩的分布受Kv值的影响较大，而刀盘转速则主要受RQD值的影响；刀盘转矩和刀盘转速在Ⅲb级岩体（Kv=0.73，RQD=24.0）的主要取值区间和平均值要远小于Ⅱ级岩体（Kv=0.80，RQD=78.9）、Ⅲa级岩体（Kv=0.81，RQD=53.1）。
推进速度和贯入度表征着TBM的掘进效率，由图12和图13可知，推进速度在Kv较小的Ⅲb级岩体中平均值较大；贯入度在岩石强度较低的Ⅲa级岩体（Rc=50 MPa）中平均值较大。
图10刀盘转矩分布及其概率密度曲线
Fig.10Cutter head torque distribution and probability density curve
图11刀盘转速分布及其概率密度曲线
Fig.11Cutter head speed distribution and probability density curve
图12推进速度分布及其概率密度曲线
Fig.12Propulsion speed distribution and probability density curve
图13贯入度分布及其概率密度曲线
Fig.13Penetration distribution and probability density curve
综上分析，总推进力、刀盘转矩、刀盘转速、推进速度和贯入度等掘进参数与岩石强度、岩体完整性系数Kv、岩石基本质量指标RQD值等存在相关关系，不同岩体的掘进参数数据分布存在差异。为拟合上述掘进参数与岩体等级的关系，本文采用了人工智能算法构建岩体等级识别模型。
2.3 岩体等级识别模型的构建
2.3.1 数据集的划分
为满足岩体等级识别模型构建和评估的需求，本文将各类岩体数据按8∶2的比例划分（表2）。其中，80%数据在模型构建时会按照五折交叉验证法再次划分为训练集和验证集，用于训练模型和超参数寻优；20%数据作为测试集，不参与模型构建和训练过程，只用于评估最终所得模型的识别性能。
表2训练集与测试集的数据分配
Tab.2Data allocation of training set and test set
2.3.2 GA-LightGBM模型训练与超参数寻优
将总推进力、刀盘转矩、刀盘转速、掘进速率和贯入度作为模型训练中的输入特征，岩体等级作为模型训练的输出结果，根据图3的方法与流程构建岩体等级识别模型。
在模型训练过程中选取合适的超参数是提高模型性能的重要途径，如果超参数值设置不当，模型很难有较好的识别效果。LightGBM模型需调节的超参数及其搜索范围见表3。
表3模型的超参数及搜索范围
Tab.3The hyperparameters of model and the search scope
按照表3中的搜索范围和采样间隔，若采用网格搜索算法进行超参数寻优，大约需进行8×1013次搜索，计算量巨大。为提高搜索效率，采用遗传算法处理LightGBM的超参数设置问题。设置遗传算法的种群大小为100，并且随机产生初始种群；繁殖代数为80代，每代繁殖采用轮盘赌法选择出新种群；种群中个体交叉概率为0.4、变异概率为0.05。
值得注意的是，超参数max_depth与num_leaves需满足式（6）的关系，因此在每次随机生成max_depth值后，需根据max_depth的取值，限定num_leaves的随机取值范围。同时，为防止交叉、变异操作对max_depth和num_leaves的影响，在解码过程中，若num_leaves超过式（6）中最大值，则将最大值直接赋给num_leaves，以保证程序正常运行。
(6)
式中：Dmax为LightGBM模型中决策树的最大深度（max_depth），Nl为LightGBM中决策树叶子节点数。
图14为模型在验证集上的识别准确率随遗传算法繁殖代数的变化情况，随着繁殖代数增加，识别准确率不断提高，意味着模型超参数得到了不断优化。经过80代繁殖，验证集的识别准确率达到了93.69%，对应各超参数的最优组合如表4所示。按照表4设置LightGBM的各超参数数值，训练并构建出最终的岩体等级识别模型（GA-LightGBM模型）。
图14验证集识别准确率变化曲线
Fig.14Recognition accuracy change curve of validation set
表4模型超参数的最优组合
Tab.4The optimal combination of model hyperparameters
2.4 GA-LightGBM模型性能评估及特征重要性
图15为测试集数据在GA-LightGBM模型中预测结果的混淆矩阵，各类别大部分样本均能得到准确预测，模型识别出的岩体等级与地勘结果吻合性较好。如图15所示，本文在地勘结果为Ⅱ级的岩体中，抽取了4 761组掘进参数样本，将其代入GA-LightGBM模型中，识别出岩体等级为Ⅱ级的样本有4 510组，准确率达到了94.7%；对于地勘结果为Ⅲ级的岩体，在利用BQ法和RQD值两步法、细分为Ⅲa级和Ⅲb级后，GA-LightGBM模型同样可以较好的区分出Ⅲa级和Ⅲb级岩体；Ⅲa级、Ⅲb级的测试样本数共有4 066组，被误识别为Ⅱ级的样本仅有250组。
图15GA-LightGBM模型预测结果混淆矩阵
Fig.15Confusion matrix of GA-LightGBM model′s prediction
统计本文模型与支持向量机、随机森林、GBDT模型在各等级岩体中的识别效果，并计算4种模型在CPU为i5-10210U、内存8GB、GPU为MX250的计算机上的训练耗时（表5）。
表5不同模型的识别率
Tab.5The recognition accuracy of different models
由表5可知，GA-LightGBM模型的整体识别准确率达到了93.5%，高于SVM模型和RF模型，与GBDT模型相近；其训练速度比GBDT模型提高了8倍。GA-LightGBM模型在识别准确率、运行速度上均有更好的性能，得到了现场设计及施工单位的肯定。
图16为5种掘进参数在GA-LightGBM模型构建中的特征重要性。对比各参数的重要性评分，总推进力的重要程度远大于其他4种参数，这表明在利用掘进参数感知岩体等级时，总推进力可作为主要判据，应重点关注该参数的数据变化。
图16GA-LightGBM模型各输入特征重要性评分
Fig.16Importance scoring of input characteristics in GA-LightGBM model
3 讨论
随着隧道建设向深地进军，TBM在掘进作业中会遇到高地应力或大裂隙区等复杂的地质环境。开展复杂地质条件对TBM掘进参数的影响研究，对TBM进行深地掘进具有重要意义。
根据工程地勘报告显示，本文研究中数据采集所涉及到的4个区段（6+000—6+200、10+000—10+200、16+000—16+200、23+000—23+200），其初始应力场的应力值分别为1.03~4.87 MPa、2.4~5.0 MPa、10.5 MPa和19.0 MPa，岩石强度应力比分别为9.65、10.4、6.4和3.1，应力量级属于低~高地应力。因此，所构建的GA-LightGBM模型适用于高地应力地区。
需要指出的是，由于本次研究的数据样本有限，未能深入分析复杂环境（包括高地应力、大断层破碎带）对TBM掘进参数的影响，高地应力、大断层等复杂地质条件与TBM掘进效率的具体关系有待进一步的研究。
4 结论
本文依托于湖北省十堰市水资源配置隧道工程项目，开展了TBM掘进参数与岩体等级关系研究，得到以下结论：
1）利用GA-LightGBM算法研究掘进参数与岩体特征关系，构建了岩体等级识别模型，实现了对掘进工作面岩体等级的准确、快速感知。GA-LightGBM模型的整体识别率达到了93.5%，高于SVM、RF模型，训练速度比GBDT模型提高了8倍。
2）通过分析不同岩体条件下掘进参数分布特征和构建岩体等级识别模型，确定了掘进机的总推进力、刀盘转矩、刀盘转速、推进速度和贯入度等掘进参数与岩石强度、岩体完整程度等特性存在相关关系，证明了可通过现场掘进参数实时感知岩体特征。
3）对比各掘进参数在GA-LightGBM模型构建中的重要性评分，确定了总推进力是基于掘进参数感知岩体等级过程中的主要判据。
4）本文提出的基于GA-LightGBM算法高效分析TBM掘进参数并准确识别岩体等级的方法，为实时感知岩体特征进而调整掘进参数、提高掘进效率提供支撑，对于TBM破岩高效化、智能化具有积极意义。
