基于时空融合和注意力机制的自动化TBM隧道面坍塌检测系统，该系统结合了泥浆特性和运行数据

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Automated TBM tunnel-face collapse detection system based on spatiotemporal fusion and attention mechanism with muck characteristics and operational data

隧道开挖面稳定性智能预警系统研究

　　

彭月岩|李青民|王华为|刘中磊|夏一民

中南大学机械与电气工程学院，中国湖南省长沙市410000

摘要

在隧道工程中，危险预警和决策的自动化对于确保安全和效率至关重要。本文提出了一种新颖的自动化检测和智能决策支持系统，用于实时预测隧道围岩稳定性。具体而言，传感单元捕获泥浆图像和点云，以提取定量形态学和体积流量特征。这些特征随后与隧道掘进机的操作数据融合，并通过基于长短期记忆（LSTM）并结合多头注意力机制的模型进行处理。该系统提供了连续的风险评估和隧道围岩稳定性的实时预警，总体准确率为94.5%。比较分析表明，时空融合模型的性能优于单一数据源的基线方法，例如仅依赖操作参数的方法（准确率为65.69%）或仅依赖泥浆特征的方法（准确率为79.38%）。在真实的隧道工程中验证后，所提出的自动化检测和风险预测系统证明了其为隧道工程师提供可靠和实时决策支持的能力。

引言

由于隧道掘进机（TBM）能够在坚硬岩石地质条件下持续高效地进行挖掘作业，因此被广泛用于建造长而深的隧道（Li等人，2023年；Mostafa等人，2024年）。隧道围岩是与切割头直接接触的岩石截面，是影响挖掘效率和作业安全的关键界面（Sharafat等人，2021年）。在TBM作业过程中，隧道围岩的不稳定性对施工人员和设备的安全构成严重威胁，可能导致隧道坍塌、项目延误和巨大的经济损失。传统的监测方法依赖于定期的现场检查或基于单一数据流的实时监测（Chen等人，2021年；Loy-Benitez等人，2024年），这些方法通常耗时且容易出错。此外，这些方法往往无法提供连续的实时隧道围岩状况评估（Tang等人，2025年），特别是在恶劣的作业环境中（Huang等人，2025年）。因此，自动化的连续检测和准确的隧道围岩稳定性预测对于确保作业安全和效率至关重要。

用于识别岩体状况的传统方法包括地质调查、先进钻探（Khetwal等人，2022年）和地震检测（Li等人，2026年；Liu等人，2024a）。尽管这些方法有效，但往往成本高昂且耗时。因此，研究人员越来越多地使用TBM作业数据（如推力（F）、扭矩（T）、掘进速率（Pr）和比能耗（Se），这些数据在挖掘过程中可以获得，反映了机器与岩体之间的相互作用（Yang等人，2025a；Zhang等人，2023年）。机器学习方法，如支持向量机（SVM）和随机森林，已被广泛用于根据这些参数对周围岩层进行分类（Sebbeh-Newton等人，2024年；Wu等人，2024年）。Zhang等人（2024年）提出将先进钻探数据与TBM作业数据结合，以提高分类的鲁棒性。

然而，仅对岩体进行分类不足以预测动态施工风险，包括隧道坍塌的风险。隧道围岩稳定性受到岩体结构（节理和断层）和TBM作业参数（Deshpande和Hedaoo，2024年）的复杂耦合影响。根据块体理论（Yang等人，2022年；Yang等人，2025b），节理地面的不连续性将岩石分割成块体，一旦其约束力被移除，这些块体可能会滑动或脱落。虽然已经开发了分析方法（Man等人，2022年；Wang等人，2025年）和概率方法（Eshraghi和Zare，2015年；Huang等人，2024年；Li等人，2024年）来计算支撑压力，但它们通常依赖于静态假设。最近，深度学习方法被用于预测不稳定性指标。一些研究人员（Fu等人，2025年；Guo等人，2022年；Ji等人，2025年）已经证明，预测操作参数的突然偏差可能预示着早期不稳定。以前的方法通常依赖于单一数据源，这些数据可能噪声较大且含义不明确（Zheng等人，2024年）。单一数据流往往无法捕捉到坍塌的完整物理情况，导致在复杂环境中的预测准确性较低。

在切割头与岩石相互作用过程中产生的泥浆直接反映了岩体的失效行为（Li等人，2025年；Xie等人，2023年）。泥浆的形态和体积流量反映了隧道围岩的演变状态（Katuwal等人，2024年；Shi等人，2026年）。例如，围岩坍塌通常伴随着泥浆体积的突然增加或大块岩石的出现。因此，将捕获应力重分布和能量转换的TBM作业参数（She等人，2025年；Zhang等人，2025年）与泥浆形态特征相结合，为鲁棒的风险预测提供了有希望的解决方案。

在TBM隧道施工过程中记录的原始数据具有强烈的时间序列特征。传统的机器学习模型将这些数据点视为独立事件，未能捕捉岩石-机器相互作用的累积效应。虽然标准的循环神经网络（Mikolov等人，2010年；Shan等人，2024年）引入了循环连接来处理序列数据，但在处理长期依赖性时经常面临梯度消失问题。长短期记忆（LSTM，Hochreiter和Schmidhuber，1997年；Lu等人，2024年）具有独特的记忆块结构，能够选择性地保留有用的历史信息并过滤噪声。通过明确利用这些记忆块，模型可以有效地跟踪序列中的历史退化趋势，稳健地捕捉隧道围岩不稳定性的渐进前兆。

本文提出了一种基于多源数据融合和多头注意力机制的新型自动化隧道围岩不稳定性风险预测系统和决策支持框架。我们引入了一个集成传感系统，使用同步的工业相机和线激光扫描仪实时量化泥浆的粒径分布、形态特征和体积流量。为了解决岩石-机器相互作用的复杂和非线性特性，我们开发了一个结合LSTM主干网络和多头注意力机制的深度学习模型。这种架构明确权衡了跨模态特征的重要性，使系统能够有效检测到前期异常。通过广泛的现场数据验证，所提出的方法被证明比单一数据源的基线方法更敏感、更精确、更具通用性。

本文的其余部分组织如下。第2节详细介绍了提出的预警工作流程，包括泥浆形态特征提取、点云处理和多头注意力融合模型。第3节介绍了现场隧道案例研究、实验结果和比较分析。第4节讨论了所提模型的性能优势和局限性。第5节总结了研究并概述了未来研究的方向。

方法论

图1展示了所提出方法的概述。该框架通过TBM作业参数与基于输送带的泥浆图像和点云的新型时空融合，提供围岩坍塌的早期预警。为了解决极端地质条件和噪声传感器数据带来的挑战，我们开发了一个结合LSTM网络和多头注意力机制的深度学习模型。这种混合架构擅长对复杂情况进行建模

项目概述

本研究使用的数据来自一个最大埋深为1585米的铁路TBM隧道项目，该项目的地形有显著起伏。使用了两个直径为10.2米的开放式TBM。隧道项目涉及复杂的地质条件，周围岩石主要被分类为III级和IV级。图8展示了隧道的地质和结构背景，表1列出了隧道沿线周围岩石的等级分布

TBM挖掘响应分析

结果（第3.3节）中观察到的作业参数、泥浆形态和体积流量的同步演变并非统计巧合，而是TBM与恶化隧道围岩之间耦合物理相互作用的表现。如图16所示，高风险状态的特点是FPI和TPI的高幅度峰值，伴随着Se的激增。这与岩石切割中的比能耗理论一致，其中Se被认为与

结论与未来工作

本研究提出了一种基于LSTM和多头注意力机制的自动化多模态数据融合框架，以实现隧道围岩稳定性的实时客观评估。通过整合TBM作业参数、泥浆形态和体积流量，该框架将稳定性监测从主观观察转变为数据驱动的诊断。本研究的主要结论如下。

(1)

本研究建立了一个多源传感和分析框架

CRediT作者贡献声明

彭月岩：撰写——原始草稿、方法论、概念化。李青民：撰写——审阅与编辑、调查、数据整理。王华为：验证、调查。刘中磊：验证、调查、数据整理。夏一民：撰写——审阅与编辑、监督、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了湖南省重大科技项目（编号2019GK1010）和中南大学基本科研基金（授权号2025ZZTS0201）的支持。作者还对中国铁路第14局集团有限公司提供宝贵的施工现场和数据访问表示衷心的感谢。