基于XGBoost模型的隧洞施工进度控制分析及预测研究

李 凯

(中铁十六局集团第五工程有限公司，河北 唐山 064099)

隧洞施工进度控制是隧洞施工组织管理的重要组成部分，施工进度控制好坏直接影响施工的总工期。在施工进度控制中，各工序的作业时间是时间控制的重要环节，每一个工序的消耗时间与工人的熟练程度、人员数量、设备状态等因素有关[1-2]。各工序的时间效应直观地反映了施工进度的效率。因此，控制好时间轴线能准确地控制施工进度和准确地优化施工计划[3-4]。

目前，经验法是隧洞施工进度控制的主要方法。该方法受主观影响较大，对控制施工进度的主要影响因素把握不足。随着计算机技术的发展，机器学习在水利工程中部分领域得到了广泛的应用，但在隧洞施工组织管理中却鲜有使用。机器学习是科学有效的多学科交叉的数学分析方法。通过学习算法将经验数据生成模型，当有新的经验数据时，模型会提供相应的预测或判断[5-6]。XGBoost算法是一种对梯度提升算法改进的机器学习算法，该算法的目标函数由梯度提升算法损失和正则化项两部分组成。同时为抵抗过拟合还使用了权重收缩与列采样技术[7]。王飞等利用XGBoost模型算法对隧道掘进机操作中场操作系数指数和围岩级别进行预测，并建立了智能决策系统[8]。刘沐阳利用XGBoost对工程建设过程的监管数据进行分析，并为建设工程质量评价提供了科学化管理方法[9]。该算法在相近工程领域的应用取得了不错的成果，但在隧洞施工进度控制方面鲜有应用。

本文以滇中引水工程楚雄段伍庄村隧洞为研究对象，结合隧洞进口段Ⅴ类围岩的现场施工开挖支护情况，统计各个施工工序的数据，引入XGBoost算法对隧洞施工时间进行定量分析，利用特征重要度分析提出了施工时间优化方案，并根据各施工工序的人员配置和开挖进尺对施工总时间进行预测。

XGBoost是一种以回归树为基础的提升算法，属于最具有代表性的一种集成学习算法[5]。它在GBDT算法的基础上做出了大量的优化，很大程度上提升了算法的泛化能力和运算速度。模型由多个决策树组成，决策树建立决策和可能结果的树状模型，包括根节点、内部节点和叶节点(结束节点)，每个决策树都关注前一棵树的残差，从根节点开始向外分支，并使用梯度算法找到一种新的决策树建立方法来减少模型训练的残差，最后通过求和得到树集成模型来预测最终结果。其表达式如下：

(1)

式中：fk(x)为第k个CART(Classification and Regression Trees,分类回归树)损失函数。

(2)

式中：第一部分为预测值与真实值的损失，第二部分为fk的正则项，该项表示惩罚fk的复杂程度。

第t轮迭代后的损失函数：

(3)

式中：常数项为前(t-1)个CART的复杂度。

通过优化损失函数，可得叶子节点的最佳值与对应的损失函数的值：

(4)

(5)

CART节点的生成：

(6)

式中：Gain为父节点的obj*减去左右两个子节点的obj*之和，即节点切分后obj*的下降值，Gain值越大，且大于设定的临界值γ，则切分的效果越好。

2.1 工程背景

滇中引水工程受水区包括丽江、大理、楚雄、昆明、玉溪及红河的35个县(市、区)，总面积3.76万km2；
引水工程多年平均引水量34.03亿m3，渠首位于石鼓，渠首设计流量135m3/s。输水总干渠引水线路总长664km，其中隧洞58座，累计长度612km，占线路长度的92%。输水线路分为大理Ⅰ段、大理Ⅱ段、楚雄段、昆明段、玉溪段、红河段[10]。以下以楚雄段为研究对象。

楚雄段伍庄村隧洞全长11416m，隧洞总体方向为南东。隧洞通过地段属低中山地貌，主要山脊、冲沟顺北东向展布，与线路大角度相交。隧洞沿线地面高程一般为1989～2186m，谷底高程一般为1905～1960m，最大山顶高程2274m(杨家后山附近)。隧洞埋深主要在100～200m之间，最大埋深约337m，位于隧洞前段杨家后山附近。选择桩号WZCT0+575.000～WZCT0+686.500段进行研究，该段围岩类别为Ⅴ类，地层为中生代侏罗系妥甸组下段(J3t2)，岩性为紫红、紫灰、暗红色薄—中厚层状泥岩夹粉砂岩、泥质粉砂岩，粉砂质泥岩、砾岩、角砾岩，主要为泥质结构，层状构造，岩质软，局部坚硬，属于滇中红层软岩。

根据现场施工组织，对Ⅴ类围岩采用三台阶法施工(见图1)，上台阶高度为3～4m；
中台阶高度为4～5m；
下台阶高度为2.5m，台阶长度为4m，开挖进尺0.5～1.0m。开挖后立即进行喷、锚、网系统支护，架设钢支撑并复喷至设计厚度。在整个施工流程中，影响工程进度的因素众多，如施工工序、每个工序的人员配置、设备情况等。本文以各工序施工时间及人员配置为出发点，基于XGBoost原理建立数学模型，分析整个施工过程中其控制性作用工序。通过各个工序的人员配置，利用建立的XGBoost回归数学模型预测每一个施工开挖支护的总时间。

图1 三台阶法施工

2.2 数据分析

2.2.1 数据描述性分析

本文统计了隧洞施工过程中的各工序施工信息，包括施工进尺、各工序施工时间和人数以及施工循环的总时间在内的共计149组数据。由表1可知，由于围岩为Ⅴ类，每个循环最大进尺控制在0.5～1.4m之间，平均进尺为0.842m。

表1 施工各环节信息描述性统计表

2.2.2 特征重要性分析

在整个施工过程中，考虑各个工序的施工时间与总时间的关系，对特征的重要度进行分析，以便找到施工关键因素，从而更好地优化施工进度控制。由图2可以看出，立架时间在整个施工过程中占据主导地位，其重要度高达48.2%。喷锚时间的重要度排在第二位，为18.2%。再加上超前、锁脚以及测量时间，四者重要度总占比为92.2%，可认定为立架、喷锚、超前和锁脚以及测量时间为影响施工进度过程中的最主要因素。而开挖时间和焊锁脚、注浆时间的重要度仅分别为1.50%和1.20%，对整个施工进度影响相对较小。

图2 各工序施工时间重要度分布情况

因此，立架、喷锚、超前和锁脚及测量四个工序是主要控制的因素，其中最主要的是立架工序。在施工时间控制中，提高立架工序的效率，保持喷锚、超前和锁脚及测量工序间的时间衔接，可以大幅缩短整个工程的施工总时间。

2.3 XGBoost结果分析

根据本文第2节相关步骤，抛开各工序施工时间，主要以施工循环内各工序的施工人数配置和进尺作为影响因素，构建其与施工总时间之间的关系，建立隧洞施工时间预测模型，并用Python程序将此模型实现。为检验模型的泛化能力，保证对隧洞施工时间预测结果的可靠性，本文选取134组数据作为训练集，16组数据作为测试集。其中训练集约占90%，测试集约占10%，符合常规训练测试比例。因此，训练预测结果具有可靠性。

施工总时间的实际值和预测值以及两者的误差情况见表2。预测施工总时间和实际施工总时间之间的最大误差为3.51%，最小误差仅为1.21%，且平均误差为1.98%，因此可以判定基于XGBoost算法对施工总时间的预测是可信的。

表2 预测结果

由图3可知，在16组测试数据中，预测总时间分布在实际总时间上方的有9个，分布在实际总时间下方的有7个。即有56.25%的预测总时间大于真实时间，43.75%的预测总时间小于真实时间，分布相对均匀。

图3 施工总时间的实际值和预测值关系图

综上所述，根据各工序施工人员配置和进尺，使用XGBoost算法对施工总时间进行预测，其结果误差较小，且分布较为均匀(不是全部预测值过大或全部预测值过小)，预测结果较为稳定。研究表明：应用XGBoost算法可以根据各工序的施工人数配置对施工总时间进行预测，其结果满足施工组织要求，本文方法可以为施工进度控制分析提供参考。

本文以滇中引水工程楚雄段伍庄村隧洞为研究对象，结合隧洞进口段Ⅴ类围岩的现场施工开挖支护情况，利用XGBoost算法构建施工进尺、施工人员配置和施工总时间之间的关系，利用特征重要度分析提出了施工时间优化方案，并根据各施工工序的人员配置和开挖进尺对施工总时间进行预测。主要得出以下结论：

a.立架、喷锚、超前和锁脚及测量四个工序是主要控制因素，其中最主要的是立架工序。在施工时间控制中，提高立架工序的效率，保持喷锚、超前和锁脚及测量工序间的时间衔接，可以大幅缩短整个工程的施工总时间。

b.XGBoost算法对施工总时间预测的平均误差为1.98%，误差较小，可满足误差要求，具备一定的指导意义。本文方法可为隧洞施工组织管理提供一种新的分析思路。

c.本文只针对Ⅴ类围岩隧洞施工进度控制开展了研究，取得了满意的结果，后续将依托其他类围岩隧洞施工进行进一步研究。