作者：李晓静，张永华，杨为民，王锦江；

单位：１.山东建筑大学土木工程学院 ２.山东大学齐鲁交通学院３.中铁十八局集团有限公司；

来源：应用基础与工程科学学报

时间：2025年6月

背景

在全球城市化加速与国家交通基础设施建设需求激增的驱动下，隧道工程量持续扩大，全断面隧道掘进机（TBM）作为高效开挖设备被广泛应用。同时，工程现场常面临小样本数据问题。小样本学习虽然可在有限数据下挖掘潜在规律，但如何在数据稀缺时避免过拟合并保持良好泛化性仍是挑战。在此背景下，探索将深度学习与生成式对抗网络（GAN）结合的预测与数据增强策略，为解决TBM运行参数高精度预测和小样本困境提供了新的技术途径，也为类似小样本工程应用提供了可借鉴的思路和方法。

主要贡献

1.提出深度学习与GAN融合的新框架：构建DNN、LSTM、CNN等深度学习模型，并与GAN结合，实现TBM运行参数预测和小样本扩充。

2.验证小样本扩充效果：利用GAN生成高质量数据，有效缓解TBM施工中样本不足问题，提升预测模型的鲁棒性和泛化性能。

3.工程级验证与应用：模型在吉林引松工程和青岛地铁工程中均表现出良好性能，验证了模型的有效性和泛化能力，在施工决策优化、效率提升与成本降低取得显著成果.

方法

基于GAN模型提出的深度学习预测方法融合了数据生成和参数预测两个阶段。

1.在数据生成阶段，GAN 模型的生成器与 DNN、LSTM、CNN 等深度学习架构进行耦合，以增强数据生成能力。

2.生成器输出的数据作为预测阶段的输入，再通过相应的深度学习模型进行参数预测。

该方法不仅利用 GAN 模型生成高质量数据，还结合深度学习模型的分析与预测优势，显著提高了 TBM 运行参数预测的准确性。

实验

数据集：依托吉林中部城市引松供水工程开展研究，选取TBM在特定某一天的实际工程数据，涵盖了左右侧护盾压力、主驱动电机扭矩及输出功率、刀盘转速、刀盘扭矩、刀盘功率、推进压力、贯入度和总推力等多种关键数据特征类型。

经过数据预处理后，可用于TBM运行参数预测的有效数据量大为减少。为了构建能够在实际施工中进行实时预测的模型，必须有充足的数据作为支撑.因此验证TBM施工数据扩充方法的有效性变得尤为关键。这篇论文选用生成式对抗网络(GAN)作为扩充数据的策略。

FID分数越低，表明生成数据与真实数据在统计特性上的一致性越高。对GAN模型生成的数据直方图分析显示，生成数据与真实数据在中心趋势方面呈现出高度的吻合性。其不仅对现有数据集具有有效的扩充作用，还为基于GAN模型的深度学习预测方法新架构开展训练与验证工作做基础。

实验分析

综合评估表明，所有模型在TBM运行参数预测中的均方根误差（RMSE）和平均绝对误差（MAE）均处于可接受范围，整体差异不大，均具备良好的预测能力。

在多种模型中，GAN-CNN表现最为突出：

精度最高：其决定系数（R²）达到全组最高，预测值与实际数据拟合度最佳。

收敛最快：仅需 8 次迭代即可达到稳定收敛，训练效率明显优于其他模型。

GAN-CNN 模型的卓越性能主要得益于卷积神经网络（CNN）结构在序列数据处理上的优势。CNN 层通过局部连接和权重共享有效减少模型参数，不仅显著加快了训练速度，也提升了模型的泛化能力。

相比之下，DNN 模型由于未能充分利用数据的内在结构，预测表现相对较弱；而 LSTM 模型虽然能够捕捉时间序列中的长期依赖性，但训练效率仍不及 CNN 模型。

总结

论文针对TBM运行参数预测中数据稀缺与实时性不足的问题，提出了“深度学习+GAN”联合预测与数据扩充方法。系统的数据预处理、模型优化及GAN生成机制有效提高了预测精度与模型泛化能力。该方法在实际工程中的成功应用表明，它是一种可推广的智能化解决方案。