付占一院士发表论文：零周期工程机械智能控制的土壤行为预测模型

付占一院士论文：《用于零周期工程建筑机械智能控制系统的土壤行为预测神经网络模型》成功发表在俄罗斯科教部最高学术委员会的分区，1区期刊。

作者：付占一

职位： 博士后研究员

单位： 莫斯科国立罗蒙诺索夫大学

地点： 俄罗斯，莫斯科

ORCID： 0009-0008-8605-497X

收稿日期： 2025年6月15日

接受日期： 2025年7月14日

发表日期： 2025年8月30日

UDK分类号： 624.131.4:004.894

VAK分类号： 2.1.7. 建筑工程技术与组织（技术科学）

OECD分类号： 02.01.FA 建筑与施工技术

摘要

本研究致力于开发和应用于零周期工程创建建筑机械智能控制系统的土壤行为预测神经网络模型。研究确定，由于土壤与机械设备工作部件相互作用的复杂非线性特性，零周期土方工程中预测土体变形和稳定性的传统方法精度不足。本研究提出了一种集成卷积层和循环层并带有注意力机制的多层次神经网络模型架构，与传统的机器学习模型相比，其预测精度提高了27.8%。所开发的方法同时考虑了土壤状态指标与建筑机械运行参数之间的空间和时间相关性。在12个具有不同类型土壤的建筑工地上进行的实验研究表明，采用所开发的系统可使燃料消耗降低18.5%，挖土作业生产率提高23.7%，并将事故风险降低32.1%。所得结果表明，将神经网络技术集成到建筑机械控制系统中，对于优化建筑零周期工程过程具有巨大潜力。

关键词

神经网络建模，土壤行为，智能控制系统，建筑机械，零周期，深度学习，注意力机制，变形预测。

引言

建筑零周期工程，包括基坑开挖、地基建造和地下管线铺设等一系列工作，是建筑过程中最重要的阶段之一。零周期工程执行的效率不仅决定了项目的建设工期，还决定了其后续使用的可靠性和安全性。该阶段的复杂性在于需要考虑多种因素：土壤的物理力学性质、水文地质条件、建筑机械的技术参数以及环境限制（Choi，2023）。

在现代建筑要求提高工作精度、最小化成本和缩短工期的背景下，组织和控制零周期土方工程的传统方法表现出效率不足。开挖基坑时，实际挖出土方量平均超出计算量12-15%，导致资源浪费和建筑成本增加（Sujatha，2023）。此外，对土壤行为预测不够精确会增加发生事故的风险，例如基坑壁坍塌以及周围建筑物和构筑物变形（Li，2024）。

现代建筑机械自动化方法主要基于确定性模型，这些模型无法考虑机器工作部件与土壤环境相互作用的非线性特性，并适应不断变化的工作条件。正如学者（Zhou，2023）指出的，现有的建筑机械控制系统主要侧重于维持开挖面的给定几何参数，而未考虑土壤的流变特性及其在开挖过程中的变化。应用人工智能方法，特别是神经网络模型，为创建自适应建筑机械控制系统开辟了新的可能性，该系统能够预测土壤行为并实时优化设备工作模式。根据 Kolay 的研究数据（Kolay，2024），引入基于神经网络的智能控制系统可将挖土作业生产率提高达30%，燃料消耗降低15-20%。

尽管近年来神经网络建模领域取得了显著进展，但将这些技术用于预测零周期工程中的土壤行为仍是一个研究较少的领域。现有的研究主要集中于预测地基下土壤沉降（Xie，2023）、模拟土壤固结（Karatas，2024）和评估边坡稳定性（Juen，2023）。然而，预测土壤与建筑机械工作部件动态相互作用，并在此基础上开发智能控制系统的问题仍未得到充分研究。

本研究的现实性在于需要开发新的土壤行为建模方法和创建建筑机械智能控制系统，以确保提高零周期工程效率和安全性。研究目的是开发土壤行为预测的神经网络模型，并在此基础上创建用于零周期工程的建筑机械智能控制系统。

为实现既定目标，制定了以下任务：

1. 分析零周期工程中土壤行为建模和建筑机械控制的现有方法。

2. 开发一种神经网络模型架构，确保在考虑时空依赖性的前提下高精度预测土壤行为。

3. 创建基于土壤状态监测数据和建筑机械运行参数构建训练样本的方法。

4. 基于所提出的神经网络模型开发建筑机械智能控制系统。

5. 在不同土壤条件下对所开发系统的有效性进行实验验证。

材料与研究方法

本研究基于综合方法，集成了数据分析、神经网络建模和技术系统控制方法。用于建筑机械智能控制系统的土壤行为预测神经网络模型的开发和验证过程包括几个连续的阶段。第一阶段，在12个具有不同土壤条件的建筑工地收集实验数据。研究于2024年3月至10月期间在住宅和工业建筑项目上进行。场地选择考虑了土壤条件的多样性：涵盖了不同密度和湿度的砂土、黏土、砂壤土和壤土。在每个工地上，对零周期土方工程执行前、执行中和执行后的土壤状态进行了监测。

数据收集使用了一套设备，包括压力、湿度、温度和变形传感器，这些传感器安装在基坑周边和底部的土体中。传感器数据实时传输到服务器进行后续处理和分析。同时，借助安装在机器上的遥测系统收集建筑机械（挖掘机、推土机、自卸卡车）工作参数的信息。记录了以下参数：工作部件的位置和方向、移动速度、燃料消耗、发动机负载、液压系统压力等。

数据采集频率为10 Hz，从而形成了反映土壤状态和机械工作参数动态变化的代表性样本。收集的信息总量约为2.5 TB，涵盖了不同阶段和工作模式。第二阶段，开发了土壤行为预测神经网络模型的架构。基于对复杂动态系统建模现有方法的分析（Chaudhary，2024；Li，2024），提出了一种混合架构，集成了用于处理空间数据的卷积神经网络（CNN）和用于模拟时间依赖性的长短期记忆循环神经网络（LSTM）。为了提高数据序列处理效率，额外引入了注意力机制（Wang，2024）。开发的模型由以下主要组件组成：

1. 输入层，接收表征土壤状态和建筑机械工作参数的多维时间序列。

2. 卷积层块，用于从输入数据中提取空间特征。

3. LSTM层块，用于模拟时间依赖性。

4. 注意力机制，用于识别最重要的特征和时间间隔。

5. 全连接层，用于形成土壤行为预测。

模型训练使用带有自适应学习率和L2正则化的Adam算法。训练在NVIDIA A100图形处理器上使用TensorFlow框架进行。模型质量评估使用以下指标：均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）。第三阶段，基于所提出的神经网络模型开发了建筑机械智能控制系统。系统包括以下组件：

1. 数据收集和预处理子系统，确保从安装在土壤中的传感器和建筑机械遥测系统获取信息。

2. 基于所开发神经网络模型的土壤行为预测子系统。

3. 建筑机械工作模式优化子系统，根据土壤行为预测形成控制指令。

4. 用户界面，提供当前土壤状态可视化、其行为预测以及机械控制建议。

为优化建筑机械工作模式，采用了带有自适应步长的梯度下降算法，该算法能够根据预测的土壤行为和目标工作效率指标（生产率、燃料消耗、操作质量），找到控制参数（移动速度、挖掘深度、工作部件倾角等）的最佳值。

第四阶段，进行了实验研究以评估所开发系统的有效性。测试在三个具有不同类型土壤（砂土、黏土和壤土）的建筑工地上进行。在每个工地上，土方工程既使用了所开发的智能控制系统执行，也使用了传统方法执行。为确保结果可比性，每个工地使用了相同类型的机械，由具有相当技能水平的操作员操作。测试过程中记录了以下指标：挖土作业生产率（m³/h）、燃料消耗（l/m³）、遵守设计标高的精度（cm）、事故发生的频率和性质。

实验结果的统计处理使用方差分析（ANOVA）方法，以揭示传统控制方法与所开发智能系统之间的显著差异。为了评估测量不确定性，使用了Bootstrap方法，构建了测量指标的95%置信区间。

结果与讨论

研究结果表明，所开发的土壤行为预测神经网络模型及其基础上的建筑机械智能控制系统相比于传统方法具有显著优势。根据研究任务对获得的数据进行了分析。

研究的关键方面之一是评估不同机器学习模型预测土壤行为的精度。使用未参与模型训练的测试样本进行了一系列实验。表1展示了所开发模型与传统机器学习方法在均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）标准下的比较结果。

表1. 不同模型预测土壤行为精度的比较

模型 MSE (mm²) MAE (mm) R²

线性回归 432.7 ± 21.5 18.4 ± 0.9 0.42 ± 0.03

随机森林 283.1 ± 15.2 12.8 ± 0.7 0.64 ± 0.02

梯度提升 218.6 ± 12.7 10.3 ± 0.6 0.73 ± 0.02

简单神经网络 (MLP) 189.3 ± 11.2 9.1 ± 0.5 0.77 ± 0.02

CNN 165.7 ± 9.8 8.2 ± 0.4 0.81 ± 0.01

LSTM 142.9 ± 8.4 7.3 ± 0.3 0.84 ± 0.01

所提模型 (带注意力机制的 CNN-LSTM) 98.5 ± 5.2 5.1 ± 0.2 0.91 ± 0.01

从提供的数据可以看出，所开发的带注意力机制的CNN-LSTM混合模型在所有指标上均表现出最佳结果。与传统的机器学习模型（线性回归、随机森林、梯度提升）相比，它将预测误差降低了超过2倍。还需注意的是，在混合架构CNN-LSTM中集成注意力机制，与普通LSTM模型相比，将预测精度提高了31%。

图1. 土壤行为预测模型有效性分析

（图略）

为了更详细地分析所开发模型的有效性，进行了根据不同土壤类型预测精度的研究。结果如表2所示。

表2. 所开发模型预测不同类型土壤行为的精度

土壤类型 MSE (mm²) MAE (mm) R²

砂土 87.3 ± 4.8 4.6 ± 0.2 0.93 ± 0.01

砂壤土 92.7 ± 5.1 4.9 ± 0.2 0.92 ± 0.01

壤土 106.8 ± 5.7 5.4 ± 0.3 0.90 ± 0.01

黏土 112.5 ± 6.2 5.7 ± 0.3 0.88 ± 0.02

岩石 124.7 ± 7.3 6.2 ± 0.4 0.85 ± 0.02

从表2可以看出，该模型在预测砂土和砂壤土行为时表现出最高的精度，而对于黏土和岩石，预测精度稍低。这可能是由于黏土具有更复杂的流变行为和岩石的高度不均匀性。

研究的一个重要方面是评估不同特征对于预测土壤行为的相对重要性。利用集成在所开发模型中的注意力机制，对分配给不同输入参数的权重系数进行了分析。分析结果如表3所示。

表3. 预测土壤行为的特征相对重要性

特征 相对重要性 (%)

土壤湿度 23.8 ± 1.2

土壤密度 18.7 ± 0.9

粒度组成 15.3 ± 0.8

挖掘深度 12.9 ± 0.7

土壤温度 9.4 ± 0.5

工作部件压力 8.2 ± 0.4

机械移动速度 6.8 ± 0.3

工作部件倾角 4.9 ± 0.2

从提供的数据可以看出，对预测土壤行为最重要的因素是土壤本身的物理特性：湿度、密度和粒度组成。工艺过程参数也产生显著影响：挖掘深度和建筑机械工作部件上的压力。所得结果与土壤与建筑机械工作部件相互作用过程中发生的物理过程本质一致。

为了评估所开发的建筑机械智能控制系统的实际有效性，在三个具有不同类型土壤的建筑工地上进行了对比测试。在测试过程中，比较了在传统控制（由经验丰富的操作员操作）和使用所开发智能系统情况下机械工作的效率指标。测试结果如表4所示。

表4. 建筑机械工作效率对比指标

指标 传统控制 智能系统 变化 (%)

生产率 (m³/h) 42.3 ± 2.1 52.3 ± 1.8 +23.7

燃料消耗 (l/m³) 0.92 ± 0.05 0.75 ± 0.03 -18.5

偏离设计标高 (cm) 8.7 ± 0.4 3.2 ± 0.2 -63.2

事故频率 (起/1000 m³) 2.8 ± 0.2 1.9 ± 0.1 -32.1

测试结果表明，使用所开发的智能控制系统可显著提高建筑机械的工作效率。挖土作业生产率提高了23.7%，同时燃料消耗降低了18.5%。尤其值得注意的是，遵守设计标高的精度（偏差减小了63.2%）和事故发生频率（降低了32.1%）得到了改善。

图2. 建筑机械智能控制系统有效性评估

（图略）

为了更详细地分析所开发系统的有效性，进行了各种因素对挖土作业生产率影响的研究。

表5. 因素对工作效率影响的方差分析结果

因素 平方和 自由度 均方 F统计量 p值

土壤类型 1238.5 2 619.3 42.7 <0.001

控制方法 3842.7 1 3842.7 265.1 <0.001

交互作用 329.6 2 164.8 11.4 <0.001

残差 871.2 60 14.5 - -

方差分析结果表明，土壤类型和控制方法对挖土作业生产率均有统计学上的显著影响。同时观察到这些因素之间存在显著的交互作用，这表明智能控制系统相对于传统方法的优势因土壤类型而异。为了可视化因素的交互作用，图1展示了不同控制方法下挖土作业生产率随土壤类型的变化关系。

（图注略）

从因素交互作用的分析可以得出，智能控制系统在黏土作业中提供了最大的生产率提升（29.8%），而在砂土作业中生产率提升为18.5%。这是因为黏土具有更复杂的流变行为，相较于传统的经验方法，神经网络方法能更好地对其进行建模。

所开发系统实际应用的一个重要方面是其对外部条件，特别是气象因素变化的稳定性。表6展示了气象条件对土壤行为预测精度影响的研究结果。

表6. 气象条件对土壤行为预测精度的影响

气象条件 MSE (mm²) MAE (mm) R²

干燥天气 89.4 ± 4.9 4.7 ± 0.2 0.92 ± 0.01

雨后 126.8 ± 7.2 6.4 ± 0.3 0.85 ± 0.02

雨中 158.3 ± 9.1 7.9 ± 0.4 0.79 ± 0.02

霜冻 (低于 0°C) 143.7 ± 8.3 7.2 ± 0.4 0.82 ± 0.02

降雪 171.2 ± 10.5 8.5 ± 0.5 0.76 ± 0.03

对提供数据的分析表明，气象条件对土壤行为预测精度有显著影响。预测精度在干燥天气下最高，而有降水（雨、雪）和负温会导致精度下降。这解释了土壤在湿度和温度变化时物理力学性质的改变。

为了提高模型对气象条件变化的稳定性，开发了一种基于短期观测结果实时更新模型参数的自适应校准方法。表7展示了在不同气象条件下基础模型和自适应模型预测精度的比较结果。

表7. 不同气象条件下基础模型与自适应模型预测精度比较

气象条件 基础模型 (R²) 自适应模型 (R²) 提升 (%)

干燥天气 0.92 ± 0.01 0.93 ± 0.01 +1.1

雨后 0.85 ± 0.02 0.90 ± 0.01 +5.9

雨中 0.79 ± 0.02 0.87 ± 0.01 +10.1

霜冻 (低于 0°C) 0.82 ± 0.02 0.88 ± 0.01 +7.3

降雪 0.76 ± 0.03 0.84 ± 0.02 +10.5

结果表明，应用自适应校准可以显著提高不利气象条件下的预测精度。最大效果出现在雨中或降雪期间，精度改善超过10%。

为了评估引入所开发智能控制系统的经济效益，以一个零周期土方工程量为50,000 m³的典型住宅小区建设项目为例，进行了成本效益分析。表8展示了传统方法和智能方法控制建筑机械的经济指标分析结果。

表8. 不同方法执行土方工程的经济指标

指标 传统控制 智能系统 变化 (%)

工期 (天) 42 34 -19.0

燃料消耗 (升) 46,000 37,500 -18.5

工资成本 (千卢布) 3,780 3,060 -19.0

燃料成本 (千卢布) 2,760 2,250 -18.5

机械折旧成本 (千卢布) 1,680 1,360 -19.0

系统引入成本 (千卢布) 0 1,200 -

总成本 (千卢布) 8,220 7,870 -4.3

经济效益 (千卢布) - 350 -

经济指标分析表明，在零周期工程中引入建筑机械智能控制系统，对于一个土方工程量为50,000 m³的典型项目，可产生35万卢布的经济效益（占总成本的4.3%）。经济效益是通过缩短工期、降低燃料消耗以及相应减少工资和机械折旧成本实现的。

值得注意的是，经济效益随着土方工程量的增加和土壤条件的复杂化而增加。此外，由于工作质量的提高和事故风险的降低，还会产生未包含在此次分析中的额外经济效益。

结论

进行的研究证明了应用神经网络技术预测土壤行为和创建用于零周期工程的建筑机械智能控制系统的高度有效性。所开发的集成卷积层和循环层并带有注意力机制的混合神经网络架构，能够高精度预测不同类型土壤在不同运行条件下的行为。

传统机器学习方法与所开发神经网络模型的比较分析显示了后者的优势：预测的均方误差从432.7 mm²（线性回归）降至98.5 mm²，决定系数从0.42提高到0.91。这表明采用所提方法显著提高了土壤行为预测的精度。在不同类型土壤上对所开发的建筑机械智能控制系统进行实际测试的结果表明，关键工作效率指标得到改善：生产率提高了23.7%，燃料消耗降低了18.5%，偏离设计标高的程度减少了63.2%，事故频率降低了32.1%。经济分析证实了引入所开发系统的可行性：对于一个土方工程量为50,000 m³的典型项目，经济效益为35万卢布（占总成本的4.3%）。

（数据详情见：俄罗斯科教部最高学术委员会的分区，1区期刊。）

作者介绍：

付占一，九三学社社员，祖籍山西省运城市临猗县孙吉镇安昌村（原荣河县）人，后迁至山东曲阜，1972年9月出生于河北唐山。俄罗斯工程院院士、英国皇家工艺院终身院士、美国波士顿大学材料科学与工程博士，莫斯科大学博士后、博士后研究员、莫斯科大学终身校友、新能源领域技术专家、国际可再生能源协会常务副主席、中国发明协会会员。

审核：小易

编辑：kkyyj