《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:SBAS-InSAR analysis for ground settlement in longest railway tunnel in South Korea
编辑推荐:
本研究利用Sentinel-1A卫星数据和SBAS-InSAR技术监测韩国Yulhyeon隧道地面沉降,分析其四个部分的年均沉降率,揭示东、西侧差异,证实SBAS-InSAR在长期变形监测中的有效性。
洪敏成(Minsung Hong)|傅朗(Lang Fu)|李钟旭(Jong-Sub Lee)|朴泰永(Taeyong Park)|徐亨俊(Hyungjoon Seo)
韩国首尔科技大学土木工程系,首尔,01811
摘要
本研究利用Sentinel-1A卫星数据监测了位于韩国的一条铁路隧道中的地面沉降情况。该隧道名为Yulhyeon隧道,由四个部分组成:车站本身、明挖隧道、盖挖箱涵以及掘进隧道。为了分析施工后的长期地面变形情况,研究人员收集了2018年至2025年的C波段卫星数据,并应用SBAS-InSAR技术对这些数据进行处理以估算地面沉降量。分析结果显示,四个部分的沉降曲线均呈时间序列变化,7年间的沉降变化如下:SRT Suseo车站部分的平均沉降量为每年约0.07毫米,明挖隧道部分为每年2.42毫米,盖挖箱涵部分为每年0.64毫米,掘进隧道入口部分为每年1.67毫米,而入口部分之后的区域沉降量为每年0.24毫米。在隧道周边区域,西侧的地面沉降与隧道上方相似或更大,而东侧的沉降则随着距离隧道的增加而减小。本研究证明了SBAS-InSAR技术在监测地面变形方面的有效性,为评估隧道及其周边区域的稳定性提供了宝贵的数据,并能够实现对大范围区域长期沉降情况的分析。
引言
随着城市化进程的加快,地下空间的利用日益活跃,推动了铁路和公共交通等基础设施的扩展(Ariaratnam等人,2021年)。特别是与重大交通基础设施项目相关的隧道建设活动日益增多,地面沉降已成为一个关键问题。隧道建设引起的地面沉降不仅可能表现为即时和短期的现象,还可能在施工后的数月甚至数年内逐渐累积,从而影响地下结构的稳定性(Ochmanski,2018年;Hill和Staerk,2016年)。因此,本研究的主要目的是监测隧道竣工后的长期地面变形情况,特别关注可能威胁地下结构稳定性的渐进性和累积性沉降。全球已有多起隧道竣工多年后仍出现地面沉降的案例。例如,在伦敦Jubilee Line Extension项目中,现场测量数据分析表明沉降持续了五年之久,某些位置的长期沉降量达到了约100毫米(Harris,2002年);同样,在Crossrail SCL项目中,Whitechapel和Liverpool Street车站附近的隧道施工后地面沉降持续了2.5年,长期沉降量与短期沉降量相当,导致总地面损失达2.3%(Hill等人,2016年)。这些案例强调了精确和持续监测地面沉降的必要性,不仅是在施工后立即进行,而且要在长期内持续监测。此外,地面沉降的后果不仅限于地下结构本身,还可能包括地表结构损坏、道路变形、经济损失以及对公共安全的威胁。在交通和住宅基础设施密集的地区,这一点尤为重要,因为地下结构的异常会直接影响市民的日常生活,因此确保地下结构的稳定性至关重要。因此,对这些地下结构进行持续监测和定量分析至关重要。隧道建设引起的地面沉降受多种因素影响,如施工方法、地质条件和地下水位波动等。了解地面变形的特征对于城市基础设施的稳定运行和维护至关重要(Ter-Martirosyan等人,2022年;Huat等人,2024年)。
通常用于监测地面变形的方法包括激光扫描、GNSS和精密水准测量(Barbarella等人,2015年;Tan等人,2023年;Yang等人,2022年)。激光扫描基于点云数据高精度分析坡度或地表变形,而GNSS则用于地下结构及其周边地面的长期变形监测。精密水准测量是最传统的沉降监测方法,近年来也有研究将GNSS技术结合使用以提高垂直位移测量的准确性。然而,这些传统监测技术在空间分辨率、时间连续性和成本方面存在局限性。例如,TLS技术适用于分析隧道内部几何形状和结构变形(Sun等人,2020年;Seo,2021年),但在检测大范围地面沉降时效果有限。GNSS在城市地区的精度会因信号干扰而降低(Weng等人,2023年),而精密水准测量需要长时间的工作和较高的成本(Bitelli等人,2000年)。特别是,这些传统监测技术在覆盖大范围空间和保证时间连续性方面存在不足,因此往往只能监测施工期间的变形或短期变化。为克服这些局限性,基于卫星的干涉合成孔径雷达(InSAR)技术得到了越来越广泛的应用(Giardina等人,2019年;Ramirez等人,2022年)。InSAR能够在数公里范围内进行重复的高精度观测,从而实现长时间内的毫米级地表沉降监测。最初用于地质灾害监测(如活火山和断层带,Bürgmann等人,2000年;Pritchard和Simons,2004年),近年来其应用范围已扩展到城市基础设施安全评估,包括地面沉降监测、结构稳定性评估和边坡失稳检测(Wu等人,2023年)。InSAR通过跟踪随时间保持稳定散射特性的目标来检测地面变形。主要检测目标是持久散射体(PS)和分布式散射体(DS)。持久散射体指的是建筑物、桥梁或裸露岩石等在长时间观测中保持稳定后向散射特性的单个物体;分布式散射体则代表植被或覆盖土壤的表面,其中单个像素可能波动,但整体显示出统计上均匀的散射行为。基于这些散射特性,开发了不同的InSAR技术。持久散射体InSAR(PS-InSAR)依靠持久散射体点来估计位移,适用于密集建筑的城市环境;而小基线子集InSAR(SBAS-InSAR)同时利用分布式散射体,能够在植被茂密或持久散射体密度低的区域进行时间序列变形分析,从而实现稳定的长期地面变形监测(Li等人,2020年)。因此,世界各地已有多种InSAR技术被用于监测地面和结构的短期和长期变形(Jiang和Yu,2025年;Shang等人,2025年)。
近期研究进一步证明了InSAR在隧道相关变形监测中的适用性。例如,Karunathilake等人(2024年)应用PS-InSAR评估了东京一个人口密集居住区上方隧道的沉降情况,发现两年内的累积位移量达15毫米;在山区环境中,Lyu等人(2024年)使用SBAS-InSAR监测了中国Dongelu铁路隧道上方的地面变形,发现沉降速率为每年1-3毫米。除了直接的地面变形外,Liu等人(2023年)还提出了基于PS-InSAR的非均匀沉降指数,用于评估隧道施工对老旧建筑的风险,突显了隧道施工引起的沉降对结构的广泛影响。这些研究展示了InSAR在城市和山区隧道环境中的应用进展,同时也强调了将其扩展到大规模高速铁路隧道进行更全面长期评估的必要性。
本研究重点关注Suseo–Pyeongtaek高速铁路的Yulhyeon隧道,该隧道是连接首尔都市区与周边城市的核心交通基础设施,分析了隧道开通后约七年的长期地面沉降特征。Yulhyeon隧道是一个复杂的地下结构,采用了明挖隧道、盖挖箱涵以及新奥地利隧道施工法(NATM)等多种施工方法。部分路段在隧道开通后出现了重复的地面变形,尤其是隧道下方的抬升现象,需要维护干预。由于某些路段发生了地面变形,本研究选择了乘客流量较大的车站以及结合了明挖隧道、盖挖箱涵和掘进隧道的路段进行监测。由于研究区域大部分被山脉和植被覆盖,因此采用了SBAS-InSAR技术来稳定提取时间序列地面变形数据。通过这种方法,监测了Yulhyeon隧道竣工后的长期地面变形情况,并对每个路段的最大位移、年平均位移和空间沉降特征进行了定量分析。
此外,在沉降较为集中的位置还进行了垂直于轨道的横向分析,以更全面地评估隧道周围的地面变形情况。研究结果有望为城市基础设施的稳定维护和预测性管理系统的开发提供支持。未来将这种方法应用于其他地区和结构,可能展示出扩展长期监测框架的潜力。
InSAR沉降测量原理
干涉合成孔径雷达(InSAR)的基本原理是通过测量同一卫星轨道在不同时间获取的两张或多张雷达图像之间的相位差来检测地面变形。如图1所示,卫星发射的雷达信号从地球表面反射回来。在理想情况下,如果两次测量之间没有地面变形,反射相位应保持一致。然而,实际情况下
研究区域介绍
本研究旨在测量Yulhyeon隧道随时间的变化情况。如图3a所示,Yulhyeon隧道属于Suseo–Pyeongtaek高速铁路线的一部分,该线路全长61.1公里,其中Yulhyeon隧道段约占线路长度的83%。隧道深度约为50米,掘进长度约为50.3公里,是韩国最长的铁路隧道,也是全球第四长的掘进隧道。
沉降和抬升可视化结果的解释
图11展示了基于首张和最后一张SAR图像之间的相对位移,显示了Yulhyeon隧道及其周边地区的地面沉降和抬升分布情况。红色区域表示地面抬升,蓝色区域表示地面沉降。图11a展示了本研究中分析的四个路段的概览;图11b对应于SRT Suseo车站段,观察到整体地面抬升趋势;图11c
讨论
本研究应用SBAS-InSAR技术分析了Yulhyeon隧道沿线的地面沉降情况。结果显示,SRT Suseo车站段在七年的监测期间有轻微的抬升现象,整体位移量较小,因此被认为是地质稳定的。相比之下,明挖隧道段的沉降量最大,累计位移量约为28毫米。掘进隧道段也
结论
本研究使用SBAS-InSAR技术定量分析了Yulhyeon隧道沿线的长期地面沉降特征,时间跨度约为七年。分析的主要发现如下:
1)在所有路段中,明挖隧道段的沉降量最大,最大位移约为28.6毫米,年平均沉降率为2.42毫米。
作者贡献声明
洪敏成(Minsung Hong):负责撰写初稿、数据可视化、验证、项目管理和正式分析、数据整理。傅朗(Lang Fu):负责撰写、审稿与编辑、验证、软件开发、方法论设计、正式分析、数据整理。李钟旭(Jong-Sub Lee):负责撰写、审稿与编辑、验证、监督、资源协调、项目管理和资金争取、概念构思。朴泰永(Taeyong Park):负责撰写、审稿与编辑、验证、正式分析、数据整理。徐亨俊(Hyungjoon Seo):负责撰写
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了韩国国家研究基金会(NRF)的资助(由韩国政府(MSIT)提供,项目编号:RS-2021-NR060085)。