盾构隧道施工阶段地面沉降预测的时空相对环段建模框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:A spatiotemporal relative-ring modeling framework for construction-stage ground settlement prediction in shield tunnelling

【字体: 大 中 小 】 时间:2026年10月21日 来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY 8.7

编辑推荐:

   摘要:盾构隧道施工阶段的地层沉降预测仍具有挑战性,因为沉降监测数据稀疏且不规律,而盾构施工数据密集且与移动施工过程密切相关。现有的基于时间的预测方法和直接回归方法通常将连续施工阶段的影响压缩为当前或终态响应,因此无法明确表征盾构掘进过程中的沉降演化。本研究提出了一种时空相对环

  

摘要:盾构隧道施工阶段的地层沉降预测仍具有挑战性,因为沉降监测数据稀疏且不规律,而盾构施工数据密集且与移动施工过程密切相关。现有的基于时间的预测方法和直接回归方法通常将连续施工阶段的影响压缩为当前或终态响应,因此无法明确表征盾构掘进过程中的沉降演化。本研究提出了一种时空相对环模型框架,根据盾构与每个监测断面之间的相对位置重新组织隧道数据。该框架预测分阶段沉降增量,并在以断面为中心的相对环窗口内重建累积沉降响应。为适应稀疏监督,开发了一种分箱聚合掩码感知多任务模型,联合学习过程级沉降增量和窗口末端累积响应。该框架使用广州地铁18号线的现场数据,在后继断面和跨线验证方案下进行了评估。结果表明,窗口末端重建的平均绝对误差(MAE)分别为0.84毫米和0.79毫米,优于传统的局部特征回归和序列基线方法。结果表明,相对环组织、分箱聚合和面向过程的监督为稀疏现场监测条件下的施工阶段沉降预测提供了一种有效且可解释的方法。

引言:盾构隧道施工引起的地层沉降是城市地下建设中的主要问题,因为它直接影响施工安全、邻近基础设施和地面服务功能(Hollmann and Thewes, 2013, Oliveira et al., 2019, He et al., 2020, Qian et al., 2021, Shi et al., 2024, Song et al., 2024)。因此,准确预测施工阶段沉降对于开挖过程中的扰动控制、施工调整和风险预警至关重要。然而,盾构推进过程中的沉降演化受开挖扰动、注浆补偿、地质变异性、几何条件和变形历史等因素的耦合作用控制,使其成为一个高度动态和非线性问题(Ocak, 2013, Jallow et al., 2019)。这些因素随着隧道掘进机(TBM)的推进而持续变化,使沉降预测成为一个动态时空问题。

大量研究致力于隧道施工引起的沉降预测。早期研究主要依赖经验公式和基于物理的方法,建立沉降与施工、地质或几何变量之间的关系。代表性例子包括高斯型经验沉降槽模型及其后续扩展(Peck, 1969, Mair et al., 1993, Celestino et al., 2000),以及不同地质和边界条件下隧道施工引起的地层响应的解析和数值研究(Sagaseta, 1987, Cattoni et al., 2016, Zhang et al., 2020, Yang et al., 2021)。这些方法为沉降评估奠定了基础,通过提供地层响应的可解释描述,并阐明关键施工和地质因子的作用。然而,它们的实际应用通常受到简化假设、计算成本或对复杂和异质现场条件适应性有限的制约。

随着现场监测和盾构施工数据的积累,机器学习模型越来越多地被用于改善非线性和多因素条件下的沉降预测。提升方法、支持向量回归、随机森林、神经网络及其优化变体已被用于将沉降响应与覆土深度、注浆参数、土压、贯入度、推力和地质指标联系起来(Furtney et al., 2022, Mahmoodzadeh et al., 2022, Kim et al., 2022, Chang et al., 2023, Qiao et al., 2024, Bo et al., 2024, Kannangara et al., 2024)。这些研究表明,数据驱动模型能够捕捉复杂的非线性关系,而这些关系难以仅通过传统经验拟合来表征。此外,可解释机器学习已被用于识别主导变量、量化非线性效应,并支持参数优化或变形控制(Chen et al., 2025)。然而,许多此类研究仍将沉降预测视为表格回归问题,将施工、地质和几何变量直接映射到当前或终态沉降值。虽然这种方案对结构化数据集有效,但它可能将施工过程压缩为静态特征向量,并削弱对盾构推进过程中沉降演化的表征。

另一条重要的研究路线将沉降视为时间索引序列。在此方案中,利用历史沉降观测和施工记录来预测给定监测点未来时刻的沉降。对于长期隧道沉降,Zhang等(2024)提出了经验信息驱动的神经网络,包括EFBNN和EICNN,以嵌入S形沉降演化知识并提高分布外泛化能力。Wang等(2025)开发了一种基于ARMA的时间序列分解方法,在预测前将地表沉降分离为施工引起和随机引起的分量。He等(2026)提出了VSA-BiLSTM模型,结合变分模态分解、注意力机制和循环神经网络,以更好地捕捉施工阶段沉降序列中的突变局部变化。这些研究表明沉降具有强时间依赖性,当有相对连续的监测记录时,分解或序列学习可以提高预测性能。然而,其主要索引仍为绝对时间,这适用于监测点外推,但不能明确描述沉降如何随盾构机接近、通过和远离目标断面而发展。

并行地,一些研究考虑了沉降的空间形态。例如,Wang等(2026)结合数值模拟、经验沉降槽公式和可解释AutoML来预测双盾构隧道施工引起的横向沉降槽,从而保留沉降剖面的空间结构。Mahmoodzadeh等(2022)专注于EPB盾构施工期间的纵向沉降预测,并引入盾构机与监测断面之间的距离作为解释变量。这些研究表明沉降不仅是时间依赖响应,还与空间分布以及TBM与监测断面之间的相对位置密切相关。然而,在大多数现有的基于TBM距离、环号或纵向位置的方案中,位置信息主要用于预测给定观测、断面或终态的沉降。与盾构通过连续阶段相关的中间沉降演化通常未被明确预测。因此,不同施工阶段产生的沉降效应被有效地压缩为当前或终态沉降响应,难以量化沉降在整个盾构通过过程中的发展。

近年来,隧道施工中的机器学习应用已向多源数据融合、可解释学习、物理信息建模和智能施工控制方向发展。Xu等(2024)开发了多保真度DeepONet框架,融合数值模拟和监测数据以实现实时隧道沉降预测。Chen等(2025)结合可解释机器学习和多目标优化,用于盾构下穿过程中的变形控制。Liu等(2026)提出了一种时空信息驱动的代理模型,整合几何、地质、隧道施工和历史沉降信息,而Sun等(2026)将深度强化学习融入数字孪生框架以进行累积沉降管理。物理信息集成学习也已在稀疏现场测量条件下的沉降预测中得到探索(Zhang et al., 2026),Wang等(2026)结合数值建模、经验公式和可解释AutoML来预测盾构引起的沉降槽。这些最新研究展示了从传统表格回归向面向过程的、多源的、可解释的智能建模的明确转变。然而,许多此类方法仍依赖于相对对齐良好的输入数据,或聚焦于当前、终态或空间沉降响应,对稀疏和不规则监测下的施工阶段沉降演化仍不够明确。

尽管取得了这些进展,当现有方法应用于实际盾构隧道施工项目中的施工阶段沉降预测时,仍存在三个局限性。第一,许多基于预测的方法沿绝对时间组织样本。这适用于外推现有监测点的响应,但不直接对应TBM接近、穿越和通过目标断面所引起的扰动阶段。第二,现有的基于TBM距离、环号和纵向位置的方案通常聚焦于预测特定观测或终态的沉降。虽然盾构位置可作为解释变量或空间索引被包含,但盾构通过连续阶段产生的沉降未被明确建模。因此,施工过程被压缩为当前或终态响应,沉降的分阶段发展仍未解决。第三,在现场监测条件下,直接进行高分辨率时空学习仍然困难,因为盾构施工数据连续且高频,而沉降观测稀疏、低频且分布不均匀。因此,局部施工窗口内的许多相对位置可能有有效的施工特征但无对应的沉降标签。

这些局限性表明,施工阶段沉降预测不仅需要更强大的预测模型,还需要更合适的问题表述方式。特别是,预测任务应围绕目标断面附近的局部隧道施工过程来组织,以保留盾构通过过程中的沉降演化,而非仅依赖绝对时间或将连续施工阶段的影响压缩为单一当前或终态响应。受此启发,本研究将施工阶段沉降预测重新表述为相对环响应建模问题。以每个目标断面为参考,隧道施工过程通过TBM相对于该断面的相对环位置来表示。这样,断面周边的关键扰动阶段可以在以断面为中心的相对环窗口内表达,沉降响应可表示为分阶段增量,其累加重建累积沉降演化。基于此重新表述,本研究提出了一种时空相对环建模框架,称为SRRM。其主要实现SRRM-BMT结合分箱聚合表示、掩码感知稀疏监督和多任务学习来预测分箱沉降增量并重建累积沉降响应。此外,还研究了趋势-残差分解扩展SRRM-TRD,以检验输出端分解是否能增强不同验证方案下的工程预测。

本文其余部分组织如下。第1节描述项目背景。第2节描述监测数据集、盾构施工记录、地质信息和预处理过程。第3节提出所提的问题重新表述,包括以断面为中心的相对环响应表示、分箱聚合掩码感知样本构建和SRRM-BMT建模框架。第4节介绍验证方案、对比方案、模型设置和评估指标。第5节报告预测性能、分箱分辨率分析、模型变体比较和基于SHAP的解释结果。第6节讨论相对环表述的意义、稀疏过程监督的作用、不同模型变体的可迁移性以及剩余局限性。第7节总结主要结论。

工程背景:本研究基于广州地铁18号线的盾构隧道施工项目,该线路从万顷沙延伸至广州东站,途经南沙区、番禺区、海珠区和天河区。研究段位于横沥站与番禺广场站之间,施工环境复杂且敏感,涉及水道、高架桥、居民区和既有道路,如图1所示。

本研究重点关注……之间的隧道段。

数据来源与预处理:本研究使用的数据包括四大类别:地表沉降监测数据、盾构施工数据、地质背景信息和线路相关几何数据。地表沉降监测数据提供盾构推进过程中观测到的变形响应。盾构施工数据通过高频机械和施工参数描述开挖和注浆过程。地质背景信息用于表征地下……

相对环响应表述:传统的施工阶段沉降预测通常被表述为时间窗口预测任务,如图7(a)所示。对于监测点或断面,利用历史沉降观测和近期施工记录来预测未来时间步的响应。此表述可写为(Zhang et al., 2024, Wang et al., 2025, He et al., 2026):

y_{i,t+1:t+h} = f(y_{i,t-k+1:t}, X_{t-k+1:t}, z_i)

其中i表示监测点或断面,t是当前……

实验设置:本研究采用了两种验证方案,如图9所示。第一种是后继断面预测方案,按施工顺序排列断面,并遵循第2.4节描述的开发-验证-测试策略进行划分。在验证子集和独立测试集之间引入了64米缓冲带,以减少因空间邻接和预定义[-20,+20]区间重叠导致的潜在信息泄露……

两种验证方案下的总体预测性能:所有方案的总体预测性能汇总于图10和图11。

图10比较了使用MAE、RMSE和P90AE的直接窗口末端累积沉降预测结果。在后继断面预测方案下,方案1和方案2的MAE值分别为1.74毫米和1.66毫米。

SRRM-BMT(方案 4)的直接窗口末端响应头取得了相当的 1.65 mm 平均绝对误差(MAE),而方案 5 和基于 SG3 的 SRRM-BMT-TRD 扩展(方案 6)

讨论
结果证实,施工阶段沉降预测受益于按相对环位置而非日历时间来组织响应。监测断面的沉降随着盾构机接近、经过和远离该断面而发生变化。因此,如果收集于不同日期的记录对应相似的盾构 - 断面相对位置,它们仍可以代表相似的施工阶段。这解释了为什么以断面为中心的相对环

结论
本研究为盾构隧道的施工阶段地表沉降预测开发了一个时空相对环建模框架。而不是将沉降预测视为传统的绝对时间预测或直接终端回归问题,所提出的框架根据盾构机与目标断面之间的相对位置来组织每个监测断面。这种重构使得盾构通过前、中、后的沉降响应得以

CRediT 作者贡献声明
黄思源:撰写 - 初稿,方法论,正式分析,数据管理,概念化。
钟晓春:撰写 - 审查与编辑,监督,项目管理,资金获取,概念化。
云强:撰写 - 审查与编辑,调查,资金获取。
罗淑怡:撰写 - 审查与编辑,调查。
秦建设:撰写 - 审查与编辑,调查。
冯图根:撰写 - 审查与编辑,监督。

利益冲突声明
作者声明他们不存在已知可能影响本文报告工作的竞争性财务利益或个人关系。

黄思源 | 钟晓春 | 云强 | 罗淑怡 | 秦建设 | 冯图根
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号