利用粒子群优化算法，在隧道冻结修复过程中实现基于数字孪生的温度场优化

《AUTOMATION IN CONSTRUCTION》：Digital twin–driven temperature field optimization in tunnel freezing restoration using particle swarm optimization

基于PSO算法的隧道冻结修复数字孪生模型在泰国曼谷项目中的应用，通过实时温度数据与有限元仿真结合，实现动态参数优化与温度场精准预测，验证了PSO算法相比GA和DE更强的全局优化能力，并提出了多阶段PSO优化策略平衡计算效率与精度。

　　

周杰|班超|刘成军|李泽尧|周华德|尚新明

同济大学土木工程学院岩土工程系，中国上海四平路1239号，200092

摘要

温度场的分布和演变是冻结修复项目中的关键问题，而传统方法由于传感器布置稀疏和模拟输入简化而存在局限性。需要更有效和准确的方法来确定温度场。本文开发了一种基于PSO（粒子群优化）的数字孪生模型，并通过泰国曼谷的一个隧道冻结修复项目进行了验证。通过整合实时现场温度数据，该模型能够动态优化参数，从而提高精度。单参数优化可实现快速收敛，非常适合早期校准；而多参数优化则在复杂条件下提升性能。在这些情况下，PSO的表现优于GA（遗传算法）和DE（差分进化算法）。当使用多个测量点时，模型可能会遇到局部最优解。混合优化策略（GA-PSO）提供了一种有效的方法来缓解这一问题。本文证明了该模型的可行性和有效性，为复杂冻结环境中的动态温度管理提供了一种实用方法。

引言

人工地面冻结（AGF）是一种工程技术，通过冻结土壤形成冻结帷幕来控制地下水渗漏并提高土壤稳定性[1,2]。由于其出色的安全性和在复杂地质条件下的可控性，AGF也被用于紧急工程修复[3,4]。然而，这种紧急情况的突发性对AGF提出了更高的要求[5]。一方面，由于现场调查不足，事故现场的精确地质参数（如含水量分布和热导率）往往缺失，导致冻结方案的设计高度依赖于经验假设。另一方面，冻结过程涉及多物理场耦合[6,7]，延迟调节可能导致冻胀、解冻沉降以及对周围结构的不利影响。传统的监测方法（温度钻孔、变形监测点）受到空间分辨率和实时能力的限制，难以在整个冻结过程中实现精细控制。数字孪生技术提供了一个虚拟表示，能够在数字空间中反映物理实体的整个生命周期[8,9]。在工程领域，学者们将数字孪生定义为使用高精度虚拟模型结合测量数据来数字化定义和建模工程实体的组成、特性、功能和性能的过程[10,11]。将数字孪生技术集成到冻结修复项目中，可以实现实时数据采集和冻结过程的动态模拟，结合数值模拟和相关算法。这种集成既提高了工程安全性，也提升了施工效率，同时实现了“感知-分析-决策-执行”的智能迭代过程。因此，数字孪生技术为推进基于AGF的修复工程项目提供了一种新的、有前景的方法。

近年来，数字孪生技术已广泛应用于工程领域的各个领域，包括大坝安全管理[12]、桥梁维护[13]、智能挖掘[14]、边坡稳定性分析[15]、城市基础设施运营和维护[16]，展示了其广阔的应用前景和显著的技术潜力。张[17]利用遥感、地理信息系统（GIS）和全球定位系统（GPS）开发了一个虚拟地质模型，并通过环境数据和历史灾害记录进行更新。通过应用BP神经网络，预测了灾害发生的概率，实现了预警效果。刘[18]为边坡建立了数字孪生模型，并根据监测数据和过去的边坡性能记录预测了边坡稳定性。冯[19]根据BO-LGBM建立了数字孪生系统，用于预测和分析现有隧道的变形，并建立了用于做出关于现有隧道变形控制的明智决策的可视化DT平台。特别是在地下空间工程中，结构的隐蔽性、地质条件的复杂性和施工环境的动态不确定性往往使得传统方法难以及时捕捉变化并有效响应[20,21]。数字孪生技术能够创建地下结构的虚拟模型，将实时监测数据与数值模拟结果相结合，实现动态感知、可视化分析和地下环境的智能预测。何[22]利用机器学习和有限元分析构建了隧道环境的数字孪生系统，以应对高温水涌入的风险。该系统通过实际案例得到了验证。数字孪生方法有助于提升地下工程的信息化和智能化管理，同时显著提高了整个项目生命周期中的风险识别和控制能力[23,24]。

在上述工程建设中，材料属性、几何配置和边界条件等各种不确定性对数字孪生模型的建立和应用构成了重大挑战[25,26]。这些因素显著影响了数字孪生框架内数值模型的结果。传统的数值建模方法通常依赖于经验值或静态参数设置，这限制了它们准确捕捉复杂工程过程实际演变的能力，尤其是在突发事件或环境条件快速变化的情况下。此外，关键参数的可行范围往往定义不明确，因此有效调整和优化这些参数对于提高模型的准确性和可靠性至关重要[27]。通过引入PSO[28,29]、GA[30]、DE[31]等智能优化方法，可以高效探索高维参数空间，识别最优解，不断改进模型输入，并显著提升数值模型对复杂条件的适应性。其中，PSO是一种受鸟类群觅食行为启发的基于种群的优化算法。GA是一种受生物进化过程启发的全局优化方法，源于自然选择和遗传机制的模拟。DE与GA类似，也是一种基于群体智能理论的优化方法，其核心概念是“差分进化”。许多研究人员将这些优化算法与人工智能技术相结合，开发了预测和优化导向的模型。吴[32]建立了GA-BP神经网络，用于预测吸力沉箱在安装过程中的机械行为。刘[33]开发了结合径向基函数（RBF）和PSO算法的预测模型。通过整合熵权重方法，该模型用于优化灌浆材料的混合比例，并通过测试验证了最佳组合。阮[34]采用了混合自适应神经模糊推理系统（ANFIS）和PSO机器学习模型，根据收集的土壤样本数据预测土壤的再压缩系数，并利用PSO优化ANFIS模型的参数。胡[35]提出了基于PSO算法校准DEM参数的新框架。案例研究表明，这种方法可以自动确定与实验室测试结果一致的最佳DEM输入参数。因此，将优化算法集成到数字孪生模型中进行参数优化，可以最小化数值模拟结果与实际测量数据之间的差异，从而提高数字孪生模型的准确性和可靠性。

总之，冻结修复项目的地质条件非常复杂，可用时间有限，需要开发一种高效、可靠且可实时更新的数字工具来支持施工安全管理和风险控制。本研究的目标是建立一种将数值模拟与现场测量相结合的数字孪生模型，实现隧道冻结修复项目中的实时优化和校准，以便进行动态监测和预测，然后评估模型的适应性。因此，基于AGF在隧道冻结修复项目中的应用，提出了一种适用于复杂地质条件的数字孪生模型。通过引入PSO（考虑其快速收敛和强大的搜索能力）和其他优化算法，提出了一种高效的数值模型参数优化方法，并将其与有限元模拟软件集成，实现了自动参数更新和动态模型校正。这种方法有效优化了关键热参数，显著减少了数值模拟结果与现场测量之间的差异，并建立了更能反映实际条件的高精度模型。数字孪生模型有效支持了温度场预测和预警应用。本研究的技术进展包括：（1）提出了一个闭环数字孪生框架，实现了实时采集现场温度数据和自动校准数值模型；（2）进行了全局敏感性分析，以识别关键热参数，有效降低了优化维度和计算复杂性；（3）开发了一种多阶段PSO优化策略，平衡了实时性能和收敛精度，从而提高了参数优化的效率。本研究为复杂冻结系统的动态优化和智能控制提供了理论基础和实践指导，探索了将智能优化算法与数字孪生技术相结合的新范式，为实现数字孪生模型的自动优化和持续进化提供了可行的途径。

部分摘录

工程背景

该隧道建设项目位于泰国曼谷。在盾构隧道施工过程中，由于操作不当，当挖掘到达垂直竖井时发生了坍塌。事故导致多个盾构隧道段发生沉降，使土壤颗粒侵入隧道和竖井。坍塌后，最初计划进行灌浆以改善土壤条件并协助隧道修复。然而，由于土壤的复杂性

数字孪生模型的运行框架

以曼谷的人工地面冻结修复项目为例，本文提出了一种基于PSO算法的冻结工程数字孪生模型。数字孪生模型的运行框架如图2所示。具体设计过程如下：

• (1)
  数值模型开发：根据调查数据确定研究目标，并建立表示实际条件的初步数值模型。

结果与讨论

本节展示了所提出的数字孪生框架在实际现场条件下的性能。基于冻结修复现场的测量温度数据，评估了数值预测准确性、参数更新行为和优化性能。通过逐步分析，系统地证明了所提出方法的有效性和工程适用性。

结论

为了开发一种更高效、更准确的方法来确定和预测冻结修复项目关键区域的温度场演变，从而为现场操作提供实时指导和科学决策支持，基于PSO建立了泰国曼谷隧道冻结修复的数字孪生模型。通过将实时现场温度数据与基于偏微分方程的数值模型和PSO相结合，提出了

作者贡献声明

周杰：监督、项目管理、方法论、资金获取。班超：写作——审稿与编辑、写作——初稿、可视化、验证、软件、资源、调查、形式分析、数据管理。刘成军：验证、软件、方法论、数据管理。李泽尧：软件、数据管理。周华德：方法论、资金获取、概念化。尚新明：监督、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究工作得到了中国教育部“长江青年学者计划”（编号：Q2022101）、国家自然科学基金（编号：42477182）以及“中泰合作计划”（编号：kz0023020241452）的支持。