隧道掘进地震超前预报技术的发展历程与前瞻:从主动源探测到TBM噪声成像的综合诊断

《Journal of Geophysics and Engineering》:Chronicles and prospects of tunnel seismic prognosis

【字体: 大 中 小 】 时间:2026年01月06日 来源:Journal of Geophysics and Engineering

编辑推荐:

  本刊编辑推荐:为解决隧道掘进过程中前方不良地质体(如断层、岩溶洞穴、高压涌水等)超前预报的难题,研究人员系统回顾了隧道地震预报技术(TSP、TRT、SAP等主动源HSP方法)及随钻地震技术(SWD/TSWD)的发展历程,并提出融合多源数据与人工智能的隧道随钻地震综合诊断(TSPWD)新范式。该研究通过整合洞内与地表地震阵列、主动与被动震源信号,结合端射波束成形与深度学习算法,显著提升了超前探测的精度与实时性,对保障TBM安全高效掘进具有重要工程意义。

  
在现代隧道工程建设中,隧道掘进机(Tunnel Boring Machine, TBM)以其高效、安全、对周边环境影响小等优势,已成为长大隧道开挖的首选技术。全球TBM市场规模从2024年的60亿美元预计增长至2033年的81亿美元,其中中国更是成为全球最大的TBM生产国和使用国。然而,TBM的高速掘进(日均进尺可达50–100米)也带来了新的挑战:掘进面前方不良地质体(如断层、岩溶洞穴、高压涌水、残余孤石等)的突发遭遇窗口时间极短,一旦应对不当,可能导致设备损坏、卡机、工期延误甚至人员伤亡。因此,如何在TBM抵达危险区段前,精准、实时地“看清”前方地质条件,成为隧道工程安全建设的核心难题。传统的超前地质预报方法可分为侵入式和非侵入式两类。侵入式方法(如超前钻探、导洞开挖)虽能直接获取岩芯信息,但存在耗时、成本高、探测范围有限且干扰掘进进程的缺点。非侵入式地球物理方法,特别是地震勘探技术,因其探测距离远、分辨率高、信息丰富而备受青睐。
早期的隧道地震勘探主要依赖主动震源,发展出了隧道地震预报(Tunnel Seismic Prediction, TSP)、水平声波探测(Horizontal Sound Probing, HSPr)、隧道反射层追踪(Tunnel Reflector Tracing, TRT)和地震超前探测(Seismic Ahead Prospecting, SAP)等一系列技术。这些基于主动震源的方法可统称为水平地震剖面(Horizontal Seismic Profiling, HSP)方法。HSP技术能够产生高频地震波场,实现高分辨率成像,但其最大弊端在于数据采集时必须暂停TBM掘进,以营造安静的观测环境,这不仅中断施工,而且耗时较长。例如,在一次水力隧洞的HSP勘探中,布设30个接收器、7个炮点,最大偏移距140米的观测系统需要半天时间进行数据采集。
随着TBM的广泛应用,利用其自身掘进产生的噪声作为震源进行连续地震探测的理念应运而生。这种被称为隧道随钻地震(Tunnel Seismic While Drilling, TSWD)的技术,继承自石油勘探领域的随钻地震(Seismic While Drilling, SWD)。TSWD的最大优势在于其非侵入、不中断掘进过程的实时数据采集能力。其基本原理是将TBM刀盘的破岩噪声视为连续震源,通过安装在刀盘或主轴承附近的参考传感器(Pilot Sensor)记录震源信号,再与布设在隧道侧壁或地表的检波器阵列记录进行互相关、反褶积或互相干分析,提取出反映前方地质界面的反射波信号,进而通过偏移成像等技术勾勒出掘进面前方的地质结构。
然而,TSWD技术也面临其固有的挑战。首先,隧道内有限的空间严重制约了接收器阵列的布设孔径,尤其是垂直于隧道轴线方向的横向覆盖范围不足,影响了成像的横向分辨率。其次,TBM噪声产生的波场频率相对较低(通常主频在10–100 Hz),且能量较弱,导致其成像分辨率通常低于主动源HSP方法。此外,TSWD的数据处理流程更为复杂,对信号提取和噪声抑制算法的要求更高。在某些工程情况下,由于安装条件的限制,无法在刀盘附近安装参考传感器,这进一步增加了数据处理的难度,需要借助盲反褶积(Blind Deconvolution)等算法来估计“虚拟”震源子波。
为了克服HSP和TSWD各自的技术瓶颈,实现更全面、连续、高精度的隧道前方地质预报,本文作者提出了隧道随钻地震综合诊断(Tunnel Seismic Prognosis While Drilling, TSPWD)的未来发展路线图。TSPWD旨在构建一个综合性的探测体系,其核心思想是充分利用一切可用的信息源:在时间上,实现连续观测,将主动源勘探(在TBM维护等停机间隙进行)、TBM噪声(相干震源)和环境背景噪声(随机震源)的探测数据有机结合,从而拓宽频率覆盖范围(高频用于近场高分辨率成像,低频用于远场探测)。在空间上,联合布设洞内线性阵列和地表观测阵列,显著增加成像所需的横向孔径。在信号处理方面,引入针对洞内均匀线性阵列(Uniform Linear Array, ULA)的端射波束成形(End-fire Beamforming, EFB)算法,有效增强对隧道正前方区域反射信号的聚焦能力,提升信噪比。在数据解释层面,深度融合人工智能(AI)深度学习技术,利用多层神经网络自动从多源地震数据中学习和提取地质特征,提高地质识别的准确性和效率。此外,TSPWD还强调将地震探测结果与TBM运行参数(推力、扭矩、掘进速度等)、其他地球物理数据(如地质雷达、电阻率法)以及数值模拟结果进行联合解释,形成对前方地质条件的“综合诊断”,并为潜在风险提供“治疗”方案,即决策支持。
在关键技术方法方面,本研究综述并展望了多项核心进展:
  1. 1.
    多源数据融合采集:设计并优化了能够同步或交替记录主动震源(如锤击、振动器)、TBM噪声和环境噪声的观测系统,包括洞内传感器阵列(如加速度计、 geophones)和地表宽频带地震台网。
  2. 2.
    先进信号处理与成像算法:重点应用了基于互相关/互相干的波场提取、逆时偏移(Reverse Time Migration, RTM)、最小二乘逆时偏移(Least-squares RTM)以及端射波束成形(EFB)等算法,以从复杂的噪声场中重构有效反射信号并实现高精度成像。
  3. 3.
    人工智能与深度学习:探索了卷积神经网络(CNN)用于速度反演、物理信息神经网络(PINN)用于构建动态数字孪生模型,以及深度神经网络(DNN)用于从TBM噪声中提取反射波场,旨在实现快速、自动化的地质解释。
  4. 4.
    实时数据处理与决策支持系统:致力于开发高效的数据传输、处理和可视化流程,结合分布式声学传感(Distributed Acoustic Sensing, DAS)等技术,力争实现近实时(如每日)的地质预报,为TBM操作提供即时决策依据。
研究结果
1. 隧道主动源地震勘探(HSP)奠定了高分辨率成像基础
研究表明,对于隧道内的主动源勘探,剪切波(S-wave)和沿隧道-围岩界面传播的瑞利波(Rayleigh wave)是进行前方探测的最有效波型。当瑞利波到达隧道掌子面时,会转换为高振幅的S波向前传播,遇到地质界面反射回来后再次转换为瑞利波被侧壁接收器记录(RSSR路径)。Bohlen等人(2007)通过三维有限差分弹性波模拟证实,RSSR波场的振幅远高于直接反射的体波。通过校正和叠加处理,可以有效压制RSSR波的频散效应,从而估算反射界面到掌子面的距离。在圣哥达基线隧道的现场试验中,该方法成功探测到了断层带,结果与地质调查和钻探资料吻合良好。
各种HSP技术(如TSP、HSPr、TRT、SAP)在具体观测系统上各有特点。例如,HSPr将震源和接收器直接布设在掌子面岩石上,能产生更直接、高频的反射波,探测距离可达约200米,但在TBM施工中实施极为困难。SSP方法则将高频振动源和传感器安装在TBM刀盘上,适用于软土地层,但探测距离较短(数十米)。TRT方法通过在隧道侧壁布设10-12个震源点和10-12个接收点,形成短孔径3D阵列,利用每个震源-接收对可能反射点的轨迹(椭球面)相交来定位地质界面。Liu等人(2017, 2018)提出的SAP方法通过优化定向加权滤波技术,有效消除了镜像假象,并通过3D观测系统提高了横向定位精度和分辨率。Chen等人(2020)采用自适应偏振分析进一步压制了对称假像。Liu等人(2022, 2023)则将最小二乘逆时迁移和层状速度反演引入隧道超前预报,提高了速度反演的收敛性和精度,并结合自编码器网络建立了波速与岩体分类的映射关系。Chen等人(2024b)基于反演得到的速度结构,应用变速度时间反转镜成像方法,在引松供水工程中更准确地探测了掌子面前的断裂带。Fang等人(2024)提出了基于贝叶斯更新的工作流,利用多期主动源地震数据量化隧道掘进风险,降低了地震预测的不确定性。
2. 随钻地震(SWD/TSWD)实现了连续非中断探测
SWD技术利用钻头噪声作为震源,通过钻柱顶部的参考传感器记录与地表阵列记录的互相关处理,生成类似于逆垂直地震剖面(Reverse VSP, RVSP)的地震记录。Poletto等人(2010)的研究表明,使用参考信号进行干涉重定位可显著提高钻头波场质量。在TSWD应用中,Petronio等人(2002, 2007)最早将这一理念引入隧道工程,利用TBM刀盘噪声作为震源,成功预测了隧道前方的断层。Li等人(2022)在中国松花江某供水工程中,通过优化TSWD数据处理流程(包括归一化、互相关、波场分离和偏移),成功识别了主要破碎带和断层边界。Brückl等人(2008)和Kreutzer等人(2014)也报道了成功的TSWD应用案例,证明了其在实际工程中的可行性。
针对无参考传感器的情况,Kazemi和Sacchi(2014)提出的稀疏多通道盲反褶积(SMBD)方法为从环境噪声中估计震源子波和反射系数序列提供了可能。Li等人(2019)将波束成形方法与逆时迁移相结合,提出了“扫描叠加”记录端波束成形RTM方法,模型试验和现场应用表明该方法具有更好的抗噪能力和更集中的成像能量。Nilot等人(2023, 2024)利用波束成形和相似性分析从被动记录中提取走时信息,通过反演获得了TBM刀盘前方的速度结构,并在复杂城市环境中实现了地质界面的实时预测。
3. 隧道随钻地震综合诊断(TSPWD)展望了未来技术融合方向
TSPWD并非单一技术,而是一个集成框架。Zhang等人(2024)报道了将地表波探测、TSWD和主动源超前探测相结合的隧道-地表一体化地震探测方法在杭州某工程中的应用,成功识别了五个破碎带,并通过TBM掘进参数和岩石强度测试得到了验证。Chen等人(2024a)利用TBM噪声作为震源,通过优化观测系统和粒子群优化(Particle Swarm Optimization, PSO)算法进行面波频散反演,在济南地铁隧道中成功探测到断层。Lu等人(2024)通过数值模拟评估了主动和被动源联合探测方法,提出了联合成像超前预测方法,通过多次叠加方案增强异常体反射波能量。Liu等人(2025)探索了在铁路隧道中利用ULA阵列和端射波束成形(EFB)处理TBM和环境噪声,探测到了掌子面前方约50米处的波阻抗界面。在AI应用方面,Ren等人(2021)设计了采集自适应的CNN用于隧道地震速度反演;Chen等人(2023b)利用改进的DNN从TBM钻井噪声中提取反射信号,并在高黎贡山隧道应用中成像了两个异常区。
结论与讨论
本文系统回顾了隧道地震超前预报技术的历史发展,从基于主动震源的HSP方法到利用TBM噪声的TSWD技术。HSP方法能够提供高分辨率图像,但需要中断掘进;TSWD方法实现了连续、实时的探测,但受限于隧道内狭窄的空间和较低的震源频率,其成像分辨率和横向覆盖能力不及HSP。为了克服现有技术的局限性,本文提出了隧道随钻地震综合诊断(TSPWD)的未来发展方向。TSPWD强调通过整合洞内与地表地震阵列、联合主动与被动震源(包括相干TBM噪声和随机环境噪声)、应用端射波束成形等先进信号处理算法、以及深度融合人工智能深度学习技术,构建一个全面的探测-诊断-决策支持系统。其最终目标是实现对整个隧道掘进过程的全天候、宽频带、高精度监测,形成对前方地质条件的“综合预后”(即诊断与治疗),从而极大提升TBM隧道施工的安全性、效率和智能化水平。随着传感器技术、计算能力和AI算法的不断进步,TSPWD有望成为未来智能隧道建设的核心技术支撑之一。
相关新闻
生物通微信公众号
微信
新浪微博

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