智能预测双护盾隧道施工引起的地表沉降槽:基于数值建模-经验公式-可解释的自动化机器学习融合方法的见解
《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:Intelligent prediction of surface settlement troughs induced by twin shields tunnelling: Insights from a numerical modelling-empirical formulation-interpretable automated machine learning fusion method
【字体:
大
中
小
】
时间:2026年01月14日
来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY 7.4
编辑推荐:
双盾隧道地表沉降槽预测方法创新研究:通过数值模拟生成2000组数据,结合经验公式提取6个特征参数,采用AutoML模型(平均R2达0.9835)实现沉降分布预测,并验证了施工参数与几何参数对沉降形态的调控作用,工程案例验证其可靠性。
王成文|刘晓莉|谢伟强|苏彦琳|Ju英童
清华大学水利水电工程国家重点实验室水力工程系,北京100084,中国
摘要
在人口密集的城市地区,双护盾隧道的建设变得越来越普遍。准确预测双护盾隧道施工引起的地表沉降对于风险缓解和精细沉降控制具有重要意义。本研究提出了一种新颖的智能方法,该方法结合了数值模拟、经验公式和自动化机器学习(AutoML)来预测双护盾隧道施工引起的地表沉降槽。使用一个经过充分验证的数值模型(考虑了11个输入参数,包括地质、几何和运营因素),通过数值模拟生成了2000个沉降槽数据集。随后,应用了一种改进的叠加方法提取沉降槽的六个特征控制参数,从而构建了一个高质量的数据集。然后开发了一个多输出AutoML模型来预测双隧道引起的沉降槽的控制参数。与六个传统的机器学习模型和两种经典的集成策略相比,AutoML模型表现出更高的预测准确性和泛化能力,训练集和测试集的平均R2值分别为0.9977和0.9835。采用Shapley加性解释(SHAP)方法分析了AutoML模型的可解释性。结果表明,施工参数(如隧道收缩比)对最大沉降有显著影响,而几何参数(隧道直径、埋深和双隧道间距)对沉降槽的形状也有调节作用,从而为设计优化和精确施工控制提供了宝贵的指导。
引言
随着城市化的迅速发展,城市地下轨道交通系统的建设已成为缓解交通拥堵的重要手段,并且经历了显著的增长(Wang等人,2025b;Wang等人,2024a)。由于其高机械化程度、广泛的适用性、快速的施工速度和最小的环境干扰,护盾隧道技术被广泛采用(Wang等人,2024c;Wang等人,2023;Wang等人,2023)。为了满足对地下空间日益增长的需求,双护盾隧道的发展变得越来越普遍,成为现代城市隧道建设的主要布局形式之一(Wang等人,2025c)。尽管护盾隧道技术取得了显著进展,但隧道挖掘不可避免地会引起地表沉降。准确预测双护盾隧道施工引起的地表沉降(包括其大小和空间范围)对于确保施工安全至关重要。地表沉降受工程条件(Qiu等人,2025)、地质力学性质(Huang等人,2025;Wang等人,2020)和运营参数的复杂相互作用的影响,这些因素的耦合效应给准确预测双隧道沉降行为带来了重大挑战。因此,开发一个稳健可靠的预测框架来预测双护盾隧道引起的地表沉降槽是必要的,以提高施工安全性和参数优化。
研究人员采用了多种方法来研究隧道施工引起的地表沉降。传统方法主要依赖于经验公式和数值模拟。经验公式方法的典型代表是经典的Peck公式。Peck(1969)基于大量的现场测量数据,首次推导出一个经验表达式,即Peck公式,用于描述单隧道挖掘引起的地表沉降曲线。对于双隧道施工情况,O’Reilly和New(1991)首次提出了一种叠加方法来获得双隧道的整体沉降曲线。Ocak(2014)、Fang等人(2015)和Chen等人(2018)通过引入间距相关系数进一步改进了该方法,以实现更准确的沉降槽预测;然而,他们的修改主要针对并排双隧道配置。Wang等人(2025a)基于改进的叠加框架提出了一个双隧道沉降曲线的经验表达式,引入了两个影响系数来描述不同隧道排列下的相互作用效应。此外,Wang等人(2025d)将两个几何参数纳入叠加框架,构建了一个用于描述双隧道相互作用下第二隧道引起的沉降的非对称高斯模型,取得了令人满意的预测结果。值得注意的是,尽管经验公式方法在表征性能上取得了优异成绩并被广泛采用,但沉降槽参数的确定仍然是一个主要挑战,这限制了经验方法在沉降预测中的潜力。随着计算机技术和建模技术的进步,数值模拟方法(如有限元方法(FEM)(Nematollahi和Dias,2019;Zhang等人,2016)、有限差分方法(FDM)(Wang等人,2024b)和离散元方法(DEM)(Kota等人,2025;Wu等人,2022)逐渐成为研究隧道挖掘引起的沉降的重要工具。其中,FEM和FDM由于其高计算效率而被最广泛用于沉降预测。精细的数值模型可以全面考虑复杂地质条件、护盾-土壤相互作用、衬砌结构和隧道施工过程等关键因素,从而显著提高沉降预测的准确性。在双隧道沉降预测方面,Do等人(2022;Do等人,2016;Do等人,2015;Do等人,2015)使用FDM开发了一系列精细的三维数值模型。他们详细分析了隧道间距、施工参数和滞后距离对并排和堆叠双隧道配置的影响。Wang等人(2025a)对任意排列的双隧道进行了系统的三维数值分析,强调了隧道间距和偏移角对地表沉降曲线的影响。然而,基于物理的高保真数值建模复杂且耗时。此外,在初步设计概念阶段通常需要进行大量的参数分析,这对双护盾隧道施工过程中的实时应用数值模拟提出了重大挑战。
近年来,由于机器学习(ML)方法在多变量学习和非线性逼近方面的强大能力,它们被广泛用于预测隧道挖掘引起的沉降(Ye等人,2022)。研究人员采用了传统的ML算法,如支持向量机(Tang和Na,2021;Zhang等人,2017)、决策树(Huang等人,2023;Liu等人,2022)和随机森林(Kim等人,2022;Zhang等人,2020b),利用现有的施工数据预测挖掘引起的地面沉降,并分析隧道几何形状、地质条件、施工参数和地表沉降之间的关系(Wei等人,2025;Zeng等人,2025)。然而,传统的ML方法对非专家用户来说往往难以使用,适当的模型选择和超参数调整仍然是主要挑战。此外,它们的性能强烈依赖于特定任务的特征工程,这限制了它们的泛化能力。最近,AutoML的出现有效地解决了这些限制,为基于ML的预测提供了高效的建模和准确性改进工具(Wang等人,2025c)。此外,ML模型高度依赖于数据量和质量。然而,大多数隧道项目中监测数据的有限可用性往往导致模型泛化能力不足,新隧道项目的预测性能往往无法达到预期。因此,将ML与数值建模相结合已成为主流方向。通过使用数值模型在各种运营条件下生成沉降数据,并利用预先计算的模拟知识,ML算法可以快速预测类似现实世界条件下的沉降。目前,ML方法主要用于预测隧道挖掘期间的最大沉降,因为它们在低维预测任务中表现良好。然而,在建模具有多个空间输出的沉降槽时,训练复杂性显著增加,通常会降低预测准确性。因此,需要经验方法来准确提取沉降槽特征,实现降维,并在保持曲线保真度的同时提高ML预测准确性。到目前为止,只有少数研究探索了这一方向,它们的应用仍然具有项目特异性,普遍性有限(Chen等人,2025a;Wang等人,2025d)。
因此,本研究提出了一种结合数值模拟、经验公式和机器学习的方法来预测双护盾隧道施工引起的地表沉降槽。所提出方法的整体技术框架如图1所示。通过工程案例研究验证的高保真数值模拟,结合了地质力学、几何和运营参数的影响,生成了大量双隧道地表沉降曲线。使用经验公式提取沉降曲线特征,并通过AutoML开发了预测模型。将模型的性能与通过超参数调整优化的传统ML模型进行了比较。此外,还进行了可解释性分析和实际案例验证,以评估所提出模型的稳健性和适用性。本文的其余部分组织如下:第2节回顾了现有的用于预测双护盾隧道地表沉降曲线的机器学习方法。第3节描述了使用稳健的数值建模技术提取沉降槽特征和生成数据集的过程。第4节比较和评估了AutoML和传统ML模型的性能。第5节讨论了所提出的AutoML模型的可解释性和实际工程适用性。第6节提出了本研究的结论。
AutoML
AutoML通过数据预处理、特征工程、模型选择和超参数优化自动化了ML模型的构建和优化,为初学者和专家用户提供了高效且可扩展的解决方案。本研究采用了一种新颖的AutoML框架AutoGluon(Fakoor等人,2020),通过多层堆叠整合多个模型,在可比的训练时间内实现了更好的预测性能。
双护盾隧道引起的沉降槽的特征和控制系数
双隧道建设变得越来越普遍,通常采用交错挖掘方法。首先挖掘的隧道称为第一隧道(FT),随后挖掘的隧道称为第二隧道(ST)。由于FT和ST的连续挖掘,双隧道之间的相互作用是不可避免的。结合地质条件和施工参数,这种相互作用导致了复杂的沉降槽。图11说明了
AutoML模型的搜索时间优化
在AutoML中,必须预先定义搜索时间,以避免导致过度计算资源消耗的无限制训练过程。搜索时间是影响AutoML模型性能的关键因素。通常,较长的搜索时间往往会产生更好的预测性能。然而,随着搜索时间的增加,性能改进逐渐趋于平稳。
AutoML模型与经典集成策略模型的比较
为了进一步评估AutoML模型的预测性能,实现了两种集成学习策略:投票回归和堆叠回归,并将其与AutoML进行了比较。投票回归通过加权平均多个基础学习器的输出来生成最终预测,对应于软投票方法。在本研究中,使用投票回归方法整合了六个传统的ML模型。堆叠回归采用了一种层次融合机制
结论
本研究提出了一种新颖的智能预测方法,结合了数值模拟、经验公式和AutoML来预测双护盾隧道引起的沉降槽。使用数值模拟和经验公式的组合生成了双隧道沉降槽的全面数据集,并基于AutoGluon框架开发了AutoML预测模型。通过定量评估系统地评价了预测模型的性能
CRediT作者贡献声明
王成文:撰写——原始草稿、可视化、验证、软件、方法论、资金获取、正式分析、数据管理、概念化。刘晓莉:撰写——审阅与编辑、监督、项目管理、概念化。谢伟强:撰写——审阅与编辑、验证。苏彦琳:验证。Ju英童:可视化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(项目编号52509150)、CPSF博士后奖学金计划(项目编号GZC20252149)和清华树木学者计划(项目编号2024SM267)的支持。
生物通微信公众号
生物通新浪微博
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