运营高速铁路管幕穿越期间施工沉降预测的物理引导深度学习方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：A physics-guided deep learning method for construction-induced settlement prediction during pipe-roof underpassing of an operating high-speed railway

　　

# 摘要

在超浅埋、富水软土地层条件下，采用管幕法下穿运营高速铁路时，变形控制具有高度敏感性。开挖扰动可能诱发隧道拱顶、地表及既有轨道的耦合沉降，直接威胁高速铁路的运营安全。针对现场监测数据有限、沉降响应存在显著时空耦合特征以及数值模拟与实际工程条件存在偏差等问题，提出了一种物理引导的深度学习施工诱发沉降预测方法，称为PG-STGAT（物理引导时空图注意力网络）。该方法将拱顶、地表和轨道监测点表示为图节点，基于空间邻近性和变形传递机制构建图结构。采用时间卷积网络和图注意力网络分别提取沉降的时间演化特征和空间相关性特征，同时在损失函数中引入数据拟合、时间连续性、空间协调性和变形传递一致性约束。使用九组多工况FLAC3D模拟数据进行预训练，随后利用现场监测数据进行微调，实现从模拟数据到实际工程数据的迁移。工程案例结果表明，PG-STGAT在测试集上分别取得了RMSE 0.1048 mm、MAE 0.0614 mm、MSE 0.0110 mm2、WMAPE 7.97%和R2 0.9869的性能指标。消融分析验证了物理引导、图注意力和时间特征提取的有效性。仅使用5%的现场监测数据进行微调时，R2仍保持在0.9129，模型在20%噪声条件下仍具有良好的预测性能。模型可解释性分析进一步揭示了拱顶、地表和轨道沉降之间的信息传递关系，验证了预测结果的物理一致性。所提出的数据-物理融合方法为管幕法下穿运营高速铁路施工诱发沉降的准确预测提供了一种潜在有效的工具。

# 引言

随着城市地下空间开发的日益增加以及既有交通基础设施改扩建需求的增长，复杂环境下的下穿工程日益普遍（Li等, 2024b; Liu等, 2024b）。由于施工扰动小且对地层条件适应性强，管幕法已成为环境敏感区域地下工程的重要施工工法（Lu等, 2022; He等, 2022; Lu等, 2024a）。然而，当采用管幕法下穿运营高速铁路时，由开挖卸荷、管幕顶进和支护转换引起的扰动会传递至上覆路基和轨道，诱发地表沉降、轨道不平顺和附加结构变形，从而威胁列车运行稳定性和既有铁路线的运营安全（Fu等, 2022; Wu等, 2024a; Wang等, 2024b）。因此，准确预测施工诱发沉降的时空演化规律，对于施工风险控制、监测预警和安全评估具有重要意义（Ramos等, 2024; Shan等, 2025）。

隧道施工诱发沉降受地层条件、支护结构、施工工序和既有结构约束等因素影响，表现出显著的非线性和时空耦合特征（Zhang等, 2024a; Wang等, 2024a）。目前，沉降预测主要依赖经验公式、解析理论、模型试验和数值模拟（Song等, 2024b; Liu等, 2024a; Tang等, 2024; Zhang等, 2024b）。经验公式和解析方法形式相对简单，但通常依赖理想化假设，难以适用于复杂工程条件（An等, 2024; Feng等, 2022）。模型试验可以揭示施工扰动下的变形机制，但成本较高且难以用于实时预测（Lu等, 2024b）。数值模拟方法能够更好地考虑复杂地质条件和施工过程，但计算效率低，且模拟结果与现场实测数据之间仍可能存在偏差（Li等, 2024a; Lyu等, 2025）。因此，传统方法在复杂环境条件下实现施工诱发沉降快速高精度预测方面仍存在一定局限性。

近年来，机器学习方法被广泛应用于隧道施工沉降预测（Song等, 2024a; Zhou等, 2023）。支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、反向传播神经网络（BPNN）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等模型在盾构隧道、基坑开挖和地下工程的变形预测中取得了良好效果（Tang和Na, 2021; Liu等, 2022; Kim等, 2022; Wang等, 2023; Wu等, 2024b; Su等, 2022）。这些方法能够从监测数据中挖掘非线性映射关系，具有较强的数据拟合能力。然而，纯数据驱动模型通常依赖大量高质量样本，缺乏显式的工程力学约束。因此，在现场数据有限、监测噪声显著或工况差异较大时，容易泛化能力不足（Niu等, 2024; Guan等, 2025）。为了提高预测模型的物理一致性和可解释性，物理信息驱动的数据驱动方法引起了越来越多的关注（Karniadakis等, 2021; Willard等, 2022）。现有研究通过引入控制方程、力学模型或物理方程残差等方式，提高了沉降预测模型的稳定性和准确性（Wang等, 2025; Cuomo等, 2022; Haghighat等, 2021; Baniya和Maity, 2025; Zhang等, 2025）。尽管物理信息方法可以提高沉降预测的物理一致性，但其对管幕法下穿运营高速铁路的适用性尚未得到系统验证。本研究基于我国首个采用管幕法下穿高铁区间路基的工程。该工程位于超浅埋、富水软土地层，在复杂地层条件、分阶段施工演化和列车动荷载的共同作用下，拱顶、地表和轨道沉降表现出显著的非线性时空耦合和变形传递特征，其机制难以通过直接解析公式完全描述。现有研究主要关注单一地表或建筑沉降，对多类型沉降响应的联合预测关注不足（Xu等, 2024; Zhang等, 2021）。同时，多工况数值模拟数据可以补充现场样本，但模拟数据与现场监测数据之间仍存在偏差。缺乏物理约束的模型可能偏离沉降演化机制（Cardoso-Bihlo和Bihlo, 2025; Aygun等, 2023）。因此，有必要开发一种融合数值模拟、现场监测和工程物理先验知识的数据-物理融合预测方法。

针对上述问题，本研究提出了一种用于管幕法下穿运营高速铁路施工诱发沉降预测的物理引导时空图注意力网络（PG-STGAT）（图1）。该方法以拱顶、地表和轨道沉降的协同演化作为预测目标，将三种沉降响应纳入统一预测框架。基于节点间的空间邻近性和跨类型变形传递关系构建图结构，采用时间卷积和图注意力机制提取施工过程中的时空特征。在模型优化过程中，引入时间连续性、空间协调性和变形传递一致性约束，以确保预测结果符合沉降的基本演化规律。针对现场监测样本有限以及数值模拟数据与现场监测数据之间存在偏差的问题，采用基于多工况FLAC3D数值模拟数据预训练与基于现场监测数据微调相结合的训练策略，以提高模型对实际工程沉降响应的适应性。基于我国首个下穿运营高速铁路的管幕法下穿工程的沉降数据，验证了所提方法的预测性能。本研究的主要贡献如下：

（1）提出了一种物理引导深度学习模型PG-STGAT，用于管幕法下穿运营高速铁路施工诱发沉降预测，实现了拱顶、地表和轨道沉降的联合预测。

（2）构建了考虑拱顶、地表和轨道沉降之间空间邻近性和变形传递关系的图结构，并将时间连续性、空间协调性和变形传递一致性约束引入联合损失函数，以增强预测结果的物理一致性。

（3）采用基于多工况FLAC3D模拟数据预训练与基于现场监测数据微调相结合的训练策略，缓解了现场监测样本有限的局限性，提高了模型对实际工程条件下沉降响应的适应性。

（4）基于实际工程案例开展了预测性能、消融、小样本、噪声鲁棒性和模型可解释性分析，验证了所提方法的有效性，为复杂环境下运营高速铁路施工诱发沉降预测和安全控制提供了参考。

# 节选段落

## 图注意力网络

在沉降预测中，图注意力网络（GAT）将拱顶、地表和轨道监测点表示为图节点，通过注意力机制自适应学习节点间的影响权重，从而表征沉降场复杂的空间相关性（图2）。

设图结构表示为G = (V, E)，其中V和E分别表示节点集和边集。节点i的输入特征记为hi，其邻居节点集为N(i)。

## 项目概述

现场监测数据来源于中国佛山市南海区的河东中路下穿隧道及引道工程。第11号箱涵段下穿一条铁路联络线以及贵阳至广州和南宁至广州高速铁路的路基（图5）。这是我国首个采用管幕法下穿高铁区间路基的工程。下穿段位于超浅埋……

## 预测性能分析

为评估PG-STGAT模型的预测性能，使用九组代表性FLAC3D工况数据进行预训练，并使用对应A1-B2-C2-D2工况的现场监测数据进行微调。使用RMSE、MAE、MSE、WMAPE和R2评估模型在测试集上的精度，预测结果列于表4。

PG-STGAT在整体测试集上取得了RMSE 0.1048 mm、MAE 0.0614 mm和MSE 0.0110 mm2的性能指标。

# 结论

针对管幕法下穿运营高速铁路施工诱发沉降预测问题，本研究开发了一种物理引导深度学习模型PG-STGAT，并从预测性能、模块消融、小样本适应性、噪声鲁棒性和模型可解释性等方面进行了分析。主要结论如下：

（1）构建了融合时间卷积网络（TCN）、图注意力网络（GAT）和物理引导的PG-STGAT模型。通过结合多工况FLAC3D模拟数据预训练和……

# CRediT作者贡献声明

高鹏飞：原创草稿撰写、方法论。贾超君：审阅与编辑、调查。尚海伟：数据整理。王亮：验证。雷鸣峰：调查。贾晓辉：资源提供。胡鹏：可视化。

# 利益冲突声明

作者声明不存在可能影响本文工作的已知竞争经济利益或个人关系。

# 致谢

本研究得到了国家自然科学基金（项目编号：52378421）、中铁二十五局集团有限公司重大专项（项目编号：CR2502-FSDLXM-JSKF-2025-00002）、湖南省自然科学基金（项目编号：2026JJ20020）和湖南省教育厅科学研究项目（项目编号：25B0018）的资助。

高鹏飞|贾超君|尚海伟|王亮|雷鸣峰|贾晓辉|胡鹏