《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Integrated Transformer approach for immersed-tunnel settlement prediction considering spatial heterogeneity and temporal degradation of sand filling compactness
编辑推荐：
•开发了一种用于沉管隧道沉降预测的集成框架。•弹性波测试定量表征了砂垫层的空间压实度分布。•物理引导的IASB-Transformer模型将沉降数据与压实度演化相结合。•所提方法在精度和鲁棒性方面优于传统模型。引言随着城市交通的持续发展，沉管隧道的建设规模和技术的复杂程度显著
- •
开发了一种用于沉管隧道沉降预测的集成框架。
- •
弹性波测试定量表征了砂垫层的空间压实度分布。
- •
物理引导的IASB-Transformer模型将沉降数据与压实度演化相结合。
- •
所提方法在精度和鲁棒性方面优于传统模型。
引言
随着城市交通的持续发展，沉管隧道的建设规模和技术的复杂程度显著增加。在沉管隧道运营期间，不可避免地会出现地层移动、变形甚至地下承载层塌陷等挑战（Cai等人，2026）。鉴于沉管隧道由多个隧道单元组成的结构特征，地下承载层的变异可能导致相邻单元之间产生差异沉降（He等人，2025）。严重情况下可能导致节段错位，损坏剪切键等关键薄弱结构并引起渗漏问题，从而危及运营安全和公共财产安全（Xu等人，2025）。因此，科学地研究并准确预测沉管隧道运营期间的沉降行为，对于确保结构完整性和长期稳定性具有重要的工程意义（Grantz，2001）。沉管隧道的结构特征要求在隧道节段和地基层之间设置过渡层，如砂垫层。在运营过程中，该砂层的演变状态影响其承载力的空间均匀性，最终导致隧道差异沉降。然而，由于砂层位于隧道下方且受限，直接获取其状态参数仍然具有挑战性，从而限制了对其沉降行为影响的分析。
沉管隧道节段沉降的准确预测仍然是隧道监测中一个关键而具有挑战性的焦点。通过多种方法进行了大量研究，共同的目标是：利用获取的沉降监测数据来预测未来变形，分析隧道和相邻建筑物的结构影响，并制定针对性的维护策略（Fu等人，2023）。目前的沉降预测方法主要由三种不同的方法构成：基于变形机制并包含经验公式的确定性框架、弹塑性分析程序和数值模拟；利用统计原理的随机理论系统，例如随机介质理论；以及利用机器学习架构的人工智能驱动的计算范式。在预测方法中，Peck（1969）基于高斯分布开发了经验公式来估算沉降剖面。Yan等人（2023）利用随机介质理论建立了地表沉降预测模型并验证了其有效性。Mu（2021）利用PLAXIS 3D有限元模型研究了土体性质、隧道深度和土体加固对隧道衬砌变形和地表沉降的影响。然而，确定性模型在处理复杂沉降机制时需要不同程度的假设简化。与常规隧道相比，沉管隧道表现出更复杂的模型参数和更大的数据获取挑战，使得简化的沉降计算不足以进行全面分析（Guo等人，2016）。依赖回归分析的统计模型显示出准确性对大量监测数据的依赖性，同时缺乏稳健的物理解释。作为在基础沟槽开挖和卸荷后建造的地面基础设施，沉管隧道表现出复杂的沉降特征，包括反弹问题和再压缩问题，还需要考虑跨河隧道中淤泥沉积基础土的次固结问题（Morovatdar等人，2020，Zhang等人，2021）。在这些复杂条件下，经验公式和统计模型均不适合直接应用于沉管隧道的沉降预测（Li，2021；Zhang和Broere，2023）。此外，沉管隧道的沉降由基础和砂垫层共同控制。然而，在经验公式和回归分析中，砂垫层作为整体被看作一个系数。在实际工程实践中，砂垫层的沉降并不均匀，承载力因不同的填充状态而变化，这反过来导致对沉管隧道沉降产生不同的影响。因此，需要进一步深入研究。
近年来，人工智能因其处理非线性问题的优越能力而成为一种流行的预测方法（Wang等人，2025）。这些算法能够全面考虑多种影响因素，并显著提高预测精度。人工智能方法大致分为机器学习和深度学习技术。机器学习方法包括支持向量机（Sun等人，2024）、随机森林（Kim等人，2022）、决策树（Hu等人，2023）和朴素贝叶斯分类器（Mahfouz等人，2018）等方法。深度学习架构包括人工神经网络（Li等人，2022，Ma等人，2024）、长短期记忆网络（Ahmed等人，2022，Ganji和Seylabi，2023，Yang等人，2025）、卷积神经网络（Nguyen等人，2025）和Transformer（Zhou等人，2022，Li和Lu，2023，Zhang等人，2024，Gao等人，2025，Mousavi等人，2025，Song等人，2025），这些方法在各个领域都取得了显著进步。Meng（2025）将领域对抗神经网络（DANN）与Transformer相结合，以提高盾构机刀具磨损预测模型的泛化性能。Wu（2023）提出了一种创新的自动化隧道泄漏区域三维评估框架，利用Swin Transformer架构，与传统卷积方法相比，在计算效率和分割精度方面显示出显著改进。在地下工程和地表沉降预测中的成功应用验证了其有效性。然而，人工智能算法对数据的显著依赖性使其容易受噪声影响而失效，并导致忽视物理机制。在沉管隧道沉降预测方面，人工智能模型经常忽视砂垫层状况的影响，这一关键遗漏导致了预测与实际工程之间的显著差距。现有的基于Transformer的沉降预测方法主要从历史监测数据中提取时间模式，而隐蔽基础材料的空间异质性和时间依赖性演化很少被定量并明确纳入预测过程。这一局限性对于沉管隧道尤为重要。
在本研究中，通过结合弹性波测试、现场监测数据和深度学习技术，开发了一种基于Transformer的沉管隧道沉降预测集成框架。利用弹性波测量来表征砂垫层压实度的空间分布和长期退化，并将提取的压实度特征纳入改进的IASB-Transformer模型，以增强非均匀基础条件下的沉降预测。在预测架构中，自适应谱块（ASB）提取信息丰富的频域特征并抑制噪声，而交互式卷积块（ICB）捕获局部多尺度时间变化。因此，所提框架的主要新颖性在于将稀疏测量的基础条件信息转化为监测点特定的、随时间变化的物理特征，并将其与数据驱动的沉降预测相结合，而不是将基础条件视为空间均匀或时间不变的。
章节片段
工程背景
B-U隧道是位于中国广东省广州市的一座沉管隧道，跨越珠江，近南北走向。北端连接生物岛，南端与高等教育超级中心相接。该隧道包括814米的地下隐蔽段和210米的沉管管节段，后者由两个预制单元组成：E1（94.0米）和E2（116.0米）。设计为市政双向
考虑压实度演化的沉管隧道沉降预测集成Transformer框架
在本框架中，填充压实度的空间和时间分量具有不同的含义。空间分量指的是通过弹性波检测获得的二维非均匀压实度分布。时间分量指的是隧道运营期间压实度的状态依赖性演化，使用压实度退化模型重构。这些分量通过映射每个沉降监测点到其对应位置来连接
监测点布置
自2012年竣工通车以来，B-U沉管隧道一直进行持续的沉降监测。监测点安装在沉管隧道节段的内侧壁上。沉降测量使用Sokkia SDL1X电子水准仪进行，仪器测量标准差为每公里±0.2毫米。
沉降监测点对称布置在B-U沉管隧道的东西两侧，
预测结果
在沉降预测过程中，选取了三个代表不同砂垫层状况的监测点（A31、A33和A35）的数据作为模型输入进行沉降预测。具体而言，监测点A31的砂垫层状况特征为"空洞"，A33为"填充不密实"，A35为"填充密实"。这些点位于同一条西侧监测线上，且纵向位置相对较近。选择它们
结论与未来工作
在本研究中，提出了一种基于Transformer的IASB-Transformer集成框架，用于沉管隧道的长期沉降预测，将砂垫层压实度的时空退化特征纳入深度学习模型。基于弹性波检测数据和长期沉降监测记录，定量表征了填充介质的时空演化，并将提取的压实度退化特征整合
CRediT作者贡献声明
Ziyao Xu：撰写——初稿、方法论、概念构思。Zhengzhong Qiu：资源。Ailan Che：撰写——审阅和编辑、资金获取。Hanxu Zhou：撰写——审阅和编辑。Ganglie Yuan：撰写——审阅和编辑。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些可能会影响本论文报告的工作。
致谢
感谢CCCC院士专项计划（YSZX-2023-03）的支持。
Ziyao Xu|Zhengzhong Qiu|Ailan Che|Hanxu Zhou|Ganglie Yuan
