基于动态深度学习预测邻近施工引起的捷运盾构隧道径向位移

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Forecasting adjacent-construction-induced radial displacement of MRT shield tunnels using dynamic deep learning

　　

摘要

全球人口稠密城市的快速城市化正在推动大规模公共交通系统的扩展。台湾北部台北盆地下伏的松山组地层地质条件薄弱，加之邻近施工的影响，使盾构隧道变形的风险显著升高——台北小巨蛋附近近期发生的一起施工事故便导致捷运板南线出现过大位移。本研究提出了一种名为神经网络-旋转门傅里叶变换（NN-RGFT）的新型混合深度学习（DL）模型，用于预测邻近施工引起的捷运盾构隧道径向位移。NN-RGFT将非序列型神经网络（NN）与旋转门傅里叶变换（RGFT）相结合，利用迭代频域变换和交叉注意力机制，捕捉时序监测数据中的周期性和振荡性变形模式。该模型在一个涵盖六个监测点的数据库上进行了开发和验证，并与传统机器学习（ML）、混合ML及DL模型进行了基准对比。NN-RGFT在所有对比模型中始终取得了最低误差和最高相关性指标。将该模型应用于新北市的一个独立实际案例，六个观测点的平均绝对百分比误差（MAPE）均低于6.5%，证实其可靠性。所提出的模型为隧道变形监测和施工风险管理提供了一种实用且主动的工具。

引言

经济的快速增长和城市化人口密度的不断提高，使得发展大众捷运（MRT）系统成为管理城市交通负荷、应对交通挑战的必要之举（Yeh等，2017）。随着这一发展进程，捷运线路沿线的新建设项目推动了城市化，促进了沿线地区的繁荣。在台北市区，捷运网络主要沿主要道路布设，许多盾构隧道穿过高度密集的城市建成区。隧道附近的深基坑开挖可能引起侧向应力释放，导致地面运动和隧道管片因应力作用而发生变形。在严重情况下，径向位移的增大可能导致隧道环开裂，从而对捷运系统造成结构损坏（Saeed等，2025）。台北盆地复杂的湖泊地质条件使这一局势进一步恶化，其基底由软黏土和砂层交替组成，土体天生不稳定。因此，在现有捷运基础设施附近开展施工项目存在重大风险。台北小巨蛋附近近期发生的一起施工事故导致板南线盾构隧道出现过大径向位移及局部轨道倾斜，引发了公众的担忧和法律纠纷。这一事件凸显了更精确地理解和预测邻近施工对盾构隧道完整性影响的关键需求。

FLAC、PLAXIS和ABAQUS等数值分析工具现已广泛用于模拟邻近施工引起的变形。然而，这些工具需要复杂的建模、详细的参数设置以及经验丰富的专业人员，才能确保获得足够精确的结果（Lei等，2024；Naseem等，2020）。此外，隧道监测系统（包括收敛计和沉降标记）通常在变形发生后才提供数据，这限制了响应时间，使得主动风险管理变得困难（Cheng等，2023）。近年来，人工智能（AI）作为一种有前景的方法，被应用于岩土工程和隧道工程领域中径向位移的预测。尽管此前已提出了一些基于AI的模型，如神经网络（Chen等，2019；Zhang等，2021）和混合系统（Cheng等，2023；Cheng等，2025），但这些模型纯粹在时域中处理所有输入变量，未纳入频域特征提取，从而限制了它们捕捉与隧道附近分阶段、重复性开挖-支护安装活动相关的周期性、循环驱动变形模式的能力。

旋转门傅里叶变换（RGFT）是一种频域深度学习（DL）机制，由Cheng和Vu（2025）近期提出，用于能源消耗领域的时间序列预测。RGFT利用可训练的光谱调制和交叉注意力机制，通过迭代快速傅里叶变换（FFT）和逆FFT运算将序列分解为其频率分量，从而能够独立于噪声和非周期性趋势来检视周期性和振荡性成分——这是传统循环架构所无法提供的优势。然而，RGFT仅针对序列数据而设计，未考虑非序列输入，如设计参数和岩土属性变量（例如隧道几何尺寸、土体强度参数），这些变量对于给定项目保持不变，且区别于随时间演化的施工阶段变量（例如开挖深度、地下水位、前阶段位移）。然而，在处理隧道径向位移问题时，必须同时考虑这两类变量，才能全面捕捉影响该现象的因素。由于现有的AI模型通过单一架构处理所有输入，它们丢弃了那些如果加以保留有可能提高预测精度的结构信息。

针对文献中当前研究的局限性，并寻求利用人工智能领域的最新进展，本研究旨在开发一种精确的预测模型——神经网络旋转门傅里叶变换（NN-RGFT），用于估计邻近施工活动引起的盾构隧道径向位移。NN-RGFT模型纳入了影响盾构隧道径向位移的关键因素。此外，本研究建立了综合的案例数据库，用于模型测试和验证。与先前开发的预测模型不同，本研究使用NN处理高维非序列数据，使用RGFT处理序列数据。这种双输入架构能够实现隧道变形的早期检测，支持及时干预和有效的风险管理，适用于捷运基础设施项目。此外，所提出的模型使用实际数据进行训练和验证，并通过动态权重调整来提高学习效率和预测精度。本研究对岩土工程和基于AI的隧道行为预测领域的主要贡献如下：

• 1.
  先进的混合AI模型：本研究是开发一种整合时间依赖变量和非时间依赖变量的混合模型的前沿探索。该模型利用动态学习和自适应权重调整，捕捉现实施工环境中的复杂输入模式。
• 2.
  基于实际案例的数据库：本研究汇编了一个宝贵的数据库，其数据源自实际隧道变形案例的现场观测，为模型训练和验证提供了坚实的实证基础，同时也为未来的应用奠定基础。
• 3.
  主动风险管理工具：所提出的模型提供了一种预测系统，通过在预定监测读数之前预测位移趋势来支持施工风险缓解，为工程师和项目经理提供额外的提前量，以便考虑适当的预防性或纠正性措施。

章节片段

相关研究与知识缺口

过去十年间，众多研究探讨了地下变形估计的预测建模方法，涵盖隧道施工引起的土壤和地面运动。所得模型大致可分为非AI方法和基于AI的方法，如表1所示。

非AI模型如具有小应变刚度的硬化土模型（HSS）（Zheng等，2018）、Mindlin解（Dalong等，2020；X. Zhang等，2024）以及基于位移或广义边界的模型……

方法论

本节介绍了本研究用于开发NN-RGFT模型以预测深基坑引起的变形的综合方法论框架。详细逐步阐述了整个工作流程，从数据收集和准备开始，到模型开发和性能评估结束。方法论经过系统化组织，以确保透明性和可重复性，使读者能够清晰理解所提出的模型是如何开发的。

案例研究

本研究使用的案例来自一个数据集，该数据集汇编自位于台北盆地及邻近台北捷运盾构隧道的三个实际深基坑施工项目。如图7所示，每个案例因其紧邻捷运基础设施而被选中，基坑支护墙与隧道中心线之间的最短水平距离约为5.15至8.2米。鉴于在此条件下隧道变形的风险较高，……

结论

获得足够精确的捷运盾构隧道因邻近施工引起的径向位移预测，仍然是城市岩土工程中的一个重大挑战。本研究引入了一种新型混合DL模型——NN-RGFT，旨在提高预测精度和运营效率。该模型的性能与一系列先前开发的方法进行了全面评估，包括传统ML模型（BPNN、SVM和LSSVM）、混合ML……

CRediT作者贡献声明

Min-Yuan Cheng（程敏源）：写作–审阅与编辑，验证，监督，资源，方法论，调查，经费获取，数据管理，概念化。Akhmad F.K. Khitam：写作–初稿撰写，可视化，验证，方法论，形式化分析。Quoc-Tuan Vu：写作–审阅与编辑，可视化，验证，软件，方法论，形式化分析。Shih-Yuan Liao（廖世元）：写作–初稿撰写，可视化，软件，方法论，调查，形式化分析。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能对本研究中报告的工作产生影响。

致谢

本研究获得了中华民国国家科学及技术委员会（NSTC）的资助（项目编号：NSTC 115-2221-E-011-078）。

程敏源 | Akhmad F.K. Khitam | Vu Quoc-Tuan | 廖世元