《Journal of Rock Mechanics and Geotechnical Engineering》：Geology-informed deep learning model based on non-stationary random fields for dynamic tunnel safety step distance regulation
编辑推荐：
本研究提出了一种基于地质信息约束的深度学习框架，用于在复杂且空间变异的岩体条件下动态预测隧道开挖中的安全步距。通过将非平稳随机场（non-stationary random field, NSRF）理论与卷积神经网络（convolutional neural
本研究提出了一种基于地质信息约束的深度学习框架，用于在复杂且空间变异的岩体条件下动态预测隧道开挖中的安全步距。通过将非平稳随机场（non-stationary random field, NSRF）理论与卷积神经网络（convolutional neural network, CNN）相结合，该方法能够捕捉岩体参数的局部变化特征，并将其转化为开挖控制策略。研究人员采用谱表示方法生成二维NSRF，用以模拟受岩性过渡带和软弱带等地质构造影响的空间非均质性。将这些随机场嵌入数值模拟中，生成用于模型训练的合成数据集。随后开发CNN模型，学习掌子面地质条件——以连续开挖掌子面图像中提取的BQ值表示——与最优安全步距之间的非线性映射关系。该框架利用中国黎明隧道的工程数据进行了验证，现场BQ序列被用于预测开挖响应。结果表明，该模型对地质变化具有较高的预测精度和适应性，能够实现实时、数据驱动的决策支持。与传统经验方法或纯数值模拟方法不同，该方法将地质变异性作为指导性因素而非不确定性来源加以利用，为异质围岩条件下的隧道安全开挖提供了一种实用且智能化的解决方案。
一、研究背景与问题提出
隧道工程在复杂地质环境中施工面临显著的安全风险与工程挑战。岩体中断裂、断层和节理等不连续结构面构成的多尺度结构网络，诱发岩体各向异性的变形与强度特征。结构面分布的非均匀性以及力学参数的随机耦合，导致岩体呈现显著的空间变异性。在细观尺度上，这种非均质性引发局部异常应力重分布；在宏观尺度上，则驱动大范围围岩变形及隧道支护结构损伤。尤其在长距离隧道工程中，岩体参数空间变异性的准确考量对风险评估至关重要，而传统均质化模型因过度简化材料均匀性假设，难以精确预测局部失稳风险。
连续介质与不连续介质数值方法已建立较为成熟的隧道开挖模拟框架，但现有方法多集中于特定岩性的局部优化，对长距离隧道工程的推广性有限。更重要的是，过度简化的确定性参数赋值无法量化地层不确定性对动态施工风险的累积效应。随机场理论（random field theory, RFT）为表征岩体参数空间变异性提供了坚实的数学框架，但当前在隧道施工应用中仍受限于静态场假设，难以充分刻画开挖动力学演化与参数时空依赖性的耦合作用。机器学习技术为应对这些挑战提供了新范式，然而现有方法主要聚焦于静态参数条件下的风险预测，缺乏对掌子面前方随机场实时预报及自适应安全距离控制的系统性框架。
为弥合上述研究空白，本研究提出一种动态、地质信息约束的框架，将随机地质建模转化为可操作的施工指导。该框架利用NSRF将复杂的位置依赖非均质性编码为沿隧道轴向的高分辨率一维参数序列，显式建模非平稳性——即均值与方差的变化——这是长距离隧道施工的主要风险驱动因素。通过将序列编码与一维CNN无缝集成，实现局部序列模式识别，高效提取控制最优安全步距的关键风险特征。
二、研究内容与主要结论
本研究构建了地质信息约束的智能隧道开挖控制框架，核心创新在于将非平稳随机场理论与深度学习相结合。研究人员采用谱表示方法生成高分辨率随机场，模拟空间变化的岩体参数；将这些随机场嵌入基于有限差分法（finite difference method, FDM）的FLAC3D数值模型，生成1000个不同的隧道开挖场景，系统计算动态开挖引起的最大拱顶沉降与最优安全步距；开发一维CNN模型，学习岩体质量顺序指标与最优安全步距之间的非线性映射关系。该框架在黎明隧道工程中得以验证，结果表明模型能够适应快速岩性转变，无需大量现场仪器或实时数值重标定即可提供精确、定量的施工指导。研究成果发表于《Journal of Rock Mechanics and Geotechnical Engineering》。
三、关键技术方法
本研究主要采用以下关键技术方法：
（1）非平稳随机场建模：基于谱表示方法生成NSRF，采用Cholesky分解将非平稳协方差矩阵分解为下三角矩阵，结合Nataf变换将高斯场映射至对数正态分布场，并通过马尔可夫链蒙特卡洛（Markov chain Monte Carlo, MCMC）方法过滤不合理样本，最终通过蒙特卡洛模拟生成1000个随机场实现。
（2）FLAC3D动态开挖数值模拟：建立180 m×60 m×50 m的三维弹塑性数值模型，采用分段"单元生死"方法模拟开挖过程，每循环推进3 m，应用GZZ屈服准则，通过Python-FLAC3D应用程序编程接口（Application Programming Interface, API）实现随机场参数到数值网格的系统映射。
（3）一维CNN深度学习模型：设计包含两个一维卷积块、ReLU激活和最大池化操作的网络架构，采用平滑L1损失函数与AdamW优化器，通过Z-score归一化处理输入序列，实现从地质参数序列到拱顶沉降和安全步距的非线性映射。
四、研究结果
4.1 岩体参数空间变异性表征
基于对数正态分布假设，采用谱表示方法生成1000个NSRF实现。生成的参数场呈现与典型地质观测一致的空间模式：内摩擦角场表现出沿纵向的渐变变化及局部低强度区；黏聚力场呈现聚集性非均质，存在间歇性强度降低带；弹性模量场显示更宽泛的梯度变化。与平稳随机场（stationary random field, SRF）相比，NSRF均值函数能够准确捕捉刚度的急剧位置依赖性降低，而SRF的全局均值假设会系统性高估关键参数。在低值区，弹性模量均值高估误差高达约243%，证实平稳假设会导致非保守的岩体质量评估。
4.2 参数变异性对围岩响应的影响
将NSRF嵌入FLAC3D动态开挖模型后，1000次开挖模拟的统计分析表明，非平稳空间变异显著影响变形的大小和空间模式。开挖步与最大拱顶沉降之间的关系呈现显著离散性，沉降范围为12.5 cm至31.1 cm。开挖后应力演化分析显示，局部非均质性导致隧道周围应力集中区分布不均，应力分布模式与嵌入随机场的参数梯度强相关。支护系统内的应力大小和分布对岩体参数非均质性高度敏感，在隧道拱顶和仰拱附近刚度与强度空间梯度较陡的场景中出现显著应力集中。
4.3 CNN动态预测安全步距
一维CNN回归框架在约40个epoch内实现训练和验证损失曲线的稳定收敛。拱顶沉降预测的验证集平均绝对误差（mean absolute error, MAE）为0.91 cm，决定系数（R2）为0.85；安全步距估计的MAE为3.15 m，R2为0.83。与多元线性回归（multiple linear regression, MLR）（R2=0.65）和长短期记忆网络（long short-term memory, LSTM）（R2=0.78）相比，一维CNN在安全步距预测方面取得最优性能（R2=0.83，MAE=3.15 m），证实卷积核在检测和定位空间序列中的关键风险模式及突变地质过渡方面比循环机制更有效。超参数敏感性分析显示，学习率10??、批大小32和卷积核大小5提供最佳稳定性与收敛性，安全步距的均方根误差（root mean square error, RMSE）在最优参数范围内波动小于5%。推理时间在无GPU加速条件下每预测低于10 s，远优于FLAC3D单工况数小时的计算成本。
4.4 黎明隧道案例验证
黎明隧道为孟连至勐海高速公路关键控制工程，左线长5339.96 m，最大埋深约574.5 m；右线长5350 m，最大埋深539.5 m。隧道穿越泥质砂岩、钙质泥岩和泥岩等多岩性地层，节理发育密集，呈现碎裂或镶嵌块状结构。在ZK65+960至ZK67+500代表段，围岩级别快速空间变化。连续掌子面照片显示，仅间隔2.4 m的两个开挖循环间岩性分布显著不同，钙质泥岩与砂岩快速交替。研究人员将连续BQ指标作为模型输入，对ZK66+850至ZK66+890段进行预测验证。预测安全步距与现场实测值高度吻合，例如ZK66+871段泥灰岩主导且岩体破碎严重，模型建议较短步距91.18 m；而完整性较好的泥质砂岩段对应较长建议间距。预测值与现场实测值的偏差在1.2 m至3.44 m范围内。
五、讨论与结论
该框架具备跨条件的内在可推广性。NSRF输入作为地质编码器，其参数可根据新场地的勘察数据重新标定，以适应不同岩性和应力状态。CNN被训练识别与风险相关的通用空间模式和刚度梯度，而非映射绝对参数值，这确保网络架构具有高度可迁移性。该研究通过桥接随机地质建模与实时预测分析，推进了智能隧道施工的发展。框架支持异质岩体中的风险知情决策，具有集成至数字孪生系统和智能岩土施工平台的潜力。
研究结论可归纳为：（1）采用谱表示方法生成的二维NSRF模型有效模拟了岩体强度和变形特性的空间变异性，捕捉岩体局部非均质性，这对复杂地质环境中开挖响应的真实建模至关重要。（2）CNN成功学习连续BQ值与最优安全步距之间的非线性关系，模型基于包含地质不确定性的随机数值模拟构建的大规模数据集进行训练。（3）CNN在拱顶沉降预测中实现MAE 0.91 cm（R2=0.85），安全步距估计MAE 3.15 m（R2=0.83），相比传统模拟方法显著降低计算时间，同时保持对不同地层条件的稳健性。（4）黎明隧道工程应用表明，该框架无需大量现场仪器或实时数值重标定即可适应快速岩性转变，预测步距与实际开挖中遇到的地质变化密切吻合。
本研究存在一定局限性：模型初始训练主要依赖合成数据集，在迁移至全新结构区域时可能存在领域差距。未来工作可采用迁移学习策略，利用较小规模的真实监测数据集对预训练模型进行微调以缓解该问题。
