迈向精确的片段组装：一种基于粒子群优化的椭圆度校正方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Towards precision in segment assembly: A particle swarm optimization-based ellipticity correction method

　　刘宪|胡秋斌|高巴忠|陈旭|刘振中国上海同济大学土木工程学院摘要在盾构隧道施工过程中，确保管片组装质量对于接缝/连接处的对齐、防水性能、结构安全与韧性以及后续管片组装的精度至关重要。在各种几何指标中，已组装环的椭圆度尤为重要。通常情况下，组装后的管片环会呈现椭圆形，且这种椭圆度会在多圈管片组装过程中逐渐加剧，从而给管片组装带来困难。因此，有必要在组装过程中纠正新组装管片的椭圆度。为改善盾构隧道在组装过程中的椭圆度，本文提出了一种基于粒子群优化算法的椭圆度校正方法。以理想的圆形隧道作为优化目标，通过机器视觉获取先前已组装管片的姿态信息，进而计算待组装管片姿态与理想圆形之间的偏差。同时，为管片组装过程制定了包含组装可行性、组装质量要求以及避碰约束的一组约束方程。随后运用基于粒子群优化的智能算法来解决这一带约束的姿态优化问题。该算法通过现场试验得到了验证，能够有效改善新组装管片的椭圆度。实验结果表明，引入模拟退火策略来增强粒子群优化算法的种群接受机制，并结合正弦波自适应惯性权重调整策略，可显著提升姿态优化的收敛速度与精度。应用所提出的椭圆度校正方法后，新组装环的椭圆度从上一圈的5.0‰降至3.1‰，显示出明显的改善效果。此外，当将理想圆的半径设定为与椭圆的长半轴长度相等时，该方法不仅能优化椭圆度，还能确保关键管片的顺利组装，更好地满足现场施工要求，为未来实现盾构隧道施工的实时化、智能化和自动化发展奠定基础。引言由于圆形隧道具有均匀的应力分布和良好的结构稳定性，因此在盾构隧道施工中被广泛采用。如图1所示，管片组装是圆形隧道施工中的关键步骤。管片是逐圈组装的，当前正在组装的n圈管片是基于n-1圈管片进行组装的。组装完成后，需要在已组装环与掘进机尾部之间保持一定间隙，以便于后续的推进和注浆作业（Sun，2022）。管片组装的初始质量不仅直接影响后续管片组装的精度，还会对整个施工进度以及隧道的长期运行安全产生重要影响（Wang等人，2014）。隧道衬砌质量的缺陷往往由多种因素造成，包括制造误差、运输储存过程中的损坏以及组装过程中产生的偏差（Bao等人，2025；Zhou等人，2012）。尤其是初始组装质量对后续管片组装起着至关重要的作用。前期各圈管片存在的局部偏差可能会随着时间积累，最终导致隧道椭圆度的恶化。这种几何形态的恶化不仅会影响衬砌的形状，还会改变内部应力分布，可能引发接缝不稳定问题（Guo等人，2025；Guo等人，2023；Liu等人，2025b；Liu等人，2025a）。这种恶化会损害隧道的防水性能（见图1(c)）以及结构平衡性（见图1(d)）（Zhang等人，2021）。此外，过高的椭圆度还可能导致相邻环之间螺栓孔出现严重错位，从而增加组装难度（见图1(a)），同时也会减少已组装环与盾构机尾部的间隙，增大盾构机尾部挤压管片的风险（见图1(b)）。因此，在组装过程中精确控制盾构隧道的椭圆度对于确保施工安全及隧道的长期稳定性至关重要。此外，智能化施工正成为管片组装领域的重要发展趋势。通过整合先进的传感器技术、实时数据分析和自适应控制算法，智能化方法能够在组装过程中实现持续监测与动态调整。这些方法与针对受损或变形衬砌的加固技术相结合，能够进一步提升隧道的结构韧性（Liu等人，2026；Qin等人，2025）。尤其是在地质条件复杂且组装约束严格的条件下，具备主动误差检测与校正功能的智能化管片组装方法，能够提高盾构隧道施工的稳健性与适应性，从而确保隧道的结构完整性与长期安全性。传统上，人们主要采用两种方法来估算隧道的椭圆度。第一种方法是使用铅垂线和水平仪测量隧道横截面的水平直径和垂直直径，进而近似计算椭圆度（Xu等人，2022）。第二种方法则是利用全站仪获取隧道周边多个点的坐标，然后通过椭圆拟合来评估椭圆度。然而，随着盾构隧道施工对整体组装精度的要求越来越高，这些传统的机械仪器和人工检测方法已无法满足对盾构隧道椭圆度进行实时（Zhang和Broere，2023）以及高精度校正的需求。在一些以往的项目中，人们会使用环形成型机等设备在盾构机末端对盾构隧道椭圆度进行校正，但这种方法存在设置复杂、效率低下的缺点，难以同时满足现代隧道施工对组装质量和施工效率的双重需求。近年来，众多研究人员致力于探索管片组装技术、质量检测方法以及智能控制策略，以期在整个组装过程中实现实时监测与高效优化。激光扫描（Camara等人，2024；Gao等人，2020；Wu等人，2024）和图像识别（Chen等人，2023）等在线检测技术，能够实时监测管片的姿态与椭圆度，为后续的质量控制提供准确的数据支持。最近的研究还引入了基于物理信息的特征选择技术（Zhao等人，2025），以及结合多维度特征提取和时间注意力机制的深度学习模型（Zeng等人，2024），这些技术显著提升了盾构姿态预测与控制的精度，进而提高了管片组装的整体质量。为校正组装过程中的轴向偏差，一些研究采用了智能优化算法来优化关键管片的位置选择，通过算法驱动的组装点选择实现了有效的偏差校正（Jiang等人，2025；Liu等人，2022）。此外，还有研究采用基于仿真的方法对管片组装过程进行建模，以实现轴向偏差的实时预测（Gong等人，2024；Xie等人，2023；Zheng和Karlovsek，2021）。尽管这些努力提升了纵向组装精度，但它们主要侧重于轴向偏差校正，而对环内组装偏差的控制关注较少。还有研究人员运用基于概率论的模型来模拟管片组装过程，并定量评估接头质量，提出了相应的评价标准（Hou等人，2016；Huang等人，2016；Li等人，2022；Wu，2024）。此外，还有一种优化方法被提出，旨在确定管片组装路径，从而在定位过程中最小化总能耗（Shi等人，2014）。不过，这种方法主要强调能源效率，并未明确解决管片组装精度的问题，如椭圆度或整体几何质量。总体而言，现有研究主要集中在局部组装质量检测和单一误差优化方面，针对整圈隧道椭圆度校正的成熟且可靠的解决方案仍较为缺乏。此外，实时质量检测与智能控制策略的融合也还不够完善。这一差距凸显出需要更为全面、集成化的方法，不仅要实现精准的数据采集，还要能够进行动态偏差校正。在这一背景下，智能方法为优化工作提供了良好的途径。采用智能算法来解决姿态优化问题，能够显著提高计算效率。近年来，各种优化算法已被广泛应用于隧道工程领域（Zhu等人，2024b；Zhu等人，2025）。例如，有限元仿真技术与人工智能技术，如人工神经网络和粒子群优化算法，已被结合起来，用于对隧道施工引起的建筑物损伤进行实时风险评估，以及对机械化隧道施工过程进行自适应控制（Cao等人，2022；Nini?和Meschke，2015）。此外，机器学习算法还被用来构建用于预测隧道施工引起的地面沉降的替代模型，为实时预测施工带来的干扰并降低对周边结构的安全风险提供了新的解决方案（Elbaz等人，2020）。另外，基于深度学习的实例分割技术在检测混凝土和隧道结构表面的水下缺陷方面展现出巨大潜力，提升了结构健康监测任务的准确性、效率与自动化水平（An等人，2025；Joshi等人，2022；Li等人，2023a；Li等人，2023b；Pan和Tao，2021；Zhang等人，2025）。此外，基于深度学习的诊断技术也提高了隧道开挖过程中地质条件评估与风险预测的精度，从而为更及时、更明智的施工决策提供支持（Zhu等人，2024a）。基于机器学习和粒子群优化的即时优化策略也被用于根据实时数据提升TBM隧道施工的效率与安全性（Li等人，2023c），同时也有助于提升管道检测机器人的运行稳定性（Liu等人，2023）。此外，还开发了结合数值分析、机器学习与群体智能的智能设计优化框架，用于在复杂地质条件下优化隧道轴线选择与横截面设计（Li等人，2024a；Nguyen等人，2024）。在这些方法中，粒子群优化算法因其处理复杂非线性问题的有效性而备受关注（Williams Moises等人，2025；Yarat等人，2021）。粒子群优化算法不依赖目标函数的梯度信息，因此非常适合用于解决管片组装中的高维姿态优化问题。通过模拟自然界中的群集行为，粒子群优化算法具有强大的全局搜索能力，同时计算复杂度相对较低（Hajihassani等人，2018），能够高效地在问题空间内找到最优解。因此，本研究采用粒子群优化算法作为核心优化方法。然而，尽管粒子群优化算法具有全局搜索能力，但标准版本的粒子群优化算法仍存在一些局限性：在复杂或高维空间中容易过早收敛或陷入局部最优解（Bo等人，2024），而且其性能也可能受到静态或次优权重调整策略的影响。为克服这些缺陷，近年来出现了许多粒子群优化算法的改进版本，包括结合遗传算法的混合算法（Li等人，2024b）、差分进化算法（Wang等人，2023），以及涉及自适应惯性权重、收缩因子（Elbaz等人，2020）和粒子多样性增强技术的策略（Zeng等人，2022）。虽然这些方法大多提升了收敛性能，但它们往往需要引入额外的参数或增加算法复杂度，这可能会降低其在实时工程场景中的实用性。为解决标准粒子群优化算法存在局部最优解和收敛缓慢的问题，本研究提出了一种改进算法，该算法结合了基于正弦波的自适应惯性权重以及基于模拟退火的混合机制，通过动态平衡探索与利用行为，并引入概率性跳跃来摆脱局部最优解，从而提升全局搜索能力和优化效率。与其他粒子群优化算法变体相比，所提出的方法在无需大幅增加计算负担的情况下，就能实现更轻量且高效的改进，具备更好的稳健性与收敛效率。这些优势使其特别适合用于管片组装中的实时姿态优化任务。为防止盾构隧道施工过程中隧道椭圆度逐渐恶化，本研究提出了一种能够实时自动校正管片组装椭圆度的智能方法。其主要贡献如下：(i)以理想圆形作为目标形状，建立了一个管片组装约束模型，其中包含了管片组装的可行性、组装质量等约束条件，尤其是与相邻管片之间的严格避碰约束。基于通过机器视觉获取的姿态数据，本文提出了理想圆与待组装段之间偏差的数学表达式，以此实现关键装配指标的精确控制，同时有效避免与相邻段的相互干扰。其次，通过将模拟退火策略融入种群接受机制来改进PSO算法，并采用正弦自适应惯性权重调整策略以加速收敛并提高解的精度。改进后的PSO算法被用于段姿态的全局优化，从而实现盾构隧道椭圆度的自动校正。该方法提升了盾构隧道的装配质量，推动了智能建造技术的发展。本文结构如下：第二部分介绍了所提出的段装配椭圆度校正方法的流程图，阐述了椭圆度校正的基本原理，明确了目标函数和约束条件；第三部分描述了确定第n环段姿态的计算方法，建立了目标函数的数学表达式，并将装配约束转化为数学方程；第四部分说明了应用于PSO算法的改进策略，并展示了其在段装配椭圆度优化中的应用；第五部分通过实验测试验证了改进后PSO算法及椭圆度校正方法的有效性；第六部分系统探讨了该椭圆度校正方法在工程项目中的实际应用前景。

所提出方法的流程图显示，每个分段环的组装都是在前一环完成后进行的。当前一环的椭圆度过大时，为提升后续分段环的装配质量，必须根据前一环的几何形状逐步校正后续环的椭圆度。图2展示了所提出的段装配椭圆度校正方法的流程图，该方法包含两个主要模块：段装配椭圆度评估与基于改进PSO的椭圆度优化。

在开展椭圆度校正之前，本节首先介绍了一种计算段上螺栓孔与理想圆弧之间偏差的方法（即目标函数），并构建了与装配相关的非线性约束函数。3.1节定义了坐标系，介绍了段姿态和螺栓孔坐标的计算方法；3.2节则对第n-1环的椭圆度进行评估。

为解决随着每环装配推进椭圆度逐渐恶化而带来的装配难度问题，本研究提出了一种段装配椭圆度校正方法。该方法能够在装配过程中实时调整段姿态，确保新组装环的椭圆度优于前一环。主要结论如下：(1)所提出的椭圆度校正方法可优化段装配位置。

作者贡献说明：刘贤负责写作——审阅与编辑、监督、项目管理、方法论、资金获取、概念构思；胡秋斌负责写作——审阅与编辑、初稿撰写、验证、方法论、研究分析、数据整理、概念构思；曹巴忠负责写作——审阅与编辑、监督、资金获取；徐晨负责写作——审阅与编辑；刘振负责写作——审阅与编辑、初稿撰写、研究分析、资金获取、概念构思。

作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了国家自然科学基金（项目编号52478409）以及土木工程防灾国家重点实验室访问学者资助（项目编号SLDRCE25-F-25）的支持。作者们还衷心感谢上海隧道工程股份有限公司提供的帮助。