迁移学习辅助的、基于物理知识的DeepONet模型，用于预测盾构隧道施工过程中的土体抬升现象

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Transfer learning–enhanced physics–informed DeepONet for predicting segment uplift during shield tunneling

　　

Khalid Elbaz|蔡启鹏|史书华|刘永苗|魏英杰|郭向宇

摘要

隧道掘进过程中出现的地层抬升会对隧道结构的组装质量和整体稳定性产生不利影响。现有的方法，无论是分析方法还是基于物理信息的神经网络，往往对这些因素过于简化，从而限制了其在不同施工条件和土壤环境下的适用性。本研究提出了一种结合迁移学习的物理信息增强型DeepONet（TPI-DeepONet）方法，该方法通过引入操作符学习并结合物理约束来预测隧道掘进过程中的地层抬升位移。该方法采用基于Timoshenko–Winkler梁理论的物理约束来构建深度操作符网络，以有效模拟地基刚度和抬升分布的非线性变化。通过迁移学习和不确定性量化技术，该方法能够在数据量有限的情况下提高训练效率并保留物理知识。通过隧道工程案例研究、三维数值模拟以及现有的物理分析和数据驱动技术验证了该方法的有效性。结果表明，结合物理知识的残差信息有助于深度操作符网络更准确地预测地层抬升位移。与数值模拟、数据驱动技术和基于物理信息的神经网络相比，该方法在保持预测能力的同时表现出更优的性能。这一发现为智能施工提供了一种新范式，即使在数据有限的情况下也能提升隧道掘进的效率和施工安全性。