基于随机场与物理信息神经网络（PINNs)的隧道渗漏水灾害与生态环境响应空间变异性分析

《Water》：Analysis of Tunnel Leakage Hazards and Ecological Environment Response Under Spatial Variability Using Random Fields and PINNs

　　

隧道在非均质地层中的渗漏可能引发集中涌水、地下水疏干、围护结构变形及后续生态环境退化等水文地质灾害。然而，现有研究通常采用确定性模型评估这些过程，忽略了水文地质参数的空间变异性。为克服这一局限，本研究构建了一个随机水文—地质—力学—生态耦合框架，将随机场理论与物理信息神经网络（PINN）相结合，用于隧道渗流响应的灾害评估与快速预测。研究采用Karhunen–Loève展开刻画渗透系数和孔隙度等关键参数的空间变异特征，并将其嵌入饱和—非饱和渗流、渗流—应力耦合及地下水—土壤—植被响应的耦合控制方程中。随后，构建了以随机场为输入的PINN代理模型，用于预测水头、隧道涌水量、位移、地下水埋深、植被覆盖度以及土壤理化指标，同时量化不确定性。以中国重庆市某岩溶隧道为例验证了该框架的有效性。结果表明，相较于确定性均值模拟，空间非均质性促进了优先流路径的发育，加剧了渗流灾害效应，导致更大的地下水降深、更严重的生态退化以及更强的响应变异性。所提出的PINN模型具有较高的预测精度（R2 > 0.97），将单工况的计算时间从数小时缩短至秒级，从而支持高效的多场景评估与不确定性风险评价。该框架为地下工程水灾害评估及长期环境影响分析提供了一种物理一致且计算高效的工具。

**论文解读：基于随机场与物理信息神经网络的隧道渗漏水灾害与生态环境响应研究**

**一、研究背景与问题提出**

随着我国交通基础设施建设的快速发展，复杂地质条件下的隧道工程规模持续扩大，尤其在岩溶发育区、高山地区及生态敏感区，隧道施工和运营过程中的渗漏水问题已成为制约工程安全与生态环境保护的关键因素。工程实践表明，隧道开挖会改变地下水动态场和应力场的分布，引发地下水位下降、地表植被退化、土壤理化性质恶化等一系列连锁生态响应。因此，系统揭示隧道渗流机理及其地质生态环境响应规律，建立高效预测方法，对保障工程安全与生态可持续发展具有重要的科学意义和工程价值。

近年来，研究人员围绕隧道渗流与地下水系统的相互作用开展了大量研究。传统方法多基于达西定律和连续介质假设，结合有限元或有限差分法建立数值模型，模拟地下水流及隧道涌水过程。在此基础上，进一步发展了渗流—应力耦合模型，能够较充分地反映隧道开挖过程中围岩变形与孔隙水压力演化的相互作用。然而，现有模型大多依赖确定性参数假设，忽略了岩土介质中普遍存在的空间非均质性和随机性，这一问题在岩溶地区、破碎岩体及沉积地层中尤为突出。事实上，岩土体水文地质参数受沉积环境、构造活动和风化作用影响，呈现出显著的空间变异性，其统计特性通常以随机场分布描述。近年研究已将随机场理论引入岩土工程分析，通过Karhunen–Loève（K-L）展开或谱表示方法实现对连续随机场的离散化表征，将参数不确定性嵌入数值模型，研究表明考虑随机场后隧道涌水量、地下水降深及围岩变形等呈现出更强的空间非均质性和极端值特征，而传统确定性模型往往低估了工程风险。然而，现有研究多集中于单一物理场，对多场耦合相互作用及其不确定性传播机制的系统研究仍显不足。

另一方面，隧道渗流对生态环境的影响日益受到关注。地下水位变化直接影响土壤含水量和植被根系供水，导致植被覆盖度降低和生态系统退化；同时，水动力条件变化还影响土壤盐分和养分的迁移循环，进一步加剧生态环境恶化。现有生态响应研究多采用经验模型或统计方法，缺乏与水文地质过程相耦合的物理描述，无法揭示多场耦合机制及其空间非均质性。因此，建立一个同时考虑水文、力学和生态响应的统一耦合模型，成为当前研究的重要发展趋势。

随着人工智能技术的发展，基于深度学习的科学计算方法逐渐成为求解复杂偏微分方程的新途径。其中，物理信息神经网络（PINN）将控制方程、边界条件和初始约束嵌入损失函数，实现了物理过程的无网格高效求解，具有高效率、灵活性和可扩展性等优势。近年来，PINN已在地下水流、多孔介质渗流及固结问题中得到初步应用，展现出良好的精度和泛化能力。然而，现有PINN研究大多基于确定性参数，对岩土参数空间随机性及其不确定性传播考虑不足。

综上所述，现有研究存在三方面主要局限：一是基于确定性参数假设，未能充分捕捉空间变异性对渗流行为的影响；二是渗流、力学响应和生态效应之间的耦合常被割裂处理，缺乏统一框架；三是传统数值方法计算成本高，不适用于不确定性条件下的高效多场景分析。为应对上述挑战，本研究将随机场理论与物理信息神经网络相结合，建立水文—地质—力学—生态耦合模型，明确纳入空间变异性，通过PINN实现高效预测，为分析多场响应及其生态影响提供统一框架。

**二、研究方法与核心技术**

本研究采用的核心技术方法主要包括以下三部分：

（1）随机场表征与K-L展开离散化：基于随机场理论，采用指数型协方差函数描述岩土参数的空间相关性，利用Karhunen–Loève展开将连续的渗透系数和孔隙度等参数随机场离散化为有限维随机向量，实现多参数随机场的统一离散表征和空间分布的一致性耦合。以重庆市某岩溶隧道为例，参数包括渗透系数K（0.05~0.35 m/d）、相关长度λc（10~20 m）和孔隙度n（0.15~0.25），计算域为100 m×100 m的典型隧道断面，隧道半径5.25 m，埋深80 m。截取K-L展开前20项进行随机场离散化。

（2）多场耦合控制方程构建：建立饱和—非饱和渗流控制方程，结合Biot固结理论构建渗流—应力耦合方程；进一步构建地下水埋深响应、植被覆盖度响应及土壤理化性质响应方程，形成隧道渗流—力学响应—地质生态环境的完全耦合表征。

（3）融入不确定性的PINN架构与快速预测：以空间坐标、时间和随机变量作为输入，构建包含8个全连接隐层（每层128个神经元，采用Tanh激活函数）的PINN架构。将随机场耦合的控制方程、边界条件和初始条件嵌入损失函数，通过Adam优化算法进行训练（学习率10^?4，迭代20 000次），实现多响应场变量的确定性预测和不确定性量化。采用均方误差（MSE）、决定系数（R²）和平均绝对误差（MAE）评估模型性能。

**三、研究结果分析**

**3.1 随机场生成结果**

基于K-L展开完成渗透系数随机场的离散化与表征。结果显示，隧道周围渗透系数呈现显著的空间变异性，高渗透区集中在岩溶发育和节理密集段，符合地质规律。不同实现下的随机场局部分布存在明显差异，直接反映了围岩水文地质参数的随机本质。统计特征显示，均值场以隧道为中心向外缓慢过渡，方差场在隧道自由面和岩溶发育区达到峰值，表明该区域的参数不确定性最为突出，离散化误差小于3%，满足多场耦合计算精度要求。

**3.2 隧道渗流场响应结果**

该部分通过分析典型隧道断面的水力梯度、渗流速度矢量及涌水量时间历史，揭示渗流场的核心驱动机制。水力梯度在隧道轮廓附近达到最大，高渗透区的降落漏斗更宽且形态更不规则，反映参数空间变异性的控制效应。渗流速度矢量场显示，优势渗流通道与渗透系数随机场高值区完全耦合，岩溶裂隙区流速显著高于完整岩体段，形成局部集中渗流通道，与实际隧道涌水和滴水位置高度吻合。涌水量时程曲线呈现快速上升、缓慢增长、趋于稳定的三阶段演化规律。高渗透工况（Case 3）稳态涌水量最大，达2788 m³/d；低渗透工况（Case 1）最小，为2485 m³/d；多参数随机场耦合工况（Case 4）为2640 m³/d；确定性均值工况（Case 5）为2616 m³/d。结果表明传统确定性均值模型会平滑高渗透区的集中渗流效应，导致涌水量预测偏保守，而随机场模型能更真实地反映非均质岩体的渗流特征。

**3.3 地质生态环境响应结果**

长期隧道渗流改变地下水循环路径和分布状态，驱动地表生态系统产生连锁响应。

**地下水埋深响应**：隧道渗流的持续抽排导致地下水位持续下降、埋深持续增加并最终趋于稳定。高渗透工况最大降深15.6 m，排水范围最广；随机场耦合工况最大降深12.4 m，高于确定性均值（11.8 m），这是因为随机场中形成的高渗透优势通道加速了地下水疏干。

**植被覆盖度响应**：受地下水位增加和土壤水分胁迫影响，植被覆盖度随渗流时间逐渐下降最终稳定。高渗透工况下降幅度最大（19.4%），随机场耦合（14.8%）高于确定性均值（13.7%）。

**土壤理化性质响应**：地下水位下降改变土壤水盐迁移和养分转化过程，导致养分浓度降低和盐渍化风险增加。高渗透工况下降16.8%，随机场耦合（12.2%）高于确定性均值（11.4%）。

三项响应形成"地下水—土壤—植被"链式响应结构，随机场使整体响应更强、空间差异更显著。

**3.4 PINN模型预测结果**

PINN模型的训练损失曲线（总损失及物理损失、边界损失等分项损失）显示，模型在迭代初期快速下降，5000次后降速趋缓，15000次后基本收敛稳定，表明模型已充分学习随机场条件下渗流—应力—生态耦合的物理规律。

表1统计显示，训练集MSE = 6.4×10^?4，MAE = 0.0158，R² = 0.986；验证集MSE = 8.7×10^?4，MAE = 0.0196，R² = 0.978，95%置信区间覆盖率达91.1%。预测值与真实值一致性良好，全部样本点落在±5%误差带内。在计算效率方面，传统数值模拟单工况约需2.6 h，而PINN单工况推理仅需0.8 s，效率提升约11700倍。

**3.5 多工况对比分析**

五种对比工况（低/中/高渗透均质、多参数随机场耦合、确定性均值）的系统比较揭示：渗透性越高，涌水量、降深、衬砌变形及生态指标劣化越严重。随机场耦合（Case 4）各指标均高于确定性均值（Case 5），证实参数空间变异性显著强化渗流力学效应和负面生态影响。最大衬砌位移与生态退化显著正相关，表明围岩变形与地下水疏干共同驱动生态恶化，随机场进一步凸显该多场协同效应。随机场响应介于均质中渗透与高渗透之间，并非简单的极值主导，而是平均场效应与局部高渗透放大效应的非线性整合结果。

**四、讨论**

**4.1 随机场对隧道渗流—地质—生态响应的影响机制**

已有研究表明地质非均质性在控制渗流过程中起关键作用，而确定性方法会平滑空间变异性。本研究的随机场模型捕捉了与岩溶裂隙和节理构造相关的高渗透区，形成优势渗流通道，显著增强局部渗流速度和涌水量。地下水降落漏斗向高渗透区偏移，导致非均质地下水位下降。空间变异性通过渗流—应力—生态耦合过程进一步传播和放大，参数变异性越大，地下水埋深、植被覆盖和土壤质量指标的范围越宽。与之相比，确定性模型采用空间平均属性，压制局部极端值，倾向于低估渗流强度和相关生态风险。多参数联合随机场（渗透系数、孔隙度、单位储水量）增强了三场之间的耦合反馈机制，比单参数随机性更能反映真实工程系统的复杂性。

**4.2 耦合PINN模型的优势与适用性**

所提出的PINN框架将控制方程嵌入损失函数，确保预测满足物理守恒定律，具有可解释性。通过引入K-L展开得到的随机变量，模型有效整合空间变异性，实现直接的不确定性量化。与传统数值方法相比，计算效率显著提升（从小时级降至秒级），特别适用于多场景分析、参数敏感性研究和工程应用中的快速评估。此外，该模型可与监测系统结合，支持实时预测与决策。

**4.3 工程应用价值与局限性**

该框架解决了传统确定性模型低估渗流生态影响的问题，为隧道工区生态保护、植被恢复和地下水控制提供科学依据；能够快速完成大量随机场工况筛选，优化衬砌结构、排水系统和注浆范围，降低成本和工期；在突水突泥等突发事件中，可在秒级提供渗流范围和生态影响程度，支持快速处置；还能预测数月乃至数年尺度的地下水、植被和土壤变化，为长期生态监测与修复提供参考。然而，模型采用二阶平稳随机场和指数协方差函数，对于极端非均质和非平稳地层需改进协方差模型或采用非平稳随机场；二维模型无法完全还原三维渗流路径和生态响应差异，三维扩展将提高精度但增加计算成本；生态响应采用简化经验方程，未考虑植物物种差异、季节变化和人类活动等复杂因素；模型精度依赖地质勘察和监测数据，数据不足时泛化能力会受影响。

**4.4 研究展望**

未来研究可构建三维K-L随机场和三维PINN架构，实现真实空间形态下的渗流—力学—生态高精度预测；结合长期监测数据建立时序PINN模型，进行在线参数更新和动态预测；将预测模型与优化算法结合，实现隧道结构安全、涌水控制和生态保护的多目标协同优化；结合蒙特卡洛模拟与PINN，开展低概率、高风险突水及生态退化事件的概率评估。

**五、研究结论**

本研究通过整合随机场理论和物理信息神经网络，构建了随机水文—地质—力学—生态耦合框架，用于研究空间非均质条件下隧道渗流及其环境影响。主要结论如下：

（1）空间变异性在控制渗流行为中起主导作用。与确定性模型相比，随机场工况始终产生更高的渗流强度和更强的地下水降深空间非均质性，局部响应显著超过平均场预测。

（2）隧道渗流引发地下水、土壤和植被的耦合响应。地下水疏干伴随土壤性质协调变化，随机场显著放大了隧道渗流对地表生态系统的负面影响，传统确定性均值模型对生态风险存在明显低估。

（3）所提出的PINN融合框架实现了不确定性条件下的高效准确预测。模型预测精度高（R² > 0.97），计算效率提升约万倍，可直接输出响应场的均值、方差和95%置信区间等统计特征，有效捕捉空间参数变异引起的响应波动，为工程风险评价提供定量依据。

该框架为地下工程水灾害评估和长期环境影响分析提供了一种物理一致且计算高效的工具，对保障隧道工程安全与生态环境可持续发展具有重要价值。