物理-数据驱动的盾构隧道周边涌水诱发表层扰动前向预测及沉降信息诊断

《Transportation Geotechnics》：Physics-data-driven forward prediction and settlement-informed diagnosis of gushing-induced ground disturbance around shield tunnels

　　

摘要

盾构隧道局部渗漏引发的水土涌出会导致土壤渐进流失、隐蔽的地下扰动和严重的地表沉降，威胁隧道及周边基础设施安全。由于水力-力学耦合响应高度非线性，快速评估仍然困难，而高保真模拟在重复场景评估中代价高昂。本研究提出一种物理-数据驱动方法，用于预测和诊断水土涌出引起的地层扰动。利用已验证的物质点法（MPM）模型构建了高保真模拟数据库，并采用五个描述符表征地表响应：地表最大沉降量和沉降槽宽度用于表征地表变形，地下渗流区的面积、质心径向距离和质心极角用于表征隐蔽扰动。研究提出两项互补任务：基于场景的正向任务，用于预测完整扰动状态；以及沉降信息驱动的诊断任务，根据可观测的沉降响应推断隐蔽的地下描述符。采用场景隔离协议与Optuna-GroupKFold优化训练了四种机器学习模型。结果表明，多层感知机（MLP）在两项任务中均表现出最佳的整体性能，随机森林（RF）和极端梯度提升（XGBoost）为有效的替代方案。SHapley加性解释（SHAP）分析表明，土壤流失主要影响扰动严重程度，涌出位置决定地下渗流区的演化，当土壤流失信息不可得时，沉降响应有助于估计涌出阶段。该框架为隧道涌出事件事件评估和监测导向诊断提供了可解释且高效的工具。

引言

由于其显著优势，盾构隧道已被广泛应用于城市交通网络，如地铁和城市快速路。然而，富水砂层中的盾构隧道容易通过管片接缝和局部缺陷发生渗漏。一旦形成渗漏通道，地下水会将土壤带入隧道，导致渐进的地下扰动和地表沉降。在某些严重情况下[1], [2]，扰动甚至可能引发地面塌陷或溶洞，从而威胁隧道安全和城市可用性（图1）。最近的一个案例是2025年曼谷Sam Sen Road塌陷事件，在该地铁站施工场附近形成了一个大型溶洞，严重扰乱交通并影响公共市政设施。该溶洞宽约30米，深达50米，由水土涌入隧道施工区域引发。与开挖引起的变形相比，涌出引起的地层扰动源于强耦合的渗流和应力重分布，使得快速评估尤为困难。

关于隧道渗漏和涌出引起的地层扰动的现有研究可大致分为几类方法。物理模型试验可在受控条件下直接观测渗流驱动下的土壤流失、地表沉降和渐进破坏[3], [4], [5]。例如，梁等[6]利用物理模型试验探讨了上覆粉土、下卧砂土的双层地层中的塌陷机理。此类试验提供了宝贵的物理洞察，但其解释通常受模型比例、简化边界条件以及难以连续观测内部扰动场的影响。同时，数值模拟已被广泛用于研究隧道渗漏相关的水力与力学耦合响应[7], [8], [9]。然而，传统的基于网格的公式在局部侵蚀发展为极大变形时可能遇到困难。为解决这一局限性，基于粒子和物质点的大变形方法日益受到关注[10], [11]。例如，基于CFD-DEM建模，张等[12]提出了一种闭环机理框架，以表征潜蚀如何演变为涌出并最终导致土壤塌陷。特别是，物质点法适用于大变形岩土工程问题[13], [14]，已成功应用于滑坡运动[15]和土-结构相互作用[16], [17]。

尽管存在上述优势，高保真模拟对于快速的多种情景评估仍然过于昂贵。在工程实践中，通常需要在广泛的可能涌出条件下快速筛选地层扰动的大致量级和空间范围，而非依赖仅针对少数选定工况的详细正向模拟。重复模拟的高计算成本使其不适合时间紧迫的应急评估或大规模的参数探索，从而促使采用机器学习模型[18], [19]。近期，数据驱动方法（尤其是用于预测隧道施工引起的沉降的方法）日益受到关注。例如，Kim等[20]使用五种机器学习算法结合贝叶斯优化来预测隧道施工引起的地表沉降，并发现XGBoost在他们的城市隧道数据集上表现最佳。最近，冯等[21]开发了用于地铁盾构隧道渗漏分段的可解释深度学习模型。总体而言，这些研究证实了数据驱动方法在涉及多变量耦合和快速预测需求的岩土工程问题中具有巨大潜力。

然而，针对盾构隧道周围涌出引起的扰动的数据驱动评估尚不完整。首先，许多相关研究侧重于可观测响应，而很少量化隐蔽的地下扰动，而这对于追踪涌出演化至关重要。地表沉降仅代表地层响应的表面表现，并不能唯一地表征内部扰动状态。在不同地质和渗漏条件下，类似的沉降量可能对应不同的扰动范围、迁移方向或涌出发展阶段。因此，表征地下扰动区域对于获取更完整的涌出过程描述具有重要意义。其次，当前的数据驱动预测方法仍未充分考虑地质条件和物理性质的耦合效应，尽管这些因素共同控制地层响应。第三，关键的涌出状态变量往往难以直接测量，而通过结合可用的监测数据与场景信息来推断隐蔽地下扰动的有限。因此，现有数据驱动方法在信息不完全条件下的涌出危害评估与诊断方面仍显不足。

为弥补这些不足，本研究开发了一种物理-数据驱动框架，用于快速预测和沉降信息驱动的盾构隧道周围涌出引起的地层扰动诊断。首先利用已验证的双相MPM模型生成涵盖代表性涌出场景的高保真数据库，随后利用模拟响应进行代理模型开发和物理解释。本研究的主要进展有两方面。首先，建立了一个统一的扰动描述符体系，用于表征可观测的地表响应和隐蔽的地下扰动。最大地表沉降和沉降槽宽度表征地表变形的量级和范围，而渗流区面积、质心距离和质心角描述地下扰动区域的规模和空间演化。这将涌出评估从传统的地表沉降预测扩展到对地层扰动状态的更完整表征。其次，针对不同信息条件提出了两项互补的学习任务。基于场景的正向任务从给定的场景变量和累积土壤流失质量出发预测完整扰动状态，支持前瞻性危害评估。相比之下，沉降信息驱动的诊断任务利用可观测的地表沉降和可用的场景信息，在累积土壤流失质量不可得时推断隐蔽的地下扰动，提供监测导向的诊断能力。所得模型采用场景隔离协议进行评估，同时运用SHAP分析进一步考察所学习的关系是否与潜在的水力-力学机理一致。

章节摘要

框架概述

所提方法的框架如图2所示。它包含两条针对盾构隧道周围涌出引起的地层扰动的互补预测路径：基于场景的正向路径和沉降信息驱动的诊断路径。正向路径使用五个可及因子和一个涌出强度度量来预测完整扰动响应，支持前瞻性危害评估。诊断路径使用相同的可及因子以及两个可观测

双相MPM

数据库通过已验证的双相MPM [22], [23]建立。与传统的基于网格的方法相比，双相MPM尤其适合涌出问题，因为它能在大土壤变形条件下捕捉全饱和土壤行为，同时避免严重的网格畸变。

本研究采用单点双相MPM公式，如图4所示。按照有限元法（FEM）中常用的分类，完全耦合的双相MPM方案可以是

机器学习建模方法

基于双相MPM模拟构建的高保真数据库，开发了机器学习代理模型，以提供涌出引起的隧道扰动的快速预测与诊断。

基于场景的正向模型性能

基于场景的正向模型是所提框架的主要预测模块。正向模型以 (x_a, m_s) 作为输入，预测完整扰动描述符向量 (S_max, W_s, A_f, d_f, θ_f)。模型性能在场景隔离测试集上评估，其中所有测试场景均排除在模型训练和超参数优化之外。因此，所报告的结果反映了模型对未见过涌出场景的泛化能力，而非

结论

本研究开发了一种物理-数据驱动框架，用于快速预测和沉降信息驱动的涌出引起的地层扰动诊断。可得出以下结论。

(1) 建立了隧道涌出扰动分析的高保真模拟数据库。已验证的双相MPM模型捕捉了水土涌出的主要水力-力学响应，包括地表沉降、累积土壤流失和地下渗流区演化。共680个渗漏

CRediT作者贡献声明

周文定： 方法论，形式化分析，写作——审阅与编辑。谢晓闯： 写作——审阅与编辑，写作——初稿，软件，资金获取。陈兆庚： 软件，数据管理。郭晓阳： 写作——审阅与编辑，方法论。张学亮： 写作——审阅与编辑，验证。程衡： 可视化，资金获取。张冬梅： 写作——审阅与编辑，监督，概念化。

利益冲突声明

作者声明，他们不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

致谢

本工作获得了国家自然科学基金（批准号52408436、U2443232、52238010）、上海市科学技术委员会项目（批准号22XD1430200、21DZ1200601、20DZ1201404）的资助。

周文定|谢晓闯|陈兆庚|郭晓阳|张学亮|程衡|张冬梅