在城市地下空间开发中，盾构施工引发的地表沉降预测是一个复杂的系统工程问题。传统方法往往忽略施工过程的动态特性和多因素耦合影响，导致预测精度有限。近期一项发表于《Automation in Construction》（中科院1区Top期刊）的文章提出了一种创新性的深度学习框架，通过时空效应建模、多模态数据融合和多模型协同机制，实现了对盾构隧道施工引起的稳态地表沉降的高精度预测。

文章链接：

Deep learning-based prediction of steady surface settlement due to shield tunnelling

文章引用：

G. Wang, Q. Fang, J. Du, J. Wang, Q. Li, Deep learning-based prediction of steady surface settlement due to shield tunnelling, Autom. Constr. 154 (2023) 105006. https://doi.org/10.1016/j.autcon.2023.105006.

文章作者：

王赶，合肥工业大学，邮件：gwang@hfut.edu.cn。

一、时空效应建模：突破静态预测局限

盾构施工是一个典型的时空动态过程，地表沉降具有明显的时空传播特性。该方法通过机制分析，为每类参数设计了具有物理意义的时空输入范围：

1. 参数时空范围设计

• 几何参数：采用[n-10, n+10]环范围，覆盖前后30米影响区域

• 地质参数：选取n-10, n-5, n, n+5, n+10五个关键断面

• 掘进参数：[n-10, n+2]环范围，反映刀盘前方至盾尾通过的全过程

• 注浆参数：[n-2, n+7]环范围，捕捉注浆行为的延迟效应

2. 时序特征提取

• 使用加权平均方法处理掘进参数，按推进速度和转速加权

• 采用Bi-LSTM网络捕捉参数的时序依赖关系

• 通过滑动窗口机制实现施工过程的连续建模

二、多模态数据融合：综合考量五大影响因素

研究将影响因素系统性地分为五大类别，每类参数采用专门的编码和处理方法：

1. 几何模态

• 包含隧道直径、埋深、管片尺寸等静态参数

• 采用多断面采样策略，保留空间变化信息

2. 地质模态

• 创新性地提出地质编码方法

• 将土层类型、厚度、深度信息编码为5×20×2的三维数组

• 区分隧道冠部以上和冠底以下土层的影响

3. 掘进模态

• 包含推力、扭矩、刀盘压力、推进速度、转速5个关键参数

• 经过去噪、异常值处理、加权平均等预处理流程

4. 注浆模态

• 包含注浆压力、注浆量、尾隙三个参数

• 考虑注浆行为的时间延迟特性

5. 不可测模态

• 通过邻近监测点历史数据间接反映

• 包含施工工艺、测量误差、水位变化等因素

三、多模型协同机制：分工协作提升预测精度

研究设计了三个专用模型，分别负责模型预测，误差修正与响应参数辅助预测。通过分工协作实现对地表沉降的精准预测：

1. HDNN（混合深度神经网络）

针对盾构工程中的多种因素，建立多模态模型，分别提取参数特征。

• 架构：CNN提取地质空间特征 + Bi-LSTM捕捉时序特征 + DNN进行特征融合

• 输入：几何、地质、掘进、注浆四类模态数据

• 输出：初步沉降预测值

2. ECM（误差修正模型）

主要针对工程中存在的不可测因素或者不可量化参数造成的误差而设计。

• 架构：基于Bi-LSTM的序列预测模型

• 输入：10个邻近监测点历史数据、HDNN输出、点间距

• 功能：修正不可测因素带来的预测误差

• 输出：误差修正值

3. 辅助模型

针对主动控制参数与响应参数的相互作用机制展开。

• 架构：深度神经网络

• 输入：操作参数（刀盘压力、推进速度、转速）+ 前方地质信息

• 输出：预测推力(Th)和扭矩(To)

• 作用：为HDNN提供前方未知参数

四、技术优势与工程价值

技术优势：

1. 物理机制驱动：基于体积损失机制设计输入参数体系

2. 时空统一建模：同时考虑参数的空间分布和时间演化

3. 多模态深度融合：五大类参数各有专用处理通道

4. 模型协同优化：三模型各司其职，形成预测闭环

工程价值：

• 可实现实时预测，指导施工参数动态调整

• 具备跨项目泛化能力，减少对新项目数据的依赖

• 预测精度显著提升（RMSE降至2.68mm）

• 为智能盾构系统提供核心算法支撑

五、总结

这项研究通过时空效应建模、多模态数据融合和多模型协同机制的三重创新，建立了盾构沉降预测的新范式。其核心价值在于将工程机理与深度学习深度融合，实现了从"单一断面静态预测"到"全过程动态智能感知"的跨越，为城市地下工程的安全施工提供了可靠的技术保障。

这种方法论不仅适用于盾构沉降预测，也为其他复杂工程系统的智能建模提供了可借鉴的框架思路。