机器学习精准预测超大直径盾构地表沉降，破解复合地层施工难题

近年来，随着城市化进程加速，地下隧道成为解决交通拥堵的关键方案。然而，大直径盾构机在复杂地层中施工时，地表沉降问题频发，可能威胁周边建筑安全。如何精准预测沉降量，成为工程界亟待解决的难题。近日，河海大学研究团队在国际期刊《结构与土木工程前沿》发表论文，提出一种基于麻雀搜索算法（SSA）与极端学习机（ELM）的混合模型（SSA-ELM），成功应用于江阴—靖江长江隧道左线工程，将地表沉降预测精度提升至88%，为超大直径盾构施工提供了智能化解决方案。

传统方法遇瓶颈：复合地层成“拦路虎”
盾构法因高效、安全被广泛采用，但施工中不可避免引发地表沉降。传统预测方法如经验公式、数值模拟等，在均质地层中尚可应对，却难以适应复合地层（如砂层与粉质黏土交错）的复杂性。例如，砂层中盾构推力过大会导致地表先隆起后沉降，而复合地层中可能直接发生剧烈沉降，传统模型无法捕捉这种非线性变化。

江阴—靖江长江隧道左线工程全长6450米，穿越长江北岸复合地层，涉及砂层、粉质黏土与砂互层等多种地质条件。项目采用直径超15米的泥水平衡盾构机，施工中面临“一刀切”压力控制难题：推力不足可能引发塌方，推力过大则导致地表沉降超标。团队负责人冯图根教授指出：“复合地层中，局部加压模式虽能提高效率，但参数细微偏差就可能引发连锁反应，精准预测是安全施工的核心。”

机器学习破局：SSA-ELM模型兼顾精度与效率
研究团队引入机器学习技术，构建了SSA-ELM混合模型。该模型结合了两种算法的优势：

极端学习机（ELM）：一种单隐层神经网络，随机生成输入层权重后，直接计算输出层权重，训练速度比传统神经网络快10倍以上。
麻雀搜索算法（SSA）：模拟麻雀觅食与避险行为的优化算法，通过“生产者-跟随者”分工机制，快速锁定全局最优解，解决了ELM参数随机性导致的精度波动问题。
研究团队采集了江阴隧道工程中184环施工数据，涵盖刀盘转速、总推力、注浆压力等13项关键参数，结合地质模量、隧道埋深等指标，构建了包含14个输入参数的数据库。通过SSA优化ELM的权重与偏置，模型在复合地层中的预测表现显著提升：

精度指标：平均确定系数（R²）达0.8822，较传统ELM模型（0.7891）和SSA-BP模型（0.7381）分别提升11.8%和19.5%；
误差控制：平均绝对误差（MAE）和均方根误差（RMSE）仅为0.3357毫米和0.4072毫米，优于其他模型；
训练效率：单次训练耗时0.2346秒，虽略慢于ELM（0.1159秒），但远快于SSA-BP模型的1.8427秒。
工程验证：从“盲人摸象”到“透视地层”
在江阴隧道工程中，SSA-ELM模型成功预测了两种典型地层的沉降规律：

砂层：地表呈现“先隆起后沉降”趋势。以监测断面A为例，盾构机抵达前20米时，最大隆起量达1.17毫米；远离120米后，沉降量增至-1.04毫米。模型准确捕捉推力（149.88 MN）与推进速度（36 mm/min）对变形的非线性影响。
粉质黏土-砂复合地层：地表沉降幅度更大且无隆起。监测断面D的最大沉降达-2.37毫米，模型通过分析砂占比（φ）与注浆压力关联性，预警了潜在风险。
研究还发现，模型对突变数据的敏感度极高。例如，复合地层中断面F的15-16号监测点沉降量骤增0.8毫米，模型预测误差仅0.12毫米，为现场调整注浆参数争取了关键时间。

未来展望：从预测到主动调控
尽管该模型已在工程中验证有效性，团队仍提出进一步优化方向：

动态参数优化：将地表沉降作为目标函数，结合智能算法实时调整盾构推力、刀盘扭矩等参数，形成“预测-调控”闭环；
多源数据融合：引入地质雷达、光纤传感等实时监测数据，提升模型在复杂工况下的泛化能力；
风险预警系统：开发可视化平台，结合BIM技术实现沉降趋势三维动态展示，辅助工程师决策。
冯图根教授表示：“SSA-ELM模型不仅适用于长江隧道，未来可在跨海隧道、城市地铁等工程中推广，为‘透明地层’施工提供技术支撑。”

结语
从依赖经验到数据驱动，机器学习正重塑隧道工程的安全边界。江阴—靖江长江隧道的实践表明，SSA-ELM模型以88%的预测精度和秒级响应速度，为复合地层盾构施工装上了“智慧之眼”。随着算法迭代与多学科融合，地下空间的智能化开发将迈入新纪元。

来源: FrontClVIL