软弱地层盾构下穿既有隧道互馈机理与智能决策方法研究

建筑业

1. 融合智能优化与Bi-LSTM的盾构扭矩预测精度显著提升 通过PSO、GA、SSA和HGS优化Bi-LSTM超参数，建立了混合预测模型。基于500组工程数据验证，HGS-Bi-LSTM表现最优，测试集R��达0.786，RMSE为321.94 kN·m，MAPE为14.9%，优于其他优化组合。结果表明，智能优化算法能有效提取时序特征，提升预测稳定性与精度，为盾构扭矩动态预测提供了可靠方法。
2. 结合历史时序与当前环信息的Bi-LSTM模型预测效果更优 提出融合历史时间序列与当前环参数的改进Bi-LSTM方法，在青岛地铁4号线数据上进行验证。测试集R��提升至0.801，较传统Bi-LSTM提高16.2%，且96%样本误差控制在400 kN·m内。消融实验表明，双向传播结构和时间步长设为20时模型性能最佳，证实融合多源信息能有效应对地质突变，增强预测鲁棒性。
3. 物理-数据双驱动模型在小样本条件下具有显著优势 建立融合SVR与地层位移解析解的双驱动预测模型，基于250组跨地层数据进行分析。当样本量少于70时，双驱动模型测试集R��最高达0.531，MAE为1.169 mm，优于纯数据驱动模型；样本量充足时，数据驱动模型表现更优。结果表明，物理约束在小样本场景中能有效提升泛化能力，为数据稀缺条件下的地层位移预测提供了新途径。
4. 两阶段智能决策方法实现盾构施工参数的多目标优化 提出PSO-MLP与NSGA-Ⅱ结合的自适应决策框架，第一阶段预测推力与扭矩，第二阶段优化掘进速度DS和地表沉降MSS。应用青岛地铁6号线数据，优化后DS平均提升25.83%，MSS降低51.06%，推力与扭矩范围更适应复杂地层。该方法实现了施工效率与安全性的协同优化，为动态调整掘进参数提供了智能支持。

拟通过科技成果转化的方式，将上述技术体系转化为以下产品与服务，面向城市轨道交通、公路隧道、综合管廊等市场进行推广。盾构施工参数智能预测软件模块：嵌入盾构主控系统或作为独立决策支持系统，提供刀盘扭矩、掘进速度、地表沉降的实时滚动预测。施工参数动态优化决策平台：基于多目标遗传算法，为现场施工人员提供推力、扭矩等关键参数的动态优化建议，实现效率-安全协同最优。小样本条件下的地层响应评估服务：针对地质勘察数据有限的复杂地段，提供基于双驱动模型的专项地层沉降风险评估服务。 合作方基础条件：(1)行业背景：优先考虑从事盾构机/TBM装备制造、隧道施工、城市轨道交通投资建设、工程智能化服务等领域的企业；具备一定的行业市场渠道或客户资源。(2)技术承接能力：具备软件开发与硬件集成的技术团队，能够理解并承接算法模型的封装、界面开发及与现有盾构控制系统的数据接口对接工作。(3)应用场景：能够提供不少于1个在建或拟建的盾构隧道工程项目作为技术成果的示范应用场景，以便进行技术的实地验证与迭代优化。

可国（境）内外转让

研究成果为城市地铁等隧道工程的安全高效施工提供了关键技术支撑。通过精准预测刀盘扭矩、地表沉降等关键指标，可有效预防施工风险、减少地层扰动，保障周边建筑与管线安全。智能决策系统能优化掘进参数，提升了施工效率，降低了地表沉降，直接节约施工成本与工期。该技术体系的应用推广，将推动隧道施工向数字化、智能化转型，为我国城市地下空间安全开发与交通基础设施建设提供重要技术保障。

北京市自然科学基金项目

北京市科学技术委员会;中关村科技园区管理委员会

针对盾构隧道施工参数预测难、地层响应复杂及协同优化难等挑战，以提升掘进智能化水平为目标，基于青岛及北京地铁实测数据，围绕刀盘扭矩智能预测、时序参数动态建模、地层位移反演及施工参数多目标协同优化，形成了参数感知-效应预测-智能决策的盾构智能建造技术体系。在刀盘扭矩预测方面，针对其非线性、强耦合的时序特征，将粒子群算法(PSO)、遗传算法(GA)、饥饿游戏搜索(HGS)和麻雀搜索算法(SSA)与双向长短期记忆网络(Bi-LSTM)结合，构建四种混合智能预测模型。对比算法效率与稳定性表明，HGS-Bi-LSTM模型预测精度最优，决定系数(R²)达0.786，实现了刀盘扭矩的高精度动态预测。在时序参数建模方面，提出一种融合历史时序特征与当前环即时参数的改进Bi-LSTM架构，通过拼接Bi-LSTM层提取的时序特征与当前环的地质、几何及主动掘进参数，实现历史规律与实时信息融合。青岛地铁数据验证表明，该方法预测刀盘扭矩的R²提升至0.801，显著优于传统Bi-LSTM模型；消融实验验证了双向信息传播机制对泛化能力的关键作用。在地层位移反演方面，针对小样本下纯数据驱动模型精度不足，构建了将支持向量机(SVR)与弹性力学解析解相结合的双驱动预测模型。通过在损失函数引入物理约束，使样本量少于70组时预测精度显著优于纯数据驱动模型，抑制过拟合，增强物理可解释性。在施工参数协同优化方面，开发了两阶段自适应智能决策系统：第一阶段采用粒子群优化的多层感知器(PSO-MLP)精准预测推力与扭矩；第二阶段利用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对掘进速度（效率）与地表沉降（安全）进行协同优化。工程应用表明，该系统使掘进效率平均提升25.83%，地表沉降降低51.06%，实现了施工效率与安全性的自动化协同寻优。研究结论表明，所提系列智能方法有效提升了盾构掘进参数预测精度与施工决策智能化水平，为复杂环境下盾构施工安全高效推进提供了理论支撑与技术方案，对推动隧道建设智能化、自适应转型具有重要工程价值。