1.寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，包括以下步骤：S1、获取寒区隧道现场含时序与空间维度属性的监测数据；所述监测数据包括温度数据、应力数据、渗流压力数据，所述监测数据类型分为正常数据、缺失数据与异常数据；S2、对所述监测数据进行智能修复与异常识别，得到预处理后的监测数据；S3、以所述预处理后的监测数据为基础，构建多场耦合推演模型；S4、基于所述多场耦合推演模型输出多场耦合空间-时间演化规律，诊断所述寒区隧道的潜在灾害类型，同时结合概率分析确定灾害风险等级；所述灾害风险等级分为低、中、高三级；S5、以所述灾害风险等级为约束，结合所述多场耦合空间-时间演化规律，采用嵌入热-水-力控制方程的物理信息神经网络模型，预测所述灾害风险等级为中、高风险的部位处衬砌结构形态在不同时间尺度下的演化趋势。
2.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于：所述S2中的智能修复采用基于时间序列分析的深度学习模型与克里金插值相结合的算法，具体包括：利用历史监测数据训练所述基于时间序列分析的深度学习模型，通过训练后的所述基于时间序列分析的深度学习模型预测所述历史监测数据缺失点的时序特征，结合克里金插值弥补所述历史监测数据的空间空缺，确保修复后的历史监测数据的时空一致性；通过滑动窗口法验证所述修复后的历史监测数据的准确性，当所述修复后的历史监测数据经滑动窗口法验证出现误差超过预设的第一阈值或所述修复后的历史监测数据违背物理规律时，针对所述基于时间序列分析的深度学习模型的核心参数和结构进行调整，并重复所述智能修复的操作；所述S2中的异常识别采用孤立森林算法与马氏距离相结合的方法，具体包括：对监测数据进行标准化处理，通过孤立森林算法快速分离潜在异常数据点，结合马氏距离计算数据偏离正常分布的程度以确认异常数据，对异常数据进行标注剔除或结合时序前后监测数据、空间相邻点监测数据及工程工况修正。
3.根据权利要求2所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，通过所述滑动窗口法验证时，将所述第一阈值设为5％。
4.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述S3中的多场耦合推演模型采用有限元方法结合格子玻尔兹曼方法构建；所述多场耦合推演模型通过迭代求解多场耦合方程组建立耦合机制，形成闭合耦合系统；所述多场耦合推演模型基于实时的所述预处理后的监测数据，采用贝叶斯更新方法动态校准模型参数。
5.根据权利要求4所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述耦合机制包括温度场对渗流场孔隙压力的影响、渗流场对应力场孔隙应力的作用以及应力场对温度场热传导的反馈；所述多场耦合推演模型包括温度场子模型、应力场子模型、渗流场子模型：所述温度场子模型基于所述监测数据中的温度数据，采用导热方程构建，构建过程通过将有效热导率和比热容设置为温度与冰/水饱和度的函数，并结合焓法或表征比热容法引入潜热项，从而体现冻结岩土体热物性参数随温度变化的非线性特性；所述应力场子模型采用弹塑性力学模型结合莫尔-库仑准则构建，基于所述监测数据中的应力数据对所述应力场子模型的参数进行校准；所述渗流场子模型基于所述监测数据中的渗流压力数据，采用达西渗流方程与理查兹方程构建，构建过程通过将渗透系数设置为冰/水饱和度和温度的函数，并结合孔径分布确定的冻结曲线计算冰含量，从而体现冰水相变对渗透系数的影响。
6.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述S4中的诊断所述寒区隧道的潜在灾害类型包括：建立寒区隧道典型灾害的特征数据库，从所述多场耦合空间-时间演化规律中提取关键特征，利用支持向量机模型对关键特征进行分类以判断灾害类型，结合模糊逻辑算法量化灾害影响范围与破坏程度，生成灾害诊断报告；所述S4中的结合概率分析确定灾害风险等级包括：构建风险模型，所述风险模型包含风险矩阵，所述风险矩阵的横轴为灾害发生概率、纵轴为灾害后果严重性；以所述多场耦合空间-时间演化规律为输入，通过蒙特卡洛模拟生成灾害发生概率分布，结合所述寒区隧道的历史灾害案例数据校准风险模型参数，最终根据概率分布与风险矩阵判定灾害风险等级，并匹配对应防控建议。
7.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述S5中的物理信息神经网络模型的输入参数还包括衬砌材料力学参数，所述衬砌材料力学参数包括弹性模量、泊松比、热膨胀系数；所述物理信息神经网络模型将热-水-力控制方程嵌入神经网络损失函数，所述热-水-力控制方程包括导热方程、达西渗流方程、弹塑性力学方程；所述物理信息神经网络模型训练包括：以所述预处理后的监测数据为训练数据集，结合所述多场耦合空间-时间演化规律进行预训练；基于所述灾害风险等级动态调整模型损失函数权重，提高所述灾害风险等级为中、高风险区域的模型权重；采用自适应学习率优化算法训练模型，将预测误差控制在预设的第二阈值以内。
8.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述S5中的不同时间尺度包括小时级、日级和月级；小时级预测的时间分辨率为1小时，日级预测的时间分辨率为24小时，月级预测的时间分辨率为30天。
9.根据权利要求1所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法，其特征在于，所述S5中，所述灾害风险等级为中、高风险的部位处衬砌结构形态在不同时间尺度下的演化趋势的预测结果包括衬砌结构应力演化曲线、衬砌变形速率图谱、衬砌应变空间分布图谱及结构演化趋势分析报告。
10.寒区隧道灾害多场耦合推演与衬砌响应预测装置，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的寒区隧道灾害多场耦合推演与衬砌响应预测方法。
