CN117951799B - 地铁盾构隧道横向收敛变形的长期治理方法 - Google Patents

Abstract

本发明提供一种地铁盾构隧道横向收敛变形的长期治理方法，包括：收集隧道的工程信息，查明隧道现状轮廓；根据工程信息及隧道现状轮廓，确定隧道目标轮廓；建立有限元仿真模型，反分析周边荷载分布曲线；通过决策树模型计算施工参数，完成治理方案设计，并进行隧道治理；通过循环神经网络算法模型，预测典型时刻周边荷载；基于典型时刻的隧道周边荷载，设计施工方案，计算隧道收敛变形轮廓；在典型时刻进行监测，根据误差确定是否调整施工方案。本发明解决了以往隧道治理方案对经验性依赖过大，加固效果难以长时间维持的问题，同时该方法还可以考虑周边施工的影响，更加具有科学性、有效性和全局性。

Description

地铁盾构隧道横向收敛变形的长期治理方法

技术领域

本发明涉及盾构隧道工程技术领域，尤其涉及盾构隧道变形治理领域，具体为一种地铁盾构隧道横向收敛变形的长期治理方法。

背景技术

在地面资源紧张的城市地区，地铁隧道通常采用不占用地上空间的盾构法修建。盾构隧道由多块管片通过螺栓连接，相比于整体结构在横向刚度与整体性上存在不足，因此在外界水土荷载的长期作用或周边临近施工的扰动下，隧道通常会产生收敛变形，即在横断面内从正圆轮廓变为椭圆轮廓。当隧道的收敛变形不断发展时，管片易产生裂缝、掉块等病害；轨道易发生变形、错位等问题；信号设备易出现受损故障，这些问题均会影响隧道结构安全与列车运行。而当收敛变形达到一定值后，隧道轮廓甚至可能侵入列车限界，引发严重的运营事故。

目前在盾构隧道收敛变形的治理中，可主要分为检测与施工两个流程。在检测时，通过三维激光扫描、全站仪测量等手段，获取隧道的现状内轮廓，以此判定需要修复的区段。施工可依照先后顺序进一步分为调整变形与提升刚度两个阶段。在调整变形阶段，通过以微扰动注浆为主的手段调整既有隧道的收敛变形至合理值，之后待隧道收敛变形值稳定后，通过以钢环加固为主的隧内加固手段提升既有隧道的刚度，避免隧道再次大幅变形。因此，在相关修复治理方案的确定中，常根据隧道检测的结果，通过专家论证确定修复标准，拟定施工方法，并于施工过程中检验变形调整效果。

但是，现有技术用于解决隧道收敛变形问题时常面临以下问题：

（1）加固方案对经验性内容依赖大。在调整变形阶段，需要根据收敛变形的回调效果，经验性地调整注浆量、注浆压力等参数；在提升刚度阶段，需要通过模型试验、数值仿真等手段，计算隧道修复后的长期受力状态，论证隧道内部加固的必要性，决定施加何种程度的隧道内部加固方法。而在经验性不明确时，容易高估收敛风险，过于保守地设计相关工程措施，大幅提升治理成本。

（2）现有手段的加固时效难以维持。在材料长期劣化和土体蠕变效应的作用下，单次恢复性的治理常常仅考虑现在隧道周边的力学平衡，而忽略了其在远期必然存在的力学变化。因此已治理好的隧道仍会发生持续性的变形，治理的时效往往维持于治理后的短暂时期。

（3）难以考虑周边施工扰动作用。隧道的横向收敛控制一般仅按照现状进行治理，未结合周边施工影响，未考虑远期诸如新建隧道穿越，上部地块开发等常见工况，使治理方案较为局限，未考虑隧道易变的长期服役环境。

因此，急需一种地铁盾构隧道横向收敛变形的长期治理方法，来解决上述诸多问题。

发明内容

针对现有技术的不足，本发明提出了一种地铁盾构隧道横向收敛变形的长期治理方法，系统性地梳理了治理方案所需的工程信息，采用机器学习算法、有限元分析等手段对隧道周边荷载进行有序分析，为治理方案的生成提供了辅助决策，并引入长期效应的相关分析生成远期治理方案，使治理措施兼顾了全局性与有效性。这种方法还改变了以案例支撑、专家决策为主的传统业务流程，替代以算法辅助、人工调整的智能流程，提升了隧道治理方案的科学性和延续性。

为实现以上目的，本发明通过以下技术方案予以实现：

一种地铁盾构隧道横向收敛变形的长期治理方法，包括如下步骤：收集待治理的 地铁盾构隧道的工程信息，查明隧道收敛变形的现状轮廓；根据工程信息以及隧道收敛 变形的现状轮廓，确定隧道收敛变形的目标轮廓；建立有限元仿真模型，基于现状轮 廓与目标轮廓对隧道周边荷载分布曲线进行反分析，得到现状轮廓下的隧道周边 荷载分布曲线以及目标轮廓下的隧道周边荷载分布曲线，其中，为环内角 度；基于、、工程信息，通过机器学习模型，计算隧道治理方案的施工参数，完 成治理方案设计，并进行隧道治理；基于、、工程信息以及得到的施工参数， 通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载；基于典 型时刻的隧道周边荷载，设计典型时刻的施工方案，计算典型时刻的隧道收敛变形轮廓；在 典型时刻进行监测，检验隧道治理效果，并根据误差情况确定是否调整施工方案。

作为一个较佳实施例，在所述收集待治理的地铁盾构隧道的工程信息中，所述工程信息包括：隧道结构信息，具体包括：隧道管片内径、管片厚度、管片力学参数、螺栓连接方式、螺栓力学参数、隧道埋深；工程地质信息，具体包括：各土层的力学参数、地下水位；周边施工荷载信息，具体包括：远期新建隧道施工的时间、预期荷载。

作为一个较佳实施例，在所述查明隧道收敛变形的现状轮廓中，所述隧道收敛变形的现状轮廓表示为每环管片各角度下的内径。

作为一个较佳实施例，所述建立有限元仿真模型，基于现状轮廓与目标轮廓 对隧道周边荷载分布曲线进行反分析，得到现状轮廓下的隧道周边荷载分布曲线 以及目标轮廓下的隧道周边荷载分布曲线，包括：建立考虑塑性损伤的盾构隧道 有限元模型，根据隧道埋深及工程地质信息，采用静止水土压力计算理论条件下的隧道周 边荷载，并计算该荷载下的计算轮廓；以隧道现状轮廓为基准，利用如下均方根误差计 算公式，计算与的误差：；其中，、分别为现状轮廓、计算轮 廓在第个角度下的内径；当误差小于等于限制值时，记录此时的隧道周边荷载分布 曲线；当误差大于限制值时，采用遗传算法对隧道周边荷载进行修正，并计算新 荷载分布下的隧道变形轮廓及误差，直至误差小于限制值；以隧道目标轮廓为基准， 重复以上相同反分析，得到隧道目标轮廓时的周边荷载分布曲线。

作为一个较佳实施例，在所述基于、、工程信息，通过机器学习模型， 计算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理中，所采用的机器学习 算法模型为决策树算法模型；在所述基于、、工程信息以及得到的施工参数， 通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载中，所采 用的机器学习算法模型为循环神经网络算法模型。

作为一个较佳实施例，所述基于、、工程信息，通过机器学习模型，计 算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理，包括：预先训练完成决 策树算法模型，得到模型输入特征与输出结果之间的非线性关系；将工程信息整理成结构 化数据，生成全部由数值型特征组成的数据集；将、以及由工程信息生成的数 据集输入预先训练完成的决策树算法模型，输出结果为施工参数；根据施工参数确定隧道 治理方案，并进行隧道治理。

作为一个较佳实施例，所述施工参数包括：注浆角度、浆液种类、注浆压力、注浆量。

作为一个较佳实施例，所述基于、、工程信息以及得到的施工参数， 通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载，包括：预 先训练完成循环神经网络算法模型，得到模型输入特征与输出结果之间的非线性关系；将、、由工程信息生成的数据集以及得到的施工参数输入预先训练完成的循环 神经网络算法模型，输出结果为典型时刻的隧道周边荷载。

作为一个较佳实施例，所述典型时刻指的是有必要确定隧道变形值的标志性时刻，包括新隧道施工开始时、新隧道施工完成时。

作为一个较佳实施例，所述在典型时刻进行监测，检验隧道治理效果，并根据误差情况确定是否调整施工方案中，所述根据误差情况确定是否调整隧道治理方案包括：判断监测数据是否超出预测误差，若超出，则增加检测数据至模型训练集，重新训练模型并继续进行直至满足误差要求；若未超出，进行下一步；判断时间是否超过所有典型时刻，若未超过，则继续进行，若超过，则完成长期治理。

本发明相对于现有技术的有益效果是：本发明提供一种地铁盾构隧道横向收敛变形的长期治理方法，解决了以往隧道治理方案对经验性依赖过大，加固效果难以长时间维持的问题，同时该方法还可以考虑周边施工的影响，更加具有科学性、有效性和全局性。具体优点至少包括如下一个或多个：

（1）本发明提出的长期治理方法，采用多技术手段结合提升了方案确定的科学性。利用机器学习算法考虑复杂条件变化与时间效应作用下的荷载变化、利用了精细化有限元方法计算包含应力历史的结构响应，从而使整个治理方案的考虑更为全面，生成的方案更科学、准确。

（2）本发明提出的长期治理方法，提升了治理措施的延续性。不同于以往单次式的治理，该方法考虑了隧道长期服役面临的荷载变动，并用统一的生成方法辅助方案生成，也就是利用同一套机器学习模型与有限元计算模型进行计算，避免了相关治理措施的盲目性、局部性，符合大规模、长期的隧道治理远景。

（3）本发明提出的长期治理方法，具有发展潜力。监测的工程数据注入数据库后，机器学习模型会随之更新，使其更加贴合工程实际，可精准地计算与预测，辅助完成科学有效的决策工作。

应当理解，本发明任一实施方式的实现并不意味要同时具备或达到上述有益效果的多个或全部。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容涵盖的范围内。

图1为本发明地铁盾构隧道横向收敛变形的长期治理方法的整体流程示意图；

图2为本发明一个实施例的盾构隧道现状轮廓与计算轮廓图；

图3为本发明一个实施例的盾构隧道现状轮廓与目标轮廓图；

图4为本发明有限元仿真模型反分析算法流程图；

图5为本发明一个实施例的盾构隧道现状轮廓与目标轮廓周边荷载分布曲线图；

图6为本发明一个实施例的典型时刻隧道收敛变形轮廓图。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例作进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

应当理解，术语“包括/包含”、“由……组成”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的产品、设备、过程或方法不仅包括那些要素，而且需要时还可以包括没有明确列出的其他要素，或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括/包含……”、“由……组成”限定的要素，并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。

还需要理解，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置、部件或结构必须具有特定的方位、以特定的方位构造或操作，不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

为了更好的理解上述技术方案，下面将结合附图以及具体的实施方式对上述技术方案进行详细的说明。

本发明提供一种地铁盾构隧道横向收敛变形的长期治理方法，参见图1所示的流 程框图，包括如下步骤：S10，收集待治理的地铁盾构隧道的工程信息，查明隧道收敛变形的 现状轮廓；S20，根据工程信息以及隧道收敛变形的现状轮廓，确定隧道收敛变形的目 标轮廓；S30，建立有限元仿真模型，基于现状轮廓与目标轮廓对隧道周边荷载分布 曲线进行反分析，得到现状轮廓下的隧道周边荷载分布曲线以及目标轮廓下的 隧道周边荷载分布曲线，其中，为环内角度；S40，基于、、工程信息，通 过机器学习模型，计算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理； S50，基于、、工程信息以及步骤S40中得到的施工参数，通过机器学习模型对 远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载；S60，基于典型时刻的隧道周 边荷载，设计典型时刻的施工方案，计算典型时刻的隧道收敛变形轮廓；S70，在典型时刻进 行监测，检验隧道治理效果，并根据误差情况确定是否调整施工方案。本发明系统性地梳理 了地铁盾构隧道治理方案所需的工程信息，采用机器学习算法、有限元分析等模型方法对 隧道周边荷载进行有序分析，为治理方案的生成提供了辅助决策。同时，本发明还引入长期 效应的相关分析生成远期治理方案，使治理措施兼顾了全局性与有效性，在一定程度上节 约了隧道治理成本，提高了治理效率。

以下以一个具体实施例介绍本发明的方法步骤。

某地铁盾构隧道已通车运营多年，通过检测发现隧道内A区段有21个连续环片出现了横向大变形。同时，根据建设规划，预期在15个月后于A区段隧道的侧下方还将进行新隧道施工。由此，需要修复既有隧道的横向变形并提升远期的抗变形能力，以下以A区段中某一变形严重的环片为例。

步骤S10中，收集待治理的地铁盾构隧道的工程信息，查明隧道收敛变形的现状轮 廓。

这里所指的待治理的地铁盾构隧道的工程信息具体包括隧道结构信息、工程地质信息、周边施工荷载信息等影响隧道发生横向收敛变形的因素。

具体而言，隧道结构信息包括：隧道管片内径、管片厚度、管片力学参数、螺栓连接方式、螺栓力学参数、隧道埋深等。需要说明的是，隧道管片是盾构施工的主要装配构件，是隧道的最内层屏障，承担着抵抗土层压力、地下水压力以及一些特殊荷载的作用。地铁盾构隧道是由预制管片拼接而成，管片之间通过螺栓连接，结构整体刚度较弱，抵抗变形能力差。盾构隧道受到顶部堆载或侧向卸载后，盾构隧道由圆形逐渐变为椭圆形。盾构管片过大的横向变形会对地铁安全运营及结构耐久性产生诸多不利影响。所以，在这一步骤中，首先需要对隧道管片相关参数进行信息收集，整理待用。

工程地质信息包括：各土层的力学参数、地下水位等。土层结构，地下水位情况会影响隧道管片的荷载，长时间作用后导致隧道收敛变形，因此在这一步骤中，也需要收集外界水土荷载的相关信息。

周边施工荷载信息包括：远期新建隧道施工的时间、预期荷载等。众所周知，导致隧道横向收敛变形的另一个重要因素是周边施工的扰动，开挖过程中会对周围土体造成扰动，使周边隧道结构产生附加荷载，进而影响隧道的安全性，所以在这一步骤中，同样需要掌握未来周边的施工的情况。

在步骤S10中，还需要查明隧道收敛变形的现状轮廓。需要说明的是，隧道收敛 变形的现状轮廓表示为每环管片各角度下的内径，如图2所示，就是现状轮廓曲线在 第个角度（角度表示为）下的内径。用这种方式大致勾勒定义出隧道发生横向变形的椭圆 形轮廓。

步骤S20中，根据工程信息以及隧道收敛变形的现状轮廓，确定隧道收敛变形的 目标轮廓。

需要说明的是，在这一步骤中，需要结合规范限值、使用需求、施工限制确定隧道 收敛变形的目标轮廓。其中，规范限值通过各类现行规范收集总结得到；使用需求根据隧 道内设备要求、列车限界等要求得到；施工限制根据施工具体要求确定。

步骤S20中还包括如下子步骤：

S201，整理各项规定的限值，每项规定均可得到一个隧道变形的最大轮廓。

举例来说，《盾构法隧道施工及验收规范GB 50446-2017》中规定隧道衬砌的椭圆度允许偏差为不超过千分之六，则千分之六变形对应的轮廓即为该规范得到的最大变形轮廓。

利用上述方法，根据规范限值、使用需求、施工限制等内容，可以列举各规定的最大轮廓。

S202，获取隧道收敛变形的各角度下限值的最小值，得到目标轮廓。

需要解释的是，这里获取各角度下限值的最小值的方法类似于包络图概念，步骤 S201得到每个规定允许的最大轮廓，步骤S202则把各个规定的最大轮廓图像叠加，得到盾 构管片的内径在各个角度下的限制值，在这个限制值基础上，通过专家论证，拟定最终合 理的目标轮廓。

参见图3，在本实施例中，环片现状轮廓呈椭圆形（图中蓝色虚线），其椭圆度为 1.3%，椭圆长轴与水平线夹角为12°。根据现行规范及隧道的现状评估报告，拟定修复后的 目标轮廓为椭圆形（图中红色虚线），其椭圆度为0.5%、椭圆长轴与水平线夹角为0°。

需要说明的是，隧道的现状评估报告包括：隧道现状的状态（变形轮廓、既有病害等）和控制需求（规范限值、使用需求和施工限值等）。

步骤S30中，建立有限元仿真模型，基于现状轮廓与目标轮廓对隧道周边荷 载分布曲线进行反分析，得到现状轮廓下的隧道周边荷载分布曲线以及目标轮廓下的隧道周边荷载分布曲线，其中，为环内角度。

需要说明的是，有限元分析是利用数学近似的方法对真实物理系统（几何和载荷工况）进行模拟。利用简单而又相互作用的元素（即单元），就可以用有限数量的未知量去逼近无限未知量的真实系统。具体而言，是将一个连续系统分隔成有限个单元，对每一个单元给出一个近似解，再将所有单元按照一定的方式进行组合，来模拟或者逼近原来的系统或物体，从而将一个连续的无限自由度问题简化成一个离散的有限自由度问题，分析求解的一种数值分析方法。

在本发明中，建立荷载-结构法有限元分析模型，作用是输入隧道荷载分布曲线，输出隧道收敛变形的轮廓。

采用如图4所示的反分析算法，步骤S30具体包括如下子步骤：

在步骤S301中，建立考虑塑性损伤的盾构隧道有限元模型，根据隧道埋深及工程 地质信息，采用静止水土压力计算理论条件下的隧道周边荷载，并计算该荷载下的计算轮 廓；

需要说明的是，参见《盾构隧道工程设计标准GB T 51438-2021》，静止水土压力计 算是岩土工程领域中计算荷载的一种常用方法，可以得到理论条件下的隧道周边荷载，并 通过有限元模型得到计算轮廓。

该步骤是定义优化算法的初始条件，即使用理论条件下的荷载计算理论条件下隧 道的轮廓，这个轮廓被称为计算轮廓。需要理解的是，计算轮廓与实际轮廓必然不一 致，因此使用后续优化算法对轮廓逐渐修正。计算轮廓是通过有限元方法，以理论条件下 的水土荷载（隧道周边荷载）计算得到的。

在步骤S302中，继续参见图2，以隧道现状轮廓为基准，利用如下均方根误差计 算公式，计算与的误差：

其中，、分别为现状轮廓、计算轮廓在第个角度下的内径。

在步骤S303中，当误差小于等于限制值时，记录此时的隧道周边荷载分布曲 线；当误差大于限制值时，采用遗传算法对隧道周边荷载进行修正，并计算新荷 载分布下的隧道变形轮廓及误差，直至误差小于限制值。

需要说明的是，限制值一般是0~10mm，根据所需的计算精度确定。

遗传算法指的是以各角度荷载组成的数组编码为遗传物质，以均方根误差为适应度函数，通过多次随机变更某个或某些荷载值，筛选出适应度高的荷载数组。

在步骤S304中，以隧道目标轮廓为基准，重复利用步骤S302以及步骤S303的反 分析算法，得到隧道目标轮廓时的周边荷载分布曲线。

这里需要说明的是，得到与得到的过程基本一致，细节上略有区别。 确定时，步骤S304中起始使用的有限元模型是确定时的最终模型，以此在历 史损伤的基础上继续计算，基于同一个有限元模型可以考虑隧道结构塑性损伤的传递，得 到考虑应力历史的隧道应力分布，使计算工况与实际服役情况更为贴合，计算结果更加准 确。

如图5所示，经过步骤S30，得到现状轮廓下的隧道周边荷载分布曲线以及 目标轮廓下的隧道周边荷载分布曲线。图中横轴表示环内角度（图2中标出），纵轴 表示隧道周边荷载，由图可见，现状轮廓下的隧道周边荷载分布以及目标轮廓下的隧道周 边荷载分布，均随着环内角度的变化而变化。

步骤S40中，基于、、工程信息，通过机器学习模型，计算隧道治理方 案的施工参数，完成治理方案设计，并进行隧道治理。

需要说明的是，这里的机器学习模型采用的是决策树算法模型。

步骤S40具体包括如下子步骤：

在步骤S401中，预先训练完成决策树算法模型，得到模型输入特征与输出结果之间的非线性关系。

决策树模型参数已预先通过182个隧道治理注浆修复案例完成训练，得到了输入特征与输出结果之间的非线性关系，以供后续计算的使用。本实施例中，输入模型的一共有84个特征，也就是36（各角度现状轮廓下的周边荷载）+36（各角度目标轮廓下的周边荷载）+12（内径等隧道信息）=84个；输出模型的包括注浆角度、浆液种类、注浆压力、注浆量等施工参数组成。

在步骤S402中，将工程信息整理成结构化数据，生成全部由数值型特征组成的数据集。

由于工程信息涉及的特征数据类型不一致，在这一步骤中，需对数据进行转化。将工程信息整理为表格式的结构化数据，并对其中非数值型特征进行转化，举例说明：如将围岩分级的Ⅰ、Ⅱ、Ⅲ转化为1、2、3；浆液种类A、B、C等转为1、2、3。经过数据整理，生成全部由数值型特征组成的数据集待用。

在步骤S403中，将、以及由工程信息生成的数据集输入预先训练完 成的决策树算法模型，输出结果为施工参数。

在这一步骤中，将现状轮廓下隧道周边荷载（共计36个特征）、目标轮廓下 隧道周边荷载（共计36个特征）以及工程信息生成的数据集（共计12个特征）全部代 入决策树模型进行计算，输出相应的施工参数。具体输入及输出信息可参见表1至表4：

表1 现状轮廓下隧道周边荷载

表2 目标轮廓下隧道周边荷载

表3 隧道工程信息

表4 施工参数

在S404步骤中，根据施工参数确定隧道治理方案，并进行隧道治理。

根据施工参数可以科学高效的确定出隧道治理方案，依据该方案可开展隧道的实际治理，完成隧道的修复。

步骤S50中，基于、、工程信息以及步骤S40中得到的施工参数，通过 机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载。

需要说明的是，这里的机器学习模型采用的是循环神经网络（RNN）算法模型。

步骤S50具体包括如下子步骤：

在步骤S501中，预先训练完成循环神经网络（RNN）算法模型，得到模型输入特征与输出结果之间的非线性关系。

需要解释的是，循环神经网络（RNN）算法模型参数已预先通过182个隧道治理注浆修复案例完成训练，可较好反馈土体蠕变、应力重分布、塑性应力衰减等与时间相关的力学效应，准确地预测隧道周边的远期荷载。

在步骤S502中，将、、由工程信息生成的数据集以及步骤S403得到的 施工参数输入预先训练完成的循环神经网络（RNN）算法模型，输出结果为典型时刻的隧道 周边荷载。

需要说明的是，典型时刻是指有必要确定隧道变形值的标志性时刻，本实施例中以15个月后的新隧道施工开始时和完成时分别作为典型时刻1与典型时刻2。

如表1至表4所示，输入循环神经网络（RNN）算法模型的特征为将、、 已经过数值型转化的工程信息数据集以及步骤S40中得到的施工参数。如表5所示，输出循 环神经网络（RNN）算法模型的结果为典型时刻的隧道周边荷载。

表5 典型时刻的隧道周边荷载（KPa）

步骤S60中，基于典型时刻的隧道周边荷载，设计典型时刻的施工方案，计算典型时刻的隧道收敛变形轮廓。

在得到典型时刻的远期荷载后，设计典型时刻的施工方案。通过步骤S30中的荷载-结构法的有限元模型可计算典型时刻1与典型时刻2隧道收敛变形的轮廓。如图6所示，经计算发现，在典型时刻1，即周边新隧道施工开始时，由于浆液性能退化、应力重分布等各类时间效应，隧道的变形轮廓（图中红色虚线）趋于向未修复前的现状发展，椭圆度为0.6%，椭圆长轴与水平线夹角为10°；而在典型时刻2，即周边新隧道施工结束时，由于侧向隧道施工的卸载作用，隧道变形轮廓（图中蓝色虚线）持续发展，椭圆度为0.8%，椭圆长轴与水平线夹角为13°。

在本发明的实施例中，初步拟定远期周边施工前对隧道仅洞内注浆加固，施工参数根据远期施工前的轮廓数据计算确定。

S70，在典型时刻进行监测，检验隧道治理效果，并根据误差情况确定是否调整隧道治理方案。

需要说明的是，这里进行监测的数据，包括隧道轮廓及其误差数据，还可以包括隧道周围水土压力、隧道围岩等数据。

步骤S70包括如下子步骤：

在步骤S701中，判断监测数据是否超出预测误差，若超出，则增加检测数据至模型训练集，重新训练模型并继续进行S40直至满足误差要求；若未超出，进行下一步。

具体而言，本实施例在典型时刻，也就是新隧道施工开始时和完成时，采用均方根误差检验修复加固效果，当隧道轮廓的均方根误差均小于等于限制值5mm时，无需对隧道治理方案进行调整；当隧道轮廓的均方根误差均大于限制值5mm时，根据实际监测结果数据，对隧道治理方案进行调整，同时将监测结果数据输入机器学习算法模型，用于提升模型的准确性。

因机器学习算法模型（决策数算法模型、循环神经网络算法模型）具有自学习机制，可以用数据或以往的经验，优化模型的性能标准，提升模型输出的准确性。所以，在这一步骤中，不断将隧道治理工程实践中的实际监测结果数据注入机器学习模型的训练集中，进行经验积累，逐步提升模型的准确性和稳定性，为再次预测提供更充分与准确的依据。

在步骤S702中，判断时间是否超过所有典型时刻，若未超过，则继续进行S70，若超过，则完成长期治理。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种地铁盾构隧道横向收敛变形的长期治理方法，其特征在于，包括如下步骤：

收集待治理的地铁盾构隧道的工程信息，查明隧道收敛变形的现状轮廓，所述隧道收敛变形的现状轮廓表示为每环管片各角度下的内径；

根据工程信息以及隧道收敛变形的现状轮廓，确定隧道收敛变形的目标轮廓/>；

建立有限元仿真模型，基于现状轮廓与目标轮廓/>对隧道周边荷载分布曲线进行反分析，得到现状轮廓/>下的隧道周边荷载分布曲线/>以及目标轮廓/>下的隧道周边荷载分布曲线/>，其中，/>为环内角度；

基于、/>、工程信息，通过机器学习模型，计算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理；

基于、/>、工程信息以及得到的施工参数，通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载；

基于典型时刻的隧道周边荷载，设计典型时刻的施工方案，计算典型时刻的隧道收敛变形轮廓；

在典型时刻进行监测，检验隧道治理效果，并根据误差情况确定是否调整施工方案。

2.根据权利要求1所述的治理方法，其特征在于，在所述收集待治理的地铁盾构隧道的工程信息中，所述工程信息包括：

隧道结构信息，具体包括：隧道管片内径、管片厚度、管片力学参数、螺栓连接方式、螺栓力学参数、隧道埋深；

工程地质信息，具体包括：各土层的力学参数、地下水位；

周边施工荷载信息，具体包括：远期新建隧道施工的时间、预期荷载。

3.根据权利要求2所述的治理方法，其特征在于，所述建立有限元仿真模型，基于现状轮廓与目标轮廓/>对隧道周边荷载分布曲线进行反分析，得到现状轮廓/>下的隧道周边荷载分布曲线/>以及目标轮廓/>下的隧道周边荷载分布曲线/>，包括：

建立考虑塑性损伤的盾构隧道有限元模型，根据隧道埋深及工程地质信息，采用静止水土压力计算理论条件下的隧道周边荷载，并计算该荷载下的计算轮廓；

以隧道现状轮廓为基准，利用如下均方根误差计算公式，计算/>与/>的误差/>：

；

其中，、/>分别为现状轮廓/>、计算轮廓/>在第/>个角度下的内径；当误差/>小于等于限制值/>时，记录此时的隧道周边荷载分布曲线/>；当误差/>大于限制值/>时，采用遗传算法对隧道周边荷载进行修正，并计算新荷载分布下的隧道变形轮廓及误差，直至误差/>小于限制值/>；

以隧道目标轮廓为基准，重复以上相同反分析，得到隧道目标轮廓/>时的周边荷载分布曲线/>。

4.根据权利要求1所述的治理方法，其特征在于，在所述基于、/>、工程信息，通过机器学习模型，计算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理中，所采用的机器学习模型为决策树算法模型；在所述基于/>、/>、工程信息以及得到的施工参数，通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载中，所采用的机器学习模型为循环神经网络算法模型。

5.根据权利要求4所述的治理方法，其特征在于，所述基于、/>、工程信息，通过机器学习模型，计算隧道治理方案的施工参数，完成治理方案设计，并进行隧道治理，包括：

预先训练完成决策树算法模型，得到模型输入特征与输出结果之间的非线性关系；

将工程信息整理成结构化数据，生成全部由数值型特征组成的数据集；

将、/>以及由工程信息生成的数据集输入预先训练完成的决策树算法模型，输出结果为施工参数；

根据施工参数确定隧道治理方案，并进行隧道治理。

6.根据权利要求5所述的治理方法，其特征在于，所述施工参数包括：注浆角度、浆液种类、注浆压力、注浆量。

7.根据权利要求5所述的治理方法，其特征在于，所述基于、/>、工程信息以及得到的施工参数，通过机器学习模型对远期隧道周边荷载进行预测，计算典型时刻的隧道周边荷载，包括：

预先训练完成循环神经网络算法模型，得到模型输入特征与输出结果之间的非线性关系；

将、/>、由工程信息生成的数据集以及得到的施工参数输入预先训练完成的循环神经网络算法模型，输出结果为典型时刻的隧道周边荷载。

8.根据权利要求1所述的治理方法，其特征在于，所述典型时刻指的是有必要确定隧道变形值的标志性时刻，包括新隧道施工开始时、新隧道施工完成时。

9.根据权利要求1所述的治理方法，其特征在于，所述在典型时刻进行监测，检验隧道治理效果，并根据误差情况确定是否调整施工方案中，所述根据误差情况确定是否调整隧道治理方案包括：

判断监测数据是否超出预测误差，若超出，则增加检测数据至模型训练集，重新训练模型并继续进行直至满足误差要求；若未超出，进行下一步；

判断时间是否超过所有典型时刻，若未超过，则继续进行，若超过，则完成长期治理。