同济大学工程风险研究团队张冬梅教授、郭晓阳博士研究生、沈一鸣博士研究生、周文鼎博士研究生和深圳大学土木与交通工程学院陈湘生院士在《Tunnel and Underground Space Technology》期刊上发表了题为“Data-and experience-driven neural networks for long-term settlement prediction of tunnel”的研究论文。报道了盾构隧道长期沉降预测的最新研究成果。

文章链接: 

https://doi.org/10.1016/j.tust.2024.105669

为了预测隧道的长期沉降，学者们近年来越来越多地采用了机器学习方法。但是，数据驱动的长期沉降预测模型在分布外泛化方面存在不足，难以满足隧道工程的需求。本研究旨在提出一种结合数据和经验的神经网络模型，以提高隧道长期沉降预测的分布外泛化能力。我们设计了两种数据和经验驱动的神经网络方法：一种是基于经验公式的神经网络(EFBNN)，另一种是经验信息约束神经网络(EICNN)，并将它们与传统的BP神经网络进行了比较。结果显示，EICNN在时间和空间上的外分布泛化性能均优于其他模型。因此，EICNN是一种适用于隧道长期沉降预测的的机器学习方法，能够为隧道的潜在风险及决策提供预警和指导。

本文研究思路如下：首先，介绍了基于经验和数据双驱动的两种模型EFBNN和EICNN的原理和结构（图1）；然后，基于上海地铁2号线某盾构隧道段20年内复杂的沉降分布情况（图2），通过K折交叉验证和时序交叉验证的方法，验证了数据和经验双驱动的神经网络方法与传统完全基于数据驱动的神经网络方法之间的精度差异（图3）；进一步，分析了每种方法的空间泛化能力和时间泛化能力，揭示了数据和经验驱动的神经网络方法具备泛化性优势的原因；最终，讨论了数据和经验驱动的神经网络方法在隧道沉降预测中的应用价值和局限性，以及未来的研究方向，相关研究成果可为隧道沉降预测提供新的思路和方法。

（a）EFBNN模型结构

（b）EICNN模型结构

图1.两种经验-数据双驱动神经网络的模型结构

图2.案例盾构区间沉降空间分布情况

（a）空间外分布泛化性对比-基于训练集数据量

（b）空间外分布泛化性对比-基于训练集分布特征

（c）时间外分布泛化性对比

图4.外分布泛化性对比

  本文针对隧道长期沉降预测问题，提出了两种结合数据和经验的神经网络方法，分别是基于经验信息约束的神经网络（EICNN）和基于经验公式的神经网络（EFBNN），并与纯数据驱动的反向传播神经网络（BPNN）进行了对比分析。结果表明，EICNN 具有最高的离散泛化能力，能够有效预测隧道沉降。本文还总结了三种方法的特点如下：（1）BPNN 仅依赖数据，空间和时间泛化能力较差。（2）EFBNN 受限于一个经验公式，空间泛化能力最差，但能利用经验公式抓住沉降的阶段性规律，时间泛化能力优于 BPNN。（3）EICNN 有隐式的经验约束，灵活地利用数据和理论，还有误差限制方法，空间和时间泛化能力都优于 BPNN 和 EFBNN。

第一及通讯作者

张冬梅 教授

邮箱：dmzhang@tongji.edu.cn

第二作者

郭晓阳 博士研究生

邮箱： 2111344@tongji.edu.cn

第三作者

沈一鸣 博士研究生

邮箱：yimingshen@tongji.edu.cn

第四作者

周文鼎 博士研究生

邮箱：15801739726@163.com

第五作者

陈湘生 院士

邮箱：xschen@szu.edu.cn

文献引用

Zhang D. M., Guo X. Y., Shen Y. M., Zhou W. D., & Chen X. S. (2024). Data- and experience-driven neural networks for long-term settlement prediction of tunnel. Tunnelling and Underground Space Technology, 147, 105669.

原文链接：

https://doi.org/10.1016/j.tust.2024.105669

二维码：

撰稿：郭晓阳

编辑：方育智

校对：章艺严

审核：申轶尧