蘇恩杰， 葉 飛， 何 喬， 任 超， 李思翰， 張宏權(quán)

（1. 長安大學(xué) 公路學(xué)院，陜西 西安 710064；2. 貝爾福-蒙貝利亞技術(shù)大學(xué) 信息學(xué)院，貝爾福 90000；3. 中鐵十二局集團(tuán)第一工程有限公司，陜西 西安710038）

盾構(gòu)隧道施工方法具有機(jī)械化程度高、對地表擾動(dòng)小、適用范圍廣、掘進(jìn)速度快等優(yōu)點(diǎn)，該工法在鐵路、公路、市政、水力水電等工程的應(yīng)用越來越廣泛［1-2］。我國盾構(gòu)隧道壁后注漿普遍采用凝結(jié)時(shí)間較長的單液漿，因此襯砌管片在離開密封刷后經(jīng)常發(fā)生上浮現(xiàn)象，從而導(dǎo)致一系列的問題，包括盾構(gòu)隧道軸線偏移、管片錯(cuò)臺(tái)、管片破損及滲漏水等［3-4］。由于管片上浮的影響因素較為復(fù)雜，為了探究盾構(gòu)管片上浮機(jī)理，許多學(xué)者針對此現(xiàn)象進(jìn)行了研究。早期黃威然等［5］從地質(zhì)條件、盾構(gòu)工法、盾構(gòu)機(jī)掘進(jìn)姿態(tài)、壁后注漿以及設(shè)計(jì)等5 個(gè)方面對盾構(gòu)隧道管片位移進(jìn)行研究，并對施工階段的盾構(gòu)隧道管片漂移控制提出了建議；葉飛等［6］根據(jù)施工期管片上浮的特點(diǎn)，將盾構(gòu)隧道管片上浮力分為靜態(tài)上浮力和動(dòng)態(tài)上浮力，分別分析其上浮機(jī)理，給出了管片上浮力的具體計(jì)算公式；肖明清等［7］使用有限元法對影響盾構(gòu)管片上浮的地層特性、壁后注漿材料等因素進(jìn)行了分析，結(jié)合管片在施工期的受力狀態(tài)進(jìn)行分析，對管片上浮的原因進(jìn)行了闡述，并提出施工、設(shè)計(jì)不同階段控制施工期管片上浮的措施；戴志仁［8］在考慮管片環(huán)間的縱向約束作用下，得到了維持盾構(gòu)隧道管片抗浮穩(wěn)定需要的漿液最小屈服強(qiáng)度表達(dá)式，并明確了漿液屈服強(qiáng)度對盾構(gòu)隧道管片抗浮的作用；董賽帥等［9］通過現(xiàn)場實(shí)測結(jié)合理論分析，對施工期管片上浮規(guī)律進(jìn)行研究，將施工期管片上浮分為兩個(gè)階段進(jìn)行分析，并提出相應(yīng)的對策和針對性措施；針對施工期管片上浮眾多影響因素，黃鐘暉等［10］采用敏感性分析法計(jì)算出各主要影響因素的權(quán)重排序，并分析各因素的作用機(jī)制，提出了針對性的管片上浮控制措施；呂乾乾等［11］考慮地基回彈的影響，建立隧道開挖動(dòng)態(tài)模型，分析出了軟弱地層的地層彈性模量與管片上浮量之間的關(guān)系；舒瑤等［12］統(tǒng)計(jì)了粉砂-圓礫、砂層、泥巖-粉砂質(zhì)泥巖及粉質(zhì)黏土等典型地層區(qū)段上浮量值的數(shù)學(xué)分布特征，分析了各典型地層段隧道上浮的主要原因，并利用縱向等效連續(xù)梁模型對各典型地層區(qū)段管片上浮量值進(jìn)行預(yù)測；李明宇等［13］對大直徑泥水盾構(gòu)隧道管片在施工期間的上浮、錯(cuò)臺(tái)以及收斂變形進(jìn)行了監(jiān)測，根據(jù)監(jiān)測結(jié)果分析了盾構(gòu)隧道橫、縱向上浮分布特征，并提出管片上浮的控制措施；焦建林等［14］針對曲線段盾構(gòu)隧道管片的上浮規(guī)律進(jìn)行研究，分析不同地質(zhì)及盾構(gòu)機(jī)掘進(jìn)姿態(tài)對管片上浮的影響，并提出了相應(yīng)的盾構(gòu)管片上浮綜合控制措施。在盾構(gòu)管片上浮預(yù)測方面，葉飛［15］將沿著隧道縱向隧道的管片環(huán)襯砌視為埋置在土層中的等效梁，通過在等效梁上表面設(shè)置地基彈簧約束模擬覆土作用地基及覆土對管片環(huán)的作用，由此建立了早期的管片上浮預(yù)測模型。張建勇［16］基于雙面彈性地基梁理論、，修正縱向等效連續(xù)化模型以及漿液環(huán)向充填理論，在考慮上浮力時(shí)變性的基礎(chǔ)上，構(gòu)建了管片上浮預(yù)測模型。隨著人工智能技術(shù)的發(fā)展，學(xué)者們也將其運(yùn)用于預(yù)測盾構(gòu)管片上浮，如高瑋［17］根據(jù)現(xiàn)場監(jiān)測大數(shù)據(jù)采用深度信念網(wǎng)絡(luò)得到了到較為準(zhǔn)確的地表沉降和管片上浮預(yù)測值。

綜上所述，近年來許多學(xué)者針對盾構(gòu)管片上浮問題開展研究，并取得了系列成果。但現(xiàn)有的上浮量計(jì)算模型僅考慮有限的數(shù)個(gè)參數(shù)的作用，未能較全面地反映盾構(gòu)機(jī)掘進(jìn)參數(shù)的影響。此外，由于現(xiàn)階段常用全站儀等傳統(tǒng)方法來監(jiān)測管片上浮的情況，無法精確獲得管片連續(xù)的上浮數(shù)據(jù)，故現(xiàn)有的相關(guān)成果僅對管片最終上浮量進(jìn)行預(yù)測和對比，缺乏對施工期管片上浮過程的預(yù)測研究?；诖耍疚牟捎脛?dòng)力水準(zhǔn)儀對施工期盾構(gòu)管片上浮過程進(jìn)行自動(dòng)化監(jiān)測并提出了基于卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶網(wǎng)絡(luò)（convolutional neural networks and long shortterm memory， CNN-LSTM）深度學(xué)習(xí)算法的管片上浮過程智能預(yù)測方法。研究結(jié)果可為盾構(gòu)管片上浮的現(xiàn)場監(jiān)測及預(yù)防處治提供新思路。

1 管片上浮力學(xué)計(jì)算模型分析

目前管片力學(xué)分析主要分為局部管片豎向運(yùn)動(dòng)模型與隧道縱向彎曲變形模型兩種。

（1）局部管片豎向運(yùn)動(dòng)模型

此類方法假定剛脫出盾尾時(shí)的上浮速度為零，此時(shí)管片受到的不平衡上浮力最大，上浮加速度也為最大值，管片開始上浮。隨著漿液黏滯阻力、地層應(yīng)力的不斷增大，管片達(dá)到受力平衡狀態(tài)后最終會(huì)停止上浮，如圖1 所示。因此根據(jù)牛頓第二定律加速度a與合力F的關(guān)系，對時(shí)間積分可得到管片上浮速度v表達(dá)式，而速度v關(guān)于時(shí)間積分便可計(jì)算出管片豎向位移S，如式（1）—（3）。該方法雖然簡單易懂，但由于相關(guān)豎向力較多（圖中Ff為管片受到的漿液浮力、Fy為同步注漿產(chǎn)生的壓力差、Ft為千斤頂推力的豎向分力、G為管片自重、Fn為管片受到的黏滯阻力、Fm為環(huán)間摩擦阻力、Fj為環(huán)間螺栓剪力），需要進(jìn)行多處假設(shè)且常出現(xiàn)超越方程。此外該方法未能考慮不均勻推力等因素所產(chǎn)生的彎矩以及其對隧道整體縱向變形的影響。

圖1 管片受力示意圖［18］Fig. 1 Schematic diagram of segment force[18]

（2）隧道縱向彎曲變形模型

基于小泉淳［19］提出的縱向梁-彈簧模型和志波尤紀(jì)夫［20］提出的縱向等效連續(xù)化梁模型，學(xué)者們提出了許多管片縱向上浮計(jì)算方法。如葉飛等［21］基于等效連續(xù)梁理論式（4）—（5），將隧道和土體的相互作用等效為土彈簧，提出了同步注漿產(chǎn)生的靜態(tài)上浮力和動(dòng)態(tài)上浮力作用下隧道結(jié)構(gòu)的縱向變形計(jì)算模型。朱令等［4］、楊方勤等［22］、舒瑤等［23］、黃旭民等［24］考慮了同步注漿過程中漿液黏度時(shí)變性、上覆土體基床系數(shù)各異性、動(dòng)態(tài)施工步的影響，進(jìn)一步完善了隧道縱向變形計(jì)算模型（圖2）。這類方法將盾構(gòu)隧道管片復(fù)雜的三維受力簡化為縱向的一維問題，將縱向彎曲變形視為隧道管片上浮量，雖便于計(jì)算但也忽略了盾構(gòu)掘進(jìn)參數(shù)的影響。此外由于常規(guī)的監(jiān)測手段無法獲得管片連續(xù)上浮數(shù)據(jù)，故無論是局部管片豎向運(yùn)動(dòng)模型還是隧道縱向彎曲變形模型均未得到有效驗(yàn)證，也無法解釋本文所監(jiān)測到的“階梯狀”上浮規(guī)律。鑒于目前上浮力學(xué)計(jì)算模型的局限性，且管片上浮受眾多因素的影響，因此結(jié)合華東某盾構(gòu)隧道掘進(jìn)數(shù)據(jù)以及本文提出的管片上浮自動(dòng)采集方法，采用人工智能中的深度學(xué)習(xí)算法，建立掘進(jìn)參數(shù)與上浮過程之間的聯(lián)系。

圖2 施工動(dòng)態(tài)示意圖Fig. 2 Diagram of dynamic construction

式中：φ為彎曲后中性軸的位置角；Kb為連接螺栓的線剛度，Kb=EbAb/lb，Eb為螺栓彈性模量；Ab為螺栓橫截面積；lb為螺栓計(jì)算長度；n為環(huán)間連接螺栓個(gè)數(shù)；Ic為隧道縱向慣性矩；Ec為管片彈性模量；Ac為隧道橫截面面積；lc為相鄰兩管片環(huán)中心線間的距離，其大小近似于管片環(huán)寬B。

2 工程概況

華東某盾構(gòu)隧道為雙洞單線隧道，隧道主要穿越泥質(zhì)砂巖地層，地層富水性及透水性均較弱，基巖裂隙水總體貧乏，地下水總體不發(fā)育，各地層物理力學(xué)特征見表1。隧道縱坡呈“W”區(qū)間，線間距12.0～43.1 m，隧道頂部埋深為6.43～26.74 m，共設(shè)5個(gè)聯(lián)絡(luò)通道，全長3 058.79 m，測試區(qū)間地質(zhì)剖面如圖3所示。

表1 地層物理力學(xué)特征Tab.1 Physical and mechanical characteristics of strata

圖3 地質(zhì)剖面圖Fig. 3 Geological section map

盾構(gòu)區(qū)間采用刀盤直徑 6 440 mm 的土壓平衡盾構(gòu)機(jī)，盾構(gòu)機(jī)主要設(shè)備參數(shù)如表2 所示。盾構(gòu)機(jī)上安裝有數(shù)據(jù)采集系統(tǒng)，每隔1 min采集一次傳感器參數(shù)和機(jī)器運(yùn)行參數(shù)。隧道襯砌采用外徑6 200 mm，內(nèi)徑5 500 mm，厚度350 mm 的C50 鋼筋混凝土管片。管片環(huán)寬有1 500 mm 和1 200 mm 兩種規(guī)格，均為通用楔形環(huán)，楔形量為37.2 mm。環(huán)向分塊采用一塊封頂塊、兩塊鄰接塊、三塊標(biāo)準(zhǔn)塊。

表2 盾構(gòu)機(jī)參數(shù)配置表Tab.2 Parameters of shield machine

3 數(shù)據(jù)獲取與處理

3.1 管片連續(xù)上浮數(shù)據(jù)

3.1.1 采集裝置

采用AR-SS-SZY01 動(dòng)力水準(zhǔn)儀對管片上浮進(jìn)行連續(xù)的自動(dòng)化監(jiān)測，它可在振動(dòng)和運(yùn)動(dòng)環(huán)境下能準(zhǔn)確地測量出豎向位移，測量精度為±0.5 mm，最高可支持30 Hz 的采集頻率。配套的設(shè)備及材料有儲(chǔ)液罐、網(wǎng)關(guān)采集器、水管、氣管及電纜線（圖4）。為了確保儲(chǔ)液罐和基準(zhǔn)水準(zhǔn)儀安裝在穩(wěn)定的位置，將它們設(shè)置于脫出臺(tái)車的管片上，距離盾尾75 m以上。

圖4 試驗(yàn)裝置Fig. 4 Test equipment

3.1.2 采集過程

（1）儲(chǔ)液罐和基準(zhǔn)水準(zhǔn)儀安裝：將儲(chǔ)液罐和基準(zhǔn)水準(zhǔn)儀安裝在不發(fā)生上的位置。

（2）裝置串聯(lián)成型：用水管、氣管及電纜線將儲(chǔ)液罐與水準(zhǔn)儀、以及水準(zhǔn)儀之間串聯(lián)。

（3）排出氣體：往儲(chǔ)液罐中持續(xù)注入純凈水，將水管與水準(zhǔn)儀中的氣體排出，使整個(gè)系統(tǒng)處于無氣泡狀態(tài)。

（4）安裝測點(diǎn)水準(zhǔn)儀：待管片拼裝完成后，將測點(diǎn)水準(zhǔn)儀固定于待監(jiān)測的管片內(nèi)壁。

（5）數(shù)據(jù)自動(dòng)采集：用電纜線鏈接基準(zhǔn)水準(zhǔn)儀與網(wǎng)關(guān)采集器，接通電源，自動(dòng)采集與記錄第269-271三環(huán)管片上浮數(shù)據(jù)。

3.2 掘進(jìn)參數(shù)

盾構(gòu)機(jī)自帶的運(yùn)行監(jiān)測系統(tǒng)可采集設(shè)備傾角、刀盤轉(zhuǎn)速、頂推工作狀態(tài)、油缸推進(jìn)壓力、總推進(jìn)力、油缸行程等157個(gè)參數(shù)，在除掉“人艙CO濃度”等與管片上浮相關(guān)性較小的參數(shù)后，選取刀盤驅(qū)動(dòng)系統(tǒng)、推進(jìn)系統(tǒng)、鉸接系統(tǒng)等盾構(gòu)掘進(jìn)參數(shù)，經(jīng)過篩減后的樣本集中參數(shù)為36個(gè)，如表3所示。

表3 模型樣本集中掘進(jìn)參數(shù)Tab. 3 Tunneling parameters of model samples

由于篇幅所限，深度學(xué)習(xí)數(shù)據(jù)集以269環(huán)數(shù)據(jù)為主，收集盾構(gòu)管片從脫出盾尾至穩(wěn)定過程的掘進(jìn)參數(shù)，樣本容量為3 754個(gè)。

4 基于CNN-LSTM 的施工期盾構(gòu)管片上浮預(yù)測方法

4.1 CNN算法

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層和全連接層組成，能自動(dòng)提取數(shù)據(jù)特征并過濾輸入數(shù)據(jù)噪聲，可有效挖掘盾構(gòu)掘進(jìn)數(shù)據(jù)之間的相互關(guān)聯(lián)并從中剔除噪聲干擾［25］。

4.2 LSTM算法

長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測時(shí)間序列中間隔和延遲相對較長的重要事件。LSTM 算法引入存儲(chǔ)單元，避免了傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的梯度消失和梯度爆炸問題［26］。如圖5所示，存儲(chǔ)單元由輸入門、具有自遞歸連接的神經(jīng)元、遺忘門和輸出門這4 個(gè)主要元素組成（xt指第t個(gè)輸入序列元素值；c指代記憶單元或稱為細(xì)胞狀態(tài)；i指代輸入門；f指代遺忘門；ct-1指前一時(shí)刻的細(xì)胞狀態(tài)；o指代輸出門；ht-1指代在t-1時(shí)刻的隱層狀態(tài)；ht指當(dāng)前狀態(tài)的輸出）。輸入門可允許或阻止輸入信號改變存儲(chǔ)單元的狀態(tài)，輸出門可允許或阻止存儲(chǔ)單元的狀態(tài)對其他神經(jīng)元產(chǎn)生影響，遺忘門可以調(diào)節(jié)存儲(chǔ)單元的自循環(huán)連接，允許單元根據(jù)需要記住或遺忘其先前狀態(tài)［27］。雖然LSTM 可有效學(xué)習(xí)時(shí)間序列數(shù)據(jù)，但不能很好地從訓(xùn)練集中提取數(shù)據(jù)特征［28］

圖5 LSTM模型結(jié)構(gòu)圖［29］Fig. 5 Structure diagram of LSTM model[29]

4.3 CNN-LSTM混合模型

在處理復(fù)雜事件時(shí)，單一神經(jīng)網(wǎng)絡(luò)算法在運(yùn)算速度或性能方面往往具有局限性［30］，因此多種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組合的算法日益受到關(guān)注。CNN-LSTM算法既能發(fā)揮CNN 算法提取數(shù)據(jù)的空間特征和降低數(shù)據(jù)維度的長處，又能突出LSTM 算法擅長獲取數(shù)據(jù)的時(shí)間特征、具有長期記憶功能的特點(diǎn)。本文所建立的CNN-LSTM 模型共5 層，包括一維卷積層、池化層、兩層LSTM 層和全連接層（圖6），模型參數(shù)見表4。

表4 CNN-LSTM模型設(shè)置參數(shù)Tab. 4 Parameters of CNN-LSTM model

圖6 CNN-LSTM模型結(jié)構(gòu)圖Fig. 6 Structure diagram of CNN-LSTM model

5 驗(yàn)證與分析

5.1 數(shù)據(jù)劃分

將樣本集按7：3 的比例進(jìn)行劃分，其中訓(xùn)練集占比7/10，測試集占比3/10。由于盾構(gòu)運(yùn)行數(shù)據(jù)范圍差異很大，為提高計(jì)算效率將訓(xùn)練和測試集中的36個(gè)輸入?yún)?shù)和輸出管片上浮均歸一化至［0， 1］區(qū)間內(nèi)。

5.2 模型評價(jià)指標(biāo)

選用均方誤差MSE、平均絕對誤差MAE 和決定系數(shù)R2作為模型性能評估指標(biāo)。

（1）均方誤差MSE

式中：n為樣本的個(gè)數(shù)；yi為真實(shí)值；y?i為預(yù)測值；WMSE表示預(yù)測值偏離真實(shí)值的距離平方和的平均數(shù)。MSE 是一種反映預(yù)測值與真實(shí)值之間差異程度的度量，MSE值越小，模型的精準(zhǔn)度越高。

（2）平均絕對誤差MAE

WMAE表示模型預(yù)測值與樣本真實(shí)值之間距離的均值。MAE 值越小，則代表預(yù)測模型的效果越好。

（3）決定系數(shù)R2

5.3 結(jié)果討論

5.3.1 管片上浮連續(xù)規(guī)律

相鄰的三環(huán)管片整體均呈現(xiàn)“上浮-穩(wěn)定”的趨勢，即管片脫出盾尾后先經(jīng)歷上浮增長較快，而后進(jìn)入穩(wěn)定狀態(tài)（圖7）。

圖7 管片整體上浮規(guī)律Fig. 7 Integral floating law of segments

此外，在相同時(shí)間段不同管片上浮量變化過程較表現(xiàn)出一定同步性。進(jìn)一步分析“上浮階段”連續(xù)上浮規(guī)律，如圖8所示。

圖8 管片上浮階段規(guī)律Fig. 8 Law of segments floating stage

圖8 中黃色區(qū)域（淺灰）為盾構(gòu)掘進(jìn)狀態(tài)，藍(lán)色區(qū)域（深灰）為管片拼裝狀態(tài)，白色區(qū)域?yàn)榇龣C(jī)狀態(tài)。管片在脫出盾尾后呈現(xiàn)出“階梯狀”上浮的規(guī)律，即上浮主要發(fā)生在盾構(gòu)掘進(jìn)期間，上浮曲線為傾斜向上的增長趨勢；在管片拼裝狀態(tài)，上浮無明顯規(guī)律，如269環(huán)在前4個(gè)拼裝期間為增長趨勢，在第五和第六個(gè)掘進(jìn)區(qū)間為水平趨勢，270和271環(huán)的最后三個(gè)掘進(jìn)期間為下降趨勢；而在待機(jī)狀態(tài)，管片上浮量較小，表現(xiàn)為近水平趨勢。同時(shí)掘進(jìn)狀態(tài)的上浮量最大，其中269 環(huán)為27.90 mm，占比為75.24 %；270環(huán)為31.07 mm，占比為85.36 %；270 環(huán)為27.61 mm，占比為98.29 %（表5）。

表5 不同工作狀態(tài)管片累計(jì)浮量Tab. 5 Cumulative floating amount of segments under different working conditions

5.3.2 模型預(yù)測結(jié)果

模型訓(xùn)練使用的計(jì)算機(jī)環(huán)境配置如下：Windows 10（64 位），采用Intel Core I7-12700中央處理器，CPU 頻率為2.4 GHz，內(nèi)存為16 GB，編程語言采用Python 3.9，科學(xué)計(jì)算庫采用Numpy 1.23.4，數(shù)據(jù)分析庫采用Pandas 1.5.3，數(shù)據(jù)可視化庫采用Matplotlib 3.5.2，機(jī)器學(xué)習(xí)庫采用Torch 1.8.0，集成開發(fā)環(huán)境（IDE）為Spyder 5.1.5。

CNN-LSTM 模型及盾構(gòu)施工領(lǐng)域使用較多的BP 模型（隱藏層神經(jīng)元個(gè)數(shù)：64，隱藏層數(shù)：5，學(xué)習(xí)率：0.01，迭代次數(shù)：5 000，batch_size：32）在訓(xùn)練集和測試集上的預(yù)測效果如圖9所示。

圖9 兩種模型預(yù)測效果對比Fig.9 Comparison of prediction effects of two models

由圖9可知兩種模型均能較好地實(shí)現(xiàn)施工期管片上浮過程的預(yù)測，但CNN-LSTM 模型的預(yù)測值整體更貼近監(jiān)測值，所以其預(yù)測結(jié)果更好。

5.3.3 模型性能評估

選用均方誤差MSE、平均絕對誤差MAE 和決定系數(shù)R2作為模型性能評估指標(biāo)。兩種模型預(yù)測性能對比結(jié)果如圖10所示。

圖10 不同模型的預(yù)測性能Fig. 10 Prediction of performance of different models

在訓(xùn)練集上，CNN-LSTM 模型的均方誤差MSE、平均絕對誤差MAE 和決定系數(shù)R2分別為0.038 7、0.148 2 和0.999 3，而BP 模型為0.042 0、0.204 4 和0.874 1。CNN-LSTM 模型各參數(shù)較BP模型提升8.53%、37.92%、12.53%。在測試集上，CNN-LSTM 模型的均方誤差MSE、平均絕對誤差MAE 和決定系數(shù)R2分別為0.030 7、0.139 0 和0.802 0，而BP 模型為0.047 4、0.263 7 和0.695 4。CNN-LSTM 模型各參數(shù)較BP 模型提升54.40 %、89.71 %和13.30 %。由此可知，CNN-LSTM 模型在訓(xùn)練集與測試集上的性能均比BP模型有所提升，且測試集的提升更明顯。值得注意的是，訓(xùn)練集和測試集決定系數(shù)R2差別較大，其原因可能是測試集的數(shù)據(jù)近水平分布，預(yù)測結(jié)果稍有偏差便會(huì)對該指標(biāo)造成較大的影響。

6 結(jié)論與展望

針對全站儀等傳統(tǒng)方法無法獲得施工期管片連續(xù)上浮數(shù)據(jù)的現(xiàn)狀，本文采用動(dòng)力水準(zhǔn)儀自動(dòng)監(jiān)測施工期盾構(gòu)管片上浮的完整過程，并建立CNNLSTM 模型對管片上浮進(jìn)行智能預(yù)測。主要結(jié)論如下：

（1）管片整體均呈現(xiàn)“上浮-穩(wěn)定”的趨勢，即管片脫出盾尾后先經(jīng)歷上浮增長較快，而后進(jìn)入穩(wěn)定狀態(tài)。上浮階段呈現(xiàn)出“階梯狀”，即管片上浮主要發(fā)生在盾構(gòu)掘進(jìn)期間，該階段上浮曲線為傾斜向上的增長趨勢；拼裝狀態(tài)上浮無明顯規(guī)律；待機(jī)狀態(tài)，管片上浮量較小，表現(xiàn)為近水平趨勢。同時(shí)掘進(jìn)狀態(tài)的上浮量最大，占峰值的75.24 %～98.29 %。

（2）本文所建立的CNN-LSTM 模型能結(jié)合CNN算法與LSTM算法的長處，對盾構(gòu)管片上浮過程具有較好的預(yù)測性能。該模型在訓(xùn)練集上的均方誤差MSE、平均絕對誤差MAE 和決定系數(shù)分別為0.038 7、0.148 2和0.999 3，在測試集上為0.030 7、0.138 9和0.801 9。

（3）相較于BP模型，CNN-LSTM模型在訓(xùn)練集與測試集上的性能均有所提升，且測試集的提升更明顯，最高可達(dá)89.71 %。

作者貢獻(xiàn)聲明：

蘇恩杰：進(jìn)行現(xiàn)場試驗(yàn)，建立預(yù)測模型及撰寫論文。

葉飛：提出論文框架，指導(dǎo)論文修改。

何喬：軟件調(diào)試和大數(shù)據(jù)分析。

任超：進(jìn)行現(xiàn)場試驗(yàn)及數(shù)據(jù)整理。

李思翰：進(jìn)行現(xiàn)場試驗(yàn)。

張宏權(quán)：協(xié)助完成論文內(nèi)容。