Damage prediction of shield tunnel structures driven by numerical simulation and machine learning
本研究提出了一种可靠的盾构隧道损伤预测框架，该框架集成了一个经实验验证并揭示了三阶段失效过程的高保真数值模型，以及一个通过粒子群优化增强的长短期记忆网络，用以准确预测极限载荷条件下的裂缝宽度演化。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代城市繁忙的街道之下，隐藏着一个庞大而静谧的网络，每天运送着数百万人。这些盾构隧道旨在服役百年，其设计能够承受来自大地和上方城市重量的巨大压力。然而，它们并不能免受时间与应力那缓慢、蠕动的力量的影响。当隧道被推向极限时——或许是因为地面的突然位移或意外的载荷——构成其墙体的混凝土环就会开始出现裂缝。准确理解这些裂缝如何产生、生长并最终导致结构失效，对于保障地铁安全至关重要。长期以来，工程师们一直依赖物理实验和复杂的计算机模拟来预测这些失效，但由于开裂混凝土的行为如此复杂，即使是最优秀的模拟也难以捕捉每一个细节。为了弥补这一差距，研究人员现在正转向一种结合了物理建模的精确性与人工智能模式识别能力的全新方法。
来自中国北华大学的一个研究小组开发出一种新方法，用于精确预测盾构隧道在极端应力下的开裂程度。他们首先构建了一个真实隧道段的高度详细的数字孪生体，该模型参照了上海的一个项目。这并非简单的草图，而是一个复杂的计算机模型，它考虑了混凝土在受拉时的特定行为方式、隐藏在墙内的钢筋，以及混凝土环连接处的复杂接头。研究人员还纳入了人孔的影响（人孔会造成结构的薄弱点）以及连接环的螺栓之间的摩擦力。为了确保其数字模型的可靠性，他们进行了一次虚拟测试，模拟了一个直到挤碎为止的实物全尺寸隧道段实验。计算机的预测结果与物理实验几乎完全吻中，证实了该数字模型能够准确模拟隧道从健康状态到破损状态的演变过程。
在拥有了可靠的数字模型后，该团队进行了数千次模拟，以“慢动作”观察隧道的失效过程。他们观察到，结构并非一次性坍塌，而是经历了三个截然不同的阶段。首先，隧道表现得像一个坚硬的弹簧，轻微弯曲但能恢复原状。随着载荷增加，混凝土开始产生微小的裂缝，标志着进入第二个阶段，此时损伤是局部且可控的。最后，如果压力持续上升，裂缝会成倍增加并迅速扩散，内部的钢筋开始发生永久变形，结构进入全局失效阶段。研究人员发现，隧道在达到这一关键坍塌点之前，可以承受高达420千牛的载荷。在此阶段，表面的裂缝宽度已扩大到4毫米以上，且钢筋发生了屈服，意味着其拉伸程度已超过了其恢复能力。
这项研究真正的创新之处在于研究人员随后的工作。他们并没有仅仅停留在模拟阶段，而是利用这些虚拟失效过程中产生的数据来教计算机如何预测未来。他们采用了被称为“长短期记忆网络”（LSTM）的一种人工智能类型，这种网络特别擅长理解随时间变化的序列事件，就像人类通过回忆事件顺序来记住一个故事一样。然而，这些计算机网络有许多需要完美调优的参数。为了解决这个问题，团队使用了粒子群优化算法，这种方法灵感源自鸟类集群寻找食物的最佳路径。该算法自动搜索神经网络的最佳参数组合，确保其能够尽可能高效地学习裂缝增长的复杂模式。
其结果是一个能够以卓越精度预测盾构隧道裂缝宽度的全新预测工具。在针对从未见过的数据进行测试时，这个新系统表现优于几种常见的其他人工智能模型。它对裂缝宽度的预测误差仅为0.1033毫米，并以高度的确定性匹配了实际数据。该研究表明，通过将工程物理定律与机器智能的学习能力相结合，可以创建一个稳健的隧道健康监测系统。这种方法提供了一种在危险演变为灾难之前识别潜在威胁的方式，为工程师维护城市赖以生存的地下交通系统提供了可靠的指南。研究结果表明，这种混合模型可以作为基础设施长期保护的重要工具，将复杂的数据转化为清晰、可操作的见解，从而确保我们脚下的世界安全运行。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。