利用人工神经网络对衬砌后方存在空洞的隧道的安全性能进行评估

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Safety performance evaluation of tunnel with void behind lining using an artificial neural network

隧道衬砌空洞对安全性能的影响评估研究。通过数值模拟与人工神经网络方法，综合考虑空洞位置、尺寸、衬砌劣化程度及地质条件等因素，提出最小相对安全系数评价体系，并构建包含九个输入变量的神经网络模型，预测准确率达97.53%。

　　

郭帅伟|张学鹏|姜玉静|李宁波|李波|徐振宇

中国山东省科学技术大学露天煤矿灾害预防与生态保护国家重点实验室，青岛 266590

摘要

隧道衬砌背后存在空洞会对其安全性能产生重大影响。对隧道安全性能进行准确快速的评估对于基础设施的维护至关重要。在本研究中，提出了最小相对安全系数来评估衬砌的安全性能，并应用人工神经网络来预测衬砌背后有空洞的隧道的安全性能。首先，通过物理模型试验验证的数值模拟研究了空洞缺陷如何影响衬砌的安全性能。主要研究发现表明，空洞缺陷会显著改变内力的分布。危险点主要集中在空洞及其附近或拱脚处。此外，数值模拟试验方案采用正交试验设计，从而避免了遗漏可能构成危险的极端工作条件。最后，基于数值模拟的结果提出了一个人工神经网络模型来预测安全性能。输入变量包括空洞的位置、空洞的周长、径向长度、纵向长度、隧道埋深、侧向压力系数、围岩类别和衬砌混凝土类别，而最小相对安全系数作为输出变量。预测模型的准确率可达到97.53%，证明了其评估有缺陷隧道安全性能的有效性。

引言

隧道已成为全球交通基础设施的重要组成部分。隧道数量和长度的不断增加是与交通网络加速发展同步的现象（Yang等人，2025年）。根据政府报告的数据，截至2023年底，中国、日本、韩国和挪威的道路隧道数量分别为27,297条、10,571条、3,809条和1,260条，总长度分别为30,231.8公里、5,080.797公里、2,541.3335公里和1,550公里。然而，由于设计、施工和运营管理的缺陷，已建隧道中普遍存在衬砌背后的空洞（Yu等人，2016年；Han等人，2023年；He等人，2021年）。空洞的存在会导致围岩压力在衬砌结构上重新分布（Wang等人，2014年；Ye等人，2023年），从而在隧道衬砌上产生不均匀的载荷，这容易导致空洞边缘的应力集中（Yasuda等人，2017年；Tian等人，2025年）。随后可能导致衬砌变形、裂缝损坏、渗漏、剥落甚至坍塌，严重影响隧道结构的安全性能（Xu等人，2022年；Shi等人，2023年）。Che（2020年）统计了一些隧道事故：2012年12月，日本山梨县Sasago隧道发生衬砌混凝土掉落事故，造成9人死亡2人受伤；2016年10月，中国山东省Kaiyuan隧道发生衬砌掉落事故，造成人员受伤和车辆损坏；2020年6月，中国四川省Qingbishan隧道发生衬砌坍塌事故，撞击了一辆行驶中的车辆，造成1人死亡，事后分析发现衬砌拱顶存在明显空洞缺陷。这些案例表明，空洞缺陷不仅会损害隧道的正常功能，还会对公共交通安全构成威胁。因此，对存在空洞缺陷的隧道衬砌结构的安全性能进行评估至关重要。

传统上使用分析方法、模型试验和数值模拟来研究衬砌背后空洞的灾害机制。Yasuda等人（2017年）和Zhang等人（2022b）使用分析方法计算了混凝土衬砌的力学响应。一些学者（Liu等人，2024年；Min等人，2020年；Xu等人，2024年；Xu等人，2025年）设计了不同的空洞形式、不同的模型材料和不同的围岩压力加载方法来进行类似的模型试验。他们将实际隧道缩小到适合的尺寸以进行室内模型试验。通过模型几何相似比、弹性模量相似比、应变相似比和应力相似比，可以再现实际运营隧道中的可能风险。得益于近年来数值模拟的快速发展，FLAC^3D、ABAQUS和ANSYS等软件可以按比例恢复隧道模型及其上覆围岩。加载方法更加灵活，可以在较短时间内获得大量测试数据，满足许多地下空间研究的需求。Bao等人（2025年）使用3D数值模拟研究了空洞的位置、角度和长度对盾构隧道施工中混凝土分段隧道力学性能的影响。Han等人（2021年）利用FLAC^3D研究了空洞缺陷对内力三维分布的影响，并研究了带有空洞缺陷的退化隧道衬砌的应力分布和塑性破坏行为。Li等人（2025a）基于BIM方法建立了精细的数值模型，并讨论了空洞在异质地质条件下的结构稳定性影响。Qiao等人（2023年）研究了?隧道拱顶空洞对二次衬砌力学行为的影响，考虑了防水层的作用。

近年来，人工智能技术在隧道安全智能预测领域得到了广泛应用，因为它们具有独特的信息处理能力。例如，它们已成功应用于隧道开挖过程中的地表沉降预测（He等人，2026年；Hu等人，2025年；Pan等人，2024年）、隧道围岩变形预测（Huang等人，2024年；Li等人，2025b年；Wang等人，2024b年）、隧道涌水预测（Mahmoodzadeh等人，2021年；Samadi等人，2025年；Yao等人，2025年）、隧道稳定性预测（Jitchaijaroen等人，2023年；La等人，2025年）、受硫酸盐腐蚀影响的隧道衬砌使用寿命预测（Cao等人，2024年；Sun等人，2025年）、隧道工作面变形预测（Li等人，2023年；Xia等人，2025年）、TBM（隧道掘进机）性能预测（Samaei等人，2020年；Zare Naghadehi等人，2018年）以及隧道长期位移预测（Zaheri等人，2024年）。其中，人工神经网络在处理非线性复杂问题方面表现出独特优势（Zhang等人，2020年）。因此，许多学者将人工神经网络应用于隧道工程相关领域的研究（Wang等人，2024a年；Huang等人，2022年；Moghaddasi和Noorian-Bidgoli，2018年）。然而，目前只有少数学者使用人工神经网络研究衬砌背后的空洞缺陷。Yang和Xue（2017年）基于数值模拟数据开发了一个人工神经网络模型，用于评估衬砌背后空洞对隧道运营风险的影响。Min等人（2024年）进行了大量数值模拟试验，研究了衬砌后的裂缝和空洞，建立了基于数值模拟数据的人工神经网络数据库。然后，使用人工神经网络模型预测了双拱隧道的承载能力损失。Chen等人（2024年）利用宽神经网络进行回归分析，以空洞的周长、纵向长度和衬砌厚度作为独立变量来预测结构安全系数。其中，Min等人（2024年）和Chen等人（2024年）仅研究了拱顶的空洞。Yang和Xue（2017年）仅关注上半部分的空洞，未能全面考虑空洞的分布。然而，Liu等人（2020年）和Yang等人（2024年）的研究表明，也应重视底部的空洞。长期服役隧道的衬砌退化以及地质条件的差异是影响隧道安全性能的重要因素。不幸的是，很少有研究关注衬砌的退化和地质因素的变化。在以往的研究中，为了简化数据处理步骤，一些学者选择计算少数特定点的安全系数（Chen等人，2024年）或仅计算空洞附近位置的安全系数（Yang和Xue，2017年），以代表整个隧道衬砌的安全程度。然而，这些方法不够全面，容易忽略真正的危险。

因此，本研究提出了一种使用数值模拟和人工神经网络来评估衬砌背后有空洞的隧道结构安全性能的方法。考虑了更全面的空洞径向分布、反映在弹性模量、粘结力和抗拉强度中的衬砌退化程度，以及围岩类别和侧向压力系数等地质因素。对4880个位置的安全系数进行了比较分析，以评估衬砌的安全性能。整个过程如图1所示。本研究中使用的数值模拟模型基于物理模型试验进行了验证，其有效性和可行性在第2节中得到了证明。第3节设计了81组正交试验。第4节讨论了空洞缺陷对衬砌内力的影响。第5节训练了人工神经网络模型来预测隧道的安全性能，准确率高达97.53%。第6节包含了结论性意见。

节选

数值模型

该数值模型基于双向公路隧道（中华人民共和国交通运输部，2018年）。隧道横截面的净宽度为11.4米，净高度为8.7米。隧道的主要支护和二次衬砌被视为一个整体，总厚度为0.5米。具体尺寸如图2所示。使用FLAC^3D建立了尺寸为100米×2米×100米的有限差分数值模型（X×Y×Z）。

建立一系列数值模型

为了研究空洞缺陷对隧道衬砌的影响，使用有限差分软件FLAC^3D进一步建立了一系列尺寸为100米×30米×100米（X×Y×Z）的三维有限差分数值模型，这些模型足够大，可以避免边界效应对衬砌响应的影响。隧道的净宽度为11.4米，净高度为8.7米，坐标轴的原点指定为点O，

空洞缺陷对衬砌内力的影响

根据第2节中提到的方法计算了衬砌的内力。由于空间限制，无法全面展示所有81种工作条件下的内力分析。同时，为了更准确地反映衬砌背后空洞引起的效应规律性，根据空洞的位置θ（°）选择了9种工作条件进行内力分析。

数据库的创建

每个输入参数之间的尺度差异和输入参数的广泛范围不利于训练人工神经网络模型以达到出色的性能。因此，表4中显示的输入参数（θ、ω、d、l、H、λ、S、C、D）应提前标准化，映射到[0, 1]范围内。其中，围岩类别（S）和衬砌混凝土类别（C）在标准化之前使用了它们相应的弹性模量作为参数。

结论

提出了一种基于人工神经网络的模型，用于评估衬砌背后有空洞的隧道的安全性能。考虑了更广泛的影响因素，如更全面的空洞径向分布、衬砌退化程度、围岩类别和侧向压力系数。输入变量共包括九个因素。FLAC^3D中考虑了所有衬砌元素的最小相对安全系数。

CRediT作者贡献声明

郭帅伟：撰写 – 审稿与编辑，撰写 – 原稿，软件。张学鹏：撰写 – 审稿与编辑，方法论，资金获取，概念化。姜玉静：验证，监督，概念化。李宁波：可视化。李波：方法论，概念化。徐振宇：验证，软件。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了山东省青年创新研究团队计划（2024KJH065）的资助。