基于解析模型和机器学习的隧道衬砌压力预测模型

来源：水资源与水工程学报杂志2024年第6期北京时间：

作者：徐于杰，王华宁，胡韬，宋飞

单位：1.苏州科技大学土木工程学院,2.同济大学航空航天与力学学院

摘要：在流变软岩中进行水工隧道施工时，围岩-衬砌相互作用将在接触面处产生与时间相关的支护力。合理预测支护力对衬砌结构设计和围岩稳定性分析至关重要。然而，黏弹塑性问题的数值模拟需要长时间的计算迭代和复杂的前后处理，而解析方法则面临公式推导与程序实现的难题，限制了推广应用。基于衬砌支护隧道的黏弹塑性解析模型生成大量数据集，将围岩和衬砌材料特性及几何参数等6个核心参数作为特征，利用LightGBM机器学习方法建立了稳态支护力的数据驱动预测模型。结果表明：该模型在测试集上的预测效果稳定，训练集与测试集的校正决定系数均超过0.9，平均绝对百分比误差低于4.2%，显著优于XGBoost及SVR等其他机器学习算法。此外，利用SHAP方法分析了输入特征与预测结果之间的依赖性，增强了模型的可解释性。该预测模型不仅能快速准确地进行稳态支护力预测，还能应用于衬砌设计和其他反分析工作，具有较高的工程应用价值。

关键词：隧道衬砌支护力,黏弹塑性,LightGBM算法,机器学习,数据驱动预测模型

基金资助：国家自然科学基金项目 (12272274)