• 作者简介

第一作者

刘田双 博士研究生

同济大学土木工程学院地下建筑与工程系

研究方向：地下工程大数据机器学习与智能预测

通讯作者

谭勇 教授

同济大学土木工程学院地下建筑与工程系

研究方向：深基坑、隧道及近接施工与环境保护；地下工程大数据机器学习与智能预测；城市地下工程气象地质灾害链与防控；岩土及地下工程灾害诊断与事故调查；房屋及市政设施基础工程与地基处理；有限元、离散元数值模拟算法与技术。

• 文章导读

顶管法因对地面交通、周边建筑和城市环境扰动较小，已广泛应用于市政管线、电力管廊和地下综合管廊建设。随着城市地下空间开发不断加深，顶管工程逐渐呈现长距离、大断面和复杂水文地质条件等特点。

在此背景下，顶进力预测成为影响施工安全、设备选型和施工效率的重要问题。顶进力过大可能导致管节受损、后背墙和工作井结构受力超限，并增加施工成本；而顶进力估计不足，则可能造成顶进中断、姿态失控甚至工程风险。传统顶进力计算方法通常依赖经验公式或数值模拟，但实际工程中顶进力受覆土厚度、管节姿态、注浆状态、注浆压力和地层扰动等多因素共同影响，具有明显的非线性和时序变化特征。为提升长距离矩形顶管工程中顶进力预测的精度，本文基于实际工程监测数据，构建了融合差分进化算法、双向门控循环单元和注意力机制的 DE-BiGRU-Attention 智能预测模型，用于动态预测顶进力变化，为顶管施工过程中的参数调整、顶进力预警和施工性能评估提供参考。

• 研究过程与结果

研究依托某下穿京杭大运河的矩形顶管综合管廊工程。该电力管廊总长约 625 m，覆土厚度 9.10-22.48 m，采用单舱双线顶管施工。工程现场采集了顶管机姿态、压力、速度、距离和覆土厚度等参数，为模型训练和验证提供真实数据。

图1. 长距离矩形顶管工程现场

为建立预测模型，研究选取了8个关键输入参数，包括水平角、俯仰角、顶进速度、注浆压力、泥水压力、泥仓压力、顶进距离和覆土厚度，并以顶进力作为模型输出。考虑到现场数据会受到操作扰动、接收段破除地下连续墙和局部异常工况影响，研究首先剔除了接收段异常数据；随后采用小波变换方法对施工参数进行降噪处理，并通过归一化方法消除不同量纲参数之间的影响。上述处理提高了数据质量，也为后续模型训练提供了更稳定的输入。

本文提出的 DE-BiGRU-Attention 模型由三个核心模块组成。差分进化算法用于自动搜索和优化神经网络超参数，减少人工调参带来的不确定性；BiGRU 能够同时学习前向和后向时序信息，更充分地捕捉施工参数随时间和顶进距离变化的规律；Attention 机制则用于识别对顶进力预测贡献更大的关键特征，使模型在复杂多参数输入条件下更加关注有效信息。通过三者结合，该模型能够更好地处理长距离顶管施工中非线性、强耦合和时序相关的数据特征。

图2. DE-BiGRU-Attention 顶进力动态预测框架

为验证模型性能，研究将 DE-BiGRU-Attention 与 RNN、GRU、BiGRU 和 DE-BiGRU 等模型进行了对比。结果显示，DE–BiGRU–Attention 的预测曲线与实测曲线最为接近，能够较好跟踪顶进力随施工过程的变化趋势。在测试集上，该模型的 MAE 为0.7878，MAPE 为3.7717%，R² 达到0.9358，整体预测精度优于其他模型。相比传统 RNN 和 GRU 模型，BiGRU 对双向时序信息的学习提升了预测能力；而在 BiGRU 基础上引入差分进化和注意力机制后，模型对关键参数和突变趋势的识别能力进一步增强。

图3. 五种模型顶进力预测结果对比

• 研究总结

本文围绕长距离矩形顶管施工中的顶进力动态预测问题，提出并验证了一种融合差分进化算法、双向门控循环单元和注意力机制的 DE–BiGRU–Attention 智能预测模型。

该模型充分结合了三类方法的优势：

差分进化算法能够自动优化模型超参数，减少人工调参的不确定性；

BiGRU 能够同时捕捉施工数据前后时序变化特征，提高模型对长距离顶进过程中连续变化规律的学习能力；

Attention 机制则进一步强化了模型对关键施工参数的识别能力，使模型能够在多源、强耦合、非线性的现场数据中聚焦更具预测价值的信息。

基于实际矩形顶管工程数据的验证结果表明，本文模型在测试集上的 MAE 为0.7878，MAPE 为3.7717%，R² 达到0.9358，预测曲线与实测曲线吻合度较高，整体性能优于 RNN、GRU、BiGRU 和 DE-BiGRU 等模型。这说明本文提出的智能预测框架能够有效提升长距离、大断面顶管工程中顶进力预测的精度和稳定性，可为施工参数调整、设备选型、顶进力预警和施工风险控制提供有价值的技术参考。后续研究可结合更多工程案例和地层信息，进一步提升模型在不同施工场景中的泛化能力。

阅读英文原文：https://www.mdpi.com/2075-5309/14/10/3169

• Buildings 期刊介绍

主编：David Arditi, Illinois Institute of Technology, USA

Buildings (ISSN 2075-5309) 是建筑领域内国际性的开放获取型期刊，已被Scopus、SCIE (Web of Science)、Ei Compendex、Inspec等知名数据库收录，领域涵盖但不限于建筑结构、建筑材料、建筑的维修和翻新、施工管理、建筑与环境、能源与建筑、建筑的运营维护和建筑设计等。

2025 Impact Factor：3.4

2025 CiteScore：5.6

Time to First Decision：14.7 Days

Acceptance to Publication：3.5 Days

期刊主页：https://www.mdpi.com/journal/buildings

支持单位：