研究背景

随着城市化进程的加速，地铁隧道建设规模空前。土压平衡盾构法因其效率高、扰动小等优势，已成为城市地铁隧道施工的主流工法。然而，盾构机在地下掘进时，遭遇的地质条件极其复杂多变，如何实时、精准地调整盾构施工参数以适配当前地层，一直是隧道工程界面临的难题。目前，盾构操作主要凭借操作人员的个人经验，不仅难以应对突变工况，更可能导致地表沉降过大、掘进效率低下甚至盾构机卡死等严重事故。因此，研发一种能够自主决策、动态优化施工参数的人工智能方法，对于推动隧道建设向智能化、少人化转型具有重要的科学意义和工程价值。

基于此，近日，北京工业大学杜修力院士团队联合华北电力大学孔凡超团队等，在期刊ENGINEERING Structure and Civil Engineering上发表了题为“A self-adaptive intelligent decision-making method with multi-objective optimization for shield tunnel construction risk control”的研究论文。该研究提出的自适应智能决策方法，在青岛地铁6号线实现了掘进速度提升25.83%、地表沉降减缓、安全性能提升51.06%的优化效果，为盾构隧道智能化施工提供了关键技术支撑。

研究挑战

实现盾构施工参数的自适应智能决策，面临着两大核心挑战。

其一，是“如何精准预测”的问题。地质参数与施工参数、施工参数与隧道性能之间存在着高度复杂的非线性映射关系，且实际工程数据往往具有多源异构、量纲不一的特点。传统的单一机器学习模型在挖掘这类深层隐式关系时，其预测精度和泛化能力往往难以满足工程实际需求。

图1.各参数的数据分布图

其二，是“如何科学权衡”的问题。隧道施工的安全性与效率通常是一对矛盾体，往往“快”则“不稳”，“稳”则“不快”。例如，加快掘进速度可能导致对地层的扰动加剧，引发更严重的地表沉降。

图2.变量间的全局敏感性分析图

如何在保障周边环境安全（即控制地表最大沉降）的前提下，最大限度地提升施工效率（即提高掘进速度），本质上是一个复杂的多目标优化问题。传统的单目标优化算法或依赖人工经验的参数调整方式无法从根本上解决此内在矛盾，难以实现全局最优的平衡。

研究突破

针对上述挑战，研究组创新性地提出了一种“两阶段”自适应智能决策框架。在第一阶段，研究团队构建了一个结合粒子群优化算法与多层感知器的混合模型，用于初步预测当前地质条件下的最优盾构施工参数（如顶进力和刀盘扭矩）。该模型通过对海量历史施工数据的学习，成功建立了地质参数与施工参数之间的精准映射关系。测试结果显示，其对顶进力预测的决定系数R²达到0.859，展现出强大的预测能力。

图3.盾构掘进过程自适应智能决策流程图

在第二阶段，研究组引入非支配排序遗传算法II来求解施工安全与效率的博弈难题。当第一阶段预测的参数可能导致地表沉降过大时，该多目标优化算法会被激活，以前述模型为“决策大脑”，在约束条件下对掘进速度和地表最大沉降进行同步寻优，自动迭代生成一组平衡解集（即帕累托前沿），并从中决策出满足施工要求的最优参数组合。

图4.迭代过程中的帕累托前沿演化过程

以青岛地铁6号线为工程案例，该方法取得了显著成效：在30组测试数据中，优化后的掘进速度平均提升了25.83%，与此同时，地表最大沉降减缓显著，隧道施工安全性能提升了51.06%，真正做到了“又快又稳”。

研究意义

该研究成果不仅为盾构隧道施工提供了一套切实可行的智能决策工具，更在更深层次上响应了我国交通强国、制造强国和数字中国等国家战略的迫切需求。当前，我国隧道与地下工程建设正从“规模速度型”向“质量效益型”转变。该技术通过人工智能赋能，将盾构操作人员从依赖“手感”和“经验”的传统模式中解放出来，显著提升了工程的质量、安全与效率，是推动基础设施高质量发展、培育新质生产力的典型范例。尤其在地质风险高发的城市核心区、跨江越海等重大工程中，该自适应决策方法能有效降低施工对城市敏感环境的影响，破解了工程安全、工期控制与环境微扰动这一长期困扰业界的“工程痛点”，为实现“智能建造”和“双碳”目标下绿色低碳施工提供了关键技术支撑。（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fsce/EN/10.1007/s11709-026-1282-z