融合静动态特征的高铁隧道进口段拱顶沉降预测模型研究

卢振忠

(中铁十八局集团第一工程有限公司，河北 涿州 072750)

摘　要：　针对复杂地质条件下高铁隧道进口段拱顶沉降长期预测难题，选取围岩等级、隧道埋深、黏聚力和内摩擦角等静态地质力学参数与开挖初期拱顶沉降序列(A2～A8)等11个影响因子，提出了一种基于卷积神经网络(convolutional neural network，CNN)和长短期记忆神经网络(long short-term memory，LSTM)的预测模型。以某高铁隧道进口段为工程背景，首先对Ⅲ级、Ⅳ级、Ⅴ级围岩的拱顶沉降与周边收敛进行了监测特征分析，结果表明，变形普遍呈快速增加—缓慢增加—趋于稳定的时程特征，且围岩等级对累计沉降值的影响最为显著。随后，在同一数据集上，将所提出CNN-LSTM模型与LSTM、ANN-LSTM等传统模型进行预测性能对比，结果表明，在决定系数R2、均方误差MSE、平均绝对百分比误差MAPE指标上，CNN-LSTM模型均表现出显著优势。针对4个不同工况下的独立验证测试，CNN-LSTM模型表现最优，其R2均在0.93以上，表明其具有较强的泛化能力。敏感性分析揭示了各影响因子的贡献度排序：围岩等级和黏聚力对最终沉降的贡献最为突出，其次为内摩擦角、隧道埋深和开挖初期拱顶沉降时间序列。研究结果表明，将开挖初期拱顶沉降时间序列与静态地质力学参数在深度网络中协同表征，能够实现隧道进口段拱顶最终沉降的提前预测，从而为工程现场的支护优化设计、监测方案加密与风险预警决策提供定量化理论支撑。

关键词：　高铁隧道; 拱顶沉降; 静动态特征; CNN-LSTM; 敏感性分析

基金项目： 中铁十八局集团有限公司2023年度科技发展计划课题(G23-47)

引文格式： 卢振忠. 融合静动态特征的高铁隧道进口段拱顶沉降预测模型研究[J]. 市政技术，2026，44(1)：193-201. (LU Z Z. Research on the prediction model for arch settlement at the entrance section of high-speed rail tunnels with static and dynamic features[J]. Journal of municipal technology，2026，44(1)：193-201.)