近日，同济大学工程风险研究团队张冬梅教授、黄忠凯助理教授和沈一鸣博士研究生等在《Transportation Geotechnics》期刊上发表了题为“SBD-K-medoids-based long-term settlement analysis of shield tunnel”的研究论文，报道了采用实测数据和无监督机器学习聚类算法开展运营期盾构隧道长期沉降分析的最新研究成果。
长期沉降对运营期盾构隧道的安全至关重要。国内外众多学者采用各种分析手段对该问题展开了深入研究。然而，当前的研究主要着眼于单一扰动因素对运营期盾构隧道长期沉降的影响。而在现实中，盾构隧道长期沉降是各类影响因素的耦合产物。当两个盾构隧道区间的赋存条件截然不同时，其长期沉降行为也会有显著差异。相反，当赋存条件相似时，两者的长期沉降行为会趋同。
基于这一理念，本文结合实测运营期盾构隧道长期沉降数据和无监督机器学习聚类算法，提出了一套运营期盾构隧道长期沉降的分析方法（图1）。
图1 运营期盾构隧道长期沉降分析方法框架
首先，为了克服以往聚类算法效率低下这一痛点，本文提出了一种新的时间序列聚类算法，称为SBD-K-medoids，并通过假设检验验证了该算法的聚类精度和聚类效率。随后，对长期沉降分析方法的框架进行了详细阐述，共由数据预处理、区段划分与沉降表征、相似性聚类和归因分析4个部分组成。提出了一个新的指标，隧道沉降状态增量（ITSS）来描述运营期盾构隧道纵向长期沉降（图2）。
最后，以上海地铁10号线为例，对该方法的有效性和工程实践价值进行了验证，得到了以下的主要结论：
(1) 通过时间序列标准数据库UCR对提出的SBD-K-medoids聚类算法进行了验证。假设检验结果表明，SBD-K-medoids算法的聚类精度与基准算法相似，但聚类效率得到了大幅提升（表1）。
表1 SBD-K-medoids算法假设检验结果
Annotation:
Test method: Wilcoxon Signed Rank Test
Significance level: 0.05
(2) 提出了一个名为隧道沉降状态（TSS）的指标来刻画运营期盾构隧道区段的长期沉降。该指标考虑了区段中所有监测点的沉降数据，并由相对沉降和差异沉降线性组合而成。随后提出隧道沉降状态增量（ITSS）指标来消除施工期导致的区段沉降差异。
(3) 上海地铁10号线上行段共被分为356个区段。通过本研究的分析方法，356个区段被划分为4个集群。从数量上看，集群1和集群2所占比例最大，而属于集群3和集群4的区段相对较少。集群的分布特征表明，相邻区段更容易落入同一集群中，而土壤特征的空间变异性的确发生在了一些特定区域（图3）。
图3 上海地铁10号线沿线集群分布特征
(4) 分析表明，集群1-3精确地展示了盾构隧道区段在其运行期间可能经历的三种状态（图4），而集群4则代表了那些受附近施工活动影响的区段。利用地质勘探资料，开展了归因分析，并总结了各集群的形成条件。
图4 运营期盾构隧道区段三种类型的演化状态
(5) 针对每个集群，总结了所属该集群的区间的沉降模式，并提出了相应的工程修复对策，来提高方法的工程实用价值（表2）。
表2 各集群沉降模式及工程修复对策
热门推荐