大型及复杂交通隧道工程教育部创新团队在人工智能与工程应用领域国际著名期刊《Engineering Applications of Artificial Intelligence》上发表了极端气候条件下山区隧道水文地质动态响应与结构安全预测方面的最新研究成果“Predicting the dynamic hydrogeological response of mountain tunnels to extreme climate: an integrated physics and artificial intelligence framework”。
Wang K, He C, Chen Z, et al. Predicting the dynamic hydrogeological response of mountain tunnels to extreme climate: an integrated physics and artificial intelligence framework[J]. Engineering Applications of Artificial Intelligence, 2026, 170: 114208.
论文链接：
https://doi.org/10.1016/j.engappai.2026.114208
论文摘要
为应对极端气候对山区隧道安全造成的威胁，本研究旨在构建一种融合物理模型与人工智能的集成框架，以实现从降雨到结构应力全过程水—力响应链的动态预测。首先，采用 MODFLOW 建立并验证了隧址区三维地下水数值模型，用于再现研究区的水动力特征，并计算降雨与干旱条件下地下水位的响应规律，作为水头响应生成器。随后，基于 ABAQUS 构建小尺度隧道模型，计算不同工况下衬砌结构的力学响应，作为衬砌应力分布的样本生成器。在此基础上，进一步构建了两个级联式机器学习替代模型：首先采用 LSTM-MLP 网络根据降雨时间序列快速预测动态水头；然后利用 CatBoost 模型结合预测水头与地质条件，实现衬砌应力的瞬时求解。研究结果表明，经验证的 MODFLOW 模型能够较准确地再现研究区的水动力学特征，其均方根误差（RMSE）为 19.87，相对误差为 1.59%。模拟结果显示，极端降雨会导致高渗透性区域水头出现最显著且空间差异明显的快速升高，而干旱则会引起水头持续下降，同时识别出高海拔区域为高风险区。在此基础上，LSTM-MLP 模型对动态水头的预测精度较高，决定系数 R² 达到 0.90。进一步地，CatBoost 替代模型对最大主应力和最小主应力的预测表现出极高精度，其 R² 分别达到 0.95 和 0.98，并成功识别出沿线高应力区段。研究构建了一个面向长大埋深隧道实时风险评估的新型高效框架，同时也为提升气候变化背景下重要地下基础设施的韧性与安全性提供了一种可拓展的技术范式。
主要创新点
1.建立了极端气候作用下隧道水文地质响应数值模型，实现了隧址区地下水动力过程的定量表征，为分析气候扰动下隧道服役环境演化提供了基础。
2.揭示了极端降雨条件下高渗透性区域地下水头快速抬升的空间分异规律，实现了高风险水文地质区段的识别。
3.建立了“降水—水头—应力”级联预测框架，实现了从气象输入到结构响应的全过程耦合分析与快速传递。
4.构建了两阶段物理—人工智能融合模型，实现了运营期隧道结构安全的高效动态预测，为实时风险评估与预警提供了新方法。
主要结论
1.采用 MODFLOW 成功建立了研究区三维地下水模型，并结合现场实测数据完成了模型验证。结果表明，该模型能够较准确地再现区域水动力特征，水头均方根误差为 19.87，相对误差为 1.59%。同时，模型成功揭示了深埋隧道段拱形水压力分布特征，为后续分析提供了可靠的物理基础。
2.该框架能够有效量化地下水系统对极端气候事件的非均质响应特征。极端降雨工况模拟表明，地下水头升高呈现明显的非线性和空间差异性，其中高渗透性区域响应最为敏感，而城镇化区域响应最弱。相反，干旱工况模拟识别出地形高程较高且补给不足的区域为水头持续下降的高风险区，体现了该模型对气候敏感区的有效识别能力。
3.建立了由气候输入驱动衬砌应力响应的级联预测体系。其中，LSTM-MLP 模型以较高精度模拟了降雨作用下动态水头的响应过程，其决定系数 R² 达到 0.90，从而高效实现了气象过程与水文地质过程之间的衔接。
4.CatBoost 算法作为最终计算环节的高性能替代模型，对衬砌最大主应力和最小主应力的预测精度分别达到 R² = 0.95 和 R² = 0.98。该数据驱动模块避免了高计算成本的有限元分析需求，从而实现了近实时、空间分辨的衬砌应力预测。
基于降雨、地下水头和孔隙水压力的隧道衬砌应力数据驱动一体化预测框架
地下水流速与流向主矢量场
降雨对水头影响示意图
LSTM-MLP 模型效果图：(a) 点密度–边缘直方图组合图；(b) 预测曲线；(c) 损失函数曲线
作者介绍
（王楷越第一作者）
王楷越，西南交通大学土木工程学院2024级硕士研究生，主要研究方向是复杂裂隙岩体隧道水力耦合致灾机理。
（何川第二作者）
何川，中国工程院院士、西南交通大学首席教授、博士生导师，长期从事大型复杂隧道结构分析与安全控制研究，主持承担国家重点研发计划项目、国家自然科学基金集成项目等重大科研课题100多项。主持完成的成果获国家科技进步奖一等奖1项、二等奖2项、国家技术发明二等奖1项，获何梁何利基金科技进步奖、首届全国创新争先奖状、詹天佑铁道科学技术成就奖、茅以升铁道科学技术奖、四川杰出人才奖、天府杰出科学家等荣誉。
（陈子全通讯作者）
陈子全，工学博士、副教授，长期从事深埋隧道灾变防控、钻爆法智能建造、隧道建设与地下水环境互馈理论研究。主持国家自然科学基金等项目多项，发表 SCI/EI 论文100余篇，入选全球前2%顶尖科学家。
