李庆桐

(上海申通地铁集团有限公司,上海 201103)

引言

从1969年首都北京开通中国大陆的第一条地铁开始，中国城市轨道交通已经走过50年的发展历程，特别是近10年以来，其建设规模和建设速度举世瞩目[1]。以交通流量大、建筑物密集的长江经济带上的龙头城市——上海为例，2/3的地铁区间隧道为盾构隧道。由于软土地层具有变形量大、承载力低的特性，使得呈一维地下管状结构的隧道衬砌发生纵向不均匀沉降，导致盾构隧道在服役过程中存在不同程度的结构病害，其中裂缝与渗漏水是最常见的两种病害[2]。

近年来，随着计算机、数码相机、存储器、图形处理器(Graphics Processing Unit，简称GPU)、人工智能算法等软硬件的快速发展，国内外已有学者[3-5]将计算机视觉和深度学习应用到盾构隧道结构病害的图像识别之中，并能够快速精准地提取病害的详细参数，如裂缝长度和宽度、渗漏水面积等。就隧道维护保障部门而言，仅仅将结构病害的区域从数字图像中识别或者提取出来，并不能从根本上解决实际中的工程问题。上海市工程建设规范DG/TJ08—2213—2013《盾构法隧道结构服役性能鉴定规范》[6]的条文说明中第3.1.2条指出，隧道检查的目的是对隧道结构服役性能做出评价。盾构隧道衬砌上裂缝、渗漏水等结构病害的严重程度直接关系到衬砌结构服役性能的高与低[7]。然而，结构病害参数与结构服役性能之间的这种力学关系尚不清晰，直接制约了病害严重程度的客观评价。文献[8]指出目前运营地铁盾构隧道的渗漏水危害等级评价具有模糊性、不确定性的问题。……