王 祥， 陈发达， 刘 凯， 吴贤国， 陈 彬

(1. 贵阳城市轨道交通有限公司, 贵州 贵阳 550091； 2. 华中科技大学 土木与水利工程学院， 湖北 武汉 430074)

随着我国城市化建设的飞速发展，城市人口密度越来越大，城市居民的出行需求急剧增加，同时，随着地面建筑和各种基础设施的大规模修建，城市用地愈来愈紧张，使得城市交通拥堵现象越来越严重，为了缓解交通拥堵压力，地下轨道交通的开发成为了一条有效的解决途径。地铁隧道在开挖时会不可避免地引起地层应力重分布和变形，从而引起地表的不均匀沉降，对周围环境产生不利影响，尤其是对于既有建筑物，地表极小的变形沉降都可能对建筑物结构的安全稳定性产生破坏，从而影响到建筑物的正常使用，甚至带来严重的生命财产损失。因此，对由地铁盾构施工引起的地表建筑物沉降进行有效预测，具有重要的现实意义和工程价值[1]。

目前国内外学者研究的隧道盾构施工引起地表和建筑物沉降方法主要有理论解析、实测分析法、有限单元法、智能算法等。其中用于预测地表和建筑物的沉降智能算法一般有BP(Back Propagation)神经网络、支持向量机、遗传算法、灰色预测模型等。魏健等[2]提出基于BP神经网络的建筑物沉降预测方法，以实际工程实例验证了BP神经网络对建筑物沉降预测的可行性，但其存在易陷入局部极值和收敛速度慢等缺点。程功等[3,4]采用支持向量机方法进行建筑物变形沉降预测，并得到了较好的预测结果，但是支持向量机在输入变量过多时，训练时间较长，且对缺失值较敏感。……