谭光辉 汪忠新

（1.江西省交通投资集团有限责任公司项目建设管理公司，江西 南昌 330025；2.江西省天驰高速科技发展有限公司，江西 南昌 330000）

一、引言

城市化进程的加快给城市交通带来了巨大的压力。因此，地下空间被充分利用，成为公共交通系统的重要组成部分。隧道作为一种典型的地下建筑，容易受到复杂外部负载和环境的影响，有时还会遇到地震、碰撞、爆炸等极端状况。隧道结构受损将造成巨大的经济损失甚至威胁公共安全。随着人工智能的快速发展，结构健康监测(structural health monitoring system,简称“SHMS”)被业内公认为是保证隧道结构稳定的可靠技术。目前，SHMS正从识别异常状态向及时预测和提供结构状态预警发展。结构力学行为的预测对于保证结构的长期安全运行具有重要意义。因此，本文研究以结构健康监测数据为驱动，准确预测隧道结构的力学行为。

传统的隧道力学行为预测研究主要集中于解析解和数值模拟。由于这类方法求解过程复杂，解析结果和数值结果难以直接应用于工程实践。近年来，出现了大量以监测数据为驱动的预测模型，如Bayes等统计模型，AR等时间序列模型和神经网络等深度学习模型。然而，上述模型在土木工程领域，特别是隧道工程领域的探索较少。与一般的监测数据不同，隧道结构实时监测数据表现出以下特征：一是时间序列具有显著的非平稳性和随季节变化的周期性；二是安装在不同位置的传感器所记录的监测数据具有大致相同或相反的演变趋势。……