第51卷第6期2023年6月Vol.51No.6June2023华南理工大学学报（自然科学版）JournalofSouthChinaUniversityofTechnology（NaturalScienceEdition）基于IPSO-SVR的盾构下穿既有道路沉降预测分析魏海斌1魏东升1蒋博宇1马子鹏1刘佳佳2（1.吉林大学交通学院，吉林长春130000；2.中铁二十二局集团轨道工程有限公司，北京100043）摘要：目前，有关盾构隧道平行下穿既有道路的沉降预测研究相对较少。为准确预测在盾构过程中不同因素对既有平行道路沉降的影响规律，本研究提出一种基于改进粒子群优化的支持向量回归（IPSO-SVR）预测模型，将其应用于实际地铁隧道工程的地表道路沉降预测中。以长春地铁6号线下穿飞跃路区间工程为依托，结合盾构施工过程中盾构掘进参数、地层信息与道路沉降的监测，应用libsvm网格搜索法缩小超参数范围，同时结合非线性递减策略改进粒子群算法中惯性权重与加速因子的变化情况，最终建立IPSO-SVR预测模型，实现区间内后续路段的沉降预测。研究结果表明，对比网格搜索法与常规粒子群优化训练中目标函数（均方误差）的变化情况，经改进后的粒子群优化的收敛速度有较好提升，目标函数收敛效果更好，其最小值缩小近15%。本研究提出的IPSO-SVR对道路沉降预测平均绝对误差（MAE）为0.287，拟合决定系数R2为0.884，平均相对误差仅为8.91%，较反向传播（BP）神经网络、支持向量回归（SVR）、粒子群优化的支持向量回归（PSO-SVR）预测模型有更佳性能表现。由此可知，IPSO-SVR对于复杂情况下多因素耦合作用的非线性预测具有较高精度，其预测方法具有可行性与泛化性，可为道路沉降有效控制提供可靠依据，对保证道路正常运营与盾构施工安全有重要意义。关键词：盾构隧道；沉降预测；粒子群优化；支持向量回归；多因素耦合中图分类号：U455.43文章编号：1000-565X（2023）06-0062-10随着轨道交通网络的不断发展，不可避免地产生下穿既有道路现象［1］，而在盾构施工的过程中，土体扰动与地下水文条件变更等无疑会造成路表的沉降变形［2］，影响道路质量及盾构施工进度。因此，建立准确度较高的机器学习模型以预测盾构施工中沉降的变化规律，对道路运营与施工安全有着至关重要的作用。在现行的盾构下穿所产生的沉降影响研究中，难以建立出盾构参数与地面沉降之间的非线性关系表达式［3-4］，故在进行盾构参数优化的过程中也就难以确定准确的目标函数，较多学者采用理论模型与现场数据监测来合理进行沉降分析。Luo等［5］基于Biot固结理论，建立...
