道路隧道施工过程中，复杂的地质水文分布可能带来各种安全隐患。为了减少或消除这种不良安全隐患给施工带来的不良影响，可以改进施工技术方案，也可以利用智能预测技术对安全风险进行提前识别[1-2]。本文利用长短期记忆（LSTM）神经网络强大的时间序列事件预测能力，构建了一种地质智能超前预报方案，结合预测结果改进了施工技术，最终实现了安全、高效施工。1工程概况1.1基本情况工程的地理位置如图1所示。10.19301/j.cnki.zncs.2024.01.028.F001图1工程地理位置分布选择柳州市莲花大道工程作为研究对象，位于柳州市北部，西起河东片区经一路交叉口，途经三门江国家森林公园，东接拟建项目柳州市官塘大桥，直接连接主城区和广西柳州汽车城。该工程主要建设内容为道路施工，其中道路按照双向六车道的城市快速路标准规划，设计车速80 km/h，全长约为5 370.301 m。为了确保道路顺利通行，在穿越莲花山时设置有两座隧道，分别为莲花山隧道和坝洲坪隧道。莲花山隧道建设里程长，属于重点控制工程段，是本文的研究重点。莲花山隧道为分离式大断面小净距隧道，长1 885 m。隧道主洞净宽13.75 m，净高5.00 m。该隧道位于典型的喀斯特岩溶地区，隧区隶属低山溶蚀峰丛地貌，围岩类型大部分为Ⅳ、Ⅴ级，溶蚀强烈，地质情况复杂，溶岩发育强烈，施工中容易出现岩溶塌陷引起的洞内塌方及涌水突泥等地质灾害。1.2施工难点1.2.1岩层分布情况多样，地质力学特点复杂拟建线路岩体水平层理明显，被切割成薄层、厚层状，表面被风化溶蚀，形成强风化层，岩体内中裂隙破碎带、溶洞、空洞发育。隧道施工开挖后将改变原有岩土体的应力状态，在振动等外部作用力诱因下，溶洞底板或顶板被破坏后，隧道拱顶处的溶洞充填物发生坍塌，形成流泥现象，严重时可发生冒顶现象，隧底发生溶洞塌陷，形成地面沉陷，危及人员安全及拟建物的稳定。洞身段岩体均存在泥岩、页岩夹层甚至互层，由于泥岩、页岩属软岩，遇水易软化，长期暴露易风化脱落，属于不良地质层，硬质岩块极易沿此软弱层面塌落。1.2.2地质水文特点多变，易引发安全事故岩体裂隙较发育，冲沟较为发育，多为季节性冲沟，拟建隧道段沿线无地表水存在，因此大气降水是隧道的主要充水来源。山体坡度较陡，大气降水多沿山体表面或冲沟流向坡脚低洼平坦地带，少量沿孔隙、裂隙渗入地下，作为地下水补给来源，当隧道揭露含水裂隙、孔隙后该水体便会渗入隧道。隧道进出洞口处均有较厚的第四系覆盖层，其呈土夹石状，为高液限土，遇水易收缩，自稳能力较差，对隧道洞门及浅埋段开挖会造成一定影响，较易产生工程滑塌。2地质智能超前预报技术2.1LSTM神经网络LSTM神经网络具有时序时间序列数据预测的能力，是实现地质智能超前预报技术的关键。作为循环神经网络的拓展，LSTM神经网络由门神经单元和记忆神经元组成，包括遗忘门、输入门和输出门，对输入的时间序列数据信息进行优化，只保留最关键的数据信息用于网络训练和预测；记忆神经元中存储训练好的网络单元，利用读入的当前信息数据进行未来变化态势预测[3]。LSTM神经网络的典型结构如图2所示。10.19301/j.cnki.zncs.2024.01.028.F002图2LSTM神经网络典型架构组成在神经网络内部，时间序列预测计算过程为：ht=σ⊗tanh(Xt) （1）yt=σ(W⋅ht) （2）式中：yt——t时刻神经网络输出结果；Xt——t时刻输入神经网络的时间序列数据；ht——t时刻神经网络的预测结果序列数据。2.2累计沉降量预测莲花山隧道穿越的土岩组合地层，其开挖轮廓内包含有土夹石与基岩两种地层结构。土夹石和基岩在隧道开挖影响范围内的分布形式具有不确定性，给地层的自稳能力带来负面影响。为了巩固围岩的支护效果，在施工中根据地层沉降量的观测结果动态调整优化支护参数。地层的沉降量利用传感器进行监测，将结果以自然日作为时间单位进行存储。将观测结果作为输入序列X，传输至LSTM神经网络，对网络训练后利用当前监测沉降量对未来沉降的变化态势进行预测。地层累计沉降量的观测与预测结果对比如图3所示。图3地层累计沉降量的观测与预测结果对比10.19301/j.cnki.zncs.2024.01.028.F3a1（a）沉降量观测值与LSTM神经网络预测值10.19301/j.cnki.zncs.2024.01.028.F3a2（b）沉降观测值与LSTM神经网络预测值的误差LSTM神经网络利用观测值中的60%进行训练，利用剩余的40%进行预测。也就是说，利用前30 d的观测数据进行网络训练，从第31 d开始进行预测。在固定时间范围内，利用LSTM神经网络对累计沉降量的预测结果与实际观测结果误差很小，最大仅有3.9 mm（出现在第33 d）。因此，利用LSTM神经网络对累计沉降量进行预测具有相当高的可信度，完全能够满足工程项目建设使用需求。2.3地质超前预报地质超前预报的技术基础是LSTM神经网络，主要目标是基于当前探测的地质水文数据，对未来施工段的涌水、坍塌、断裂等不良地质事件预测发生概率。地质分布具有连续性，很少出现断崖式变化，因此具有时间序列连续数据的特点，可以利用神经网络对变化情况进行分析和预测。对地质数据的采集主要利用地质雷达，对隧道进行分段短距离探测。每次探测长度设置为12~18 m，将探测数据进行归一化后存储[4]。探测的主要参数内容包括岩性分布长度、裂隙间距、岩层倾角等。将探测数据输入LSTM神经网络，选择60%的数据用于网络训练，利用40%数据进行预测。根据预测值，可以提前掌握地质变化情况并制定相应的施工方案，避免出现地质水文情况不明而出现的施工事故。地质超前预报的实施方案如图4所示。10.19301/j.cnki.zncs.2024.01.028.F004图4地质超前预报实施方案3基于地质智能超前预报的关键工序施工3.1小净距隧道进洞施工技术莲花山隧道进洞施工时遭遇柳州地区的雨季天气，强降雨气候条件给隧道施工带来了一定难度。在雨水作用下，隧道内硬塑红黏土会发生明显的软化效应，回填土与原地面的软弱接触面强度也会下降，与小净距浅埋偏压隧道施工的力学效应相叠加后将使隧道施工处于极其不利的条件。在这种条件下施工，隧道极易发生深埋侧向浅埋侧位移、两洞室施工相互影响明显及土层可能沿软弱接触面或基岩面发生滑移等工程问题[5]。为了实现雨季小净距隧道安全进洞施工，基于地质智能超前预测技术制定施工方案。首先，对雨季内隧道基本地质数据进行采集，利用神经网络对雨水作用下的地质变化进行预测，重点关注极端地质条件。其次，根据地质预测结果制定安全施工技术方案。通过采用在中隔墙设置支护桩对中夹岩墙进行加固的方法，有效防止了由于隧道开挖扰动和降雨软化作用共同作用引发的滑坡灾害，降低了小净距隧道先行洞与后行洞施工相互影响程度，提高了隧道支护结构的安全性，为莲花山隧道进洞施工的安全与质量提供了有力保障。最后，对施工效果进行检验。在隧道内，每一段工程施工完毕后，立即对施工效果进行检验。利用地质雷达对隧道内围岩变化数据进行监测，根据数据监测结果与围岩地质标准数据进行比对，当对比误差在规定范围内时表示施工并未改变围岩结构强度，具有较好的结构安全性。3.2隐伏溶洞处治施工技术莲花山隧道的地质勘测及现场施工均表明了莲花山隧道岩溶强烈发育，已揭露且有信息记载的溶洞共计23处，溶洞的危害主要有变形侵蚀、洞内塌方、支护破坏、地表沉降等。根据现场溶洞导致危害情况，采用的相关处置措施主要有小导管、大管棚、回填、注浆等技术措施，基本保证了隧道安全稳定的施工[6]。4结语隧道工程施工受到地质水文变化的影响较大，需要依据地质水文的分布和变化制定的施工技术方案。LSTM神经网络具有强大的时间序列数据预测能力，能够依据地质水文历史数据对下一个施工段的变化情况进行预测。在柳州市莲花大道工程尤其是莲花山隧道施工中，利用LSTM神经网络实现了对累计沉降量的预测，并据此设计了地质超前预报方案；基于地质超前预报方案，针对特殊地质水文条件下的隧道施工，分别采用小净距隧道进洞施工技术和隐伏溶洞处置施工技术，实现了复杂地质水文条件下的安全施工。在后续研究中，可以进一步完善LSTM神经网络预测技术，对网络结构层进行改进以提升预测精度。融合了智能预测技术的施工方案，是实现建筑施工智能化的重要保证，同时也是提升建筑施工安全性的可能突破口。