城区盾构施工掘进的地层变形控制要求高，地表沉降超限后果严重．近年来，由于盾构掘进参数设置不合理等导致地表沉降超限的安全事故层出不穷，如何预测和控制盾构掘进引起的地表沉降，是目前国内兴修盾构隧道背景下的热门问题．传统的地表沉降预测方法主要有经验与半经验法[1]、理论预测法[2]和数值模拟法[3]，而这些方法难以处理盾构施工中大量且种类繁多的地层、施工和监测等信息间的复杂耦合关系，须要进行大量的简化与假设，预测的精度也难以满足工程的要求[4-5]．机器学习算法具有容错率高、自适应性和非线性强等特点，不仅能够处理多参数的耦合作用，还能在短时间内得到预测结果，在土木工程智能建造领域得到了广泛的应用，如Chen等[6]基于大数据与深度学习实现对不良地质条件进行预测，Ding等[7]基于深度学习实现对监控视频中建筑工人的不安全行为识别等．盾构机掘进引起地表沉降是多因素共同作用下的连续过程，包括地层条件、盾构掘进状态和施工等因素，基于机器学习的盾构掘进地表沉降预测原理是将各类因素与预测目标转化为数据形式，使用机器学习算法进行回归分析，以数据驱动的方式寻找各因素与预测目标间的数学联系．实现这一过程的关键是输入参数和机器学习算法．输入参数的选取不仅要分析各参数与地表沉降间的相关性，还要考虑输入参数的数量，数量过少会导致模型准确性差，过多则会导致模型难以收敛．机器学习算法的种类繁多，按学习方式可分为监督、无监督、半监督和强化学习，按学习任务可分为分类、回归和聚类．在使用机器学习方法预测盾构掘进地表沉降的研究中，主流的算法是监督学习中的决策树(DT)、人工神经网络算法(ANN)、支持向量机(SVM)等，随着计算机与人工智能技术的发展，许多更为复杂的机器学习算法与优化算法也逐步被采用．控制盾构掘进地表沉降的关键是掘进参数的推荐与优化，实现这一过程主要分为三步：a. 根据地层和隧道埋深等信息对计划掘进的点位进行掘进参数推荐；b. 基于推荐的掘进参数使用沉降预测模型对该点位上方地表沉降进行预测；c. 根据沉降预测结果筛选出沉降异常的点位并对该点位所推荐的掘进参数进行优化[8]．目前基于机器学习的盾构掘进地表沉降预测研究已经取得了一些进展[9-12]，但仍有多个关键问题亟待解决．本研究通过大量的国内外文献调研，总结国内外采用机器学习算法预测与控制盾构隧道掘进引起的地表沉降的最新成果，阐述了输入参数、预测目标、预测算法和沉降控制方法等发展过程，并在此基础上对该领域的研究进行了展望．1 地表沉降预测1.1　预测模型中输入参数选取构建地表沉降预测数据库时，合理的输入参数决定了预测模型的性能．对地表沉降影响最大的因素主要有几何参数、地层参数和盾构机掘进参数[13]．使用机器学习方法预测盾构掘进地表沉降的相关研究中基本都采用了这三类作为输入参数[14-16]，文献[17-19]还增加了与地表沉降相关的其他参数，表1为沉降预测数据库输入参数类型．10.13245/j.hust.220806.T001表1沉降预测数据库输入参数类型因素代表参数几何参数隧道埋深，隧道直径地层参数地层类别，地层强度参数，地下水位掘进参数土仓压力，贯入度，俯仰角，注浆压力，注浆量其他参数溶洞高度，溶洞处理方案，盾构停机1.1.1　几何参数影响地表沉降的两个重要的几何因素是隧道埋深与直径[20]，数值模拟和经验方法均表明地表沉降通常会随着隧道埋深的增加而减小[21-22]，直径越大的隧道往往会造成更大的地表沉降[13]．但目前大部分基于机器学习算法的研究都只基于单个工程[13,23]，在单个工程中隧道在不同位置处的埋深虽然不断变化，但直径基本不发生改变，因此当构建沉降预测数据库时通常仅将隧道埋深作为唯一的几何参数．当工程中涉及到多条不同直径隧道时，预测模型应该考虑不同的隧道直径对地表变形的影响，因此须增加直径作为参数[24]．此外，对于近距离施工的盾构隧道，还要考虑隧道间水平间距的影响[25-26]．1.1.2　地层参数盾构机穿越的地层性质是影响盾构掘进地层扰动的一项重要因素．不同类型地层的物理力学性质差异显著，同一隧道在掘进过程中因穿越不同性质的地层会产生截然不同的地表沉降表现[27]，如何选取合适的地层参数对真实的地层条件进行准确的表征是构建地表沉降预测模型时须考虑的一个主要问题．前期研究中对地层参数的处理较为简单，如将隧道拱顶上方地层划分为软黏土、硬黏土和砂土等，并使用不同数字进行表示[13]；选取隧道上方或盾构机掌子面的所有地层的强度参数(如标准贯入击数、凝聚力和弹性模量等)，将各参数分别取算数平均来代表隧道所处地层的综合地层条件[14,20,28-29]．除了地层强度参数外，地下水位也会对盾构掘进地表沉降产生较大影响，常用的处理方式是直接取地下水位埋深[5]或以不同数字表示地下水位与隧道的相对位置关系[24]．使用这些方法虽然能对不同的地层性质进行简单区分，但考虑的因素仍不够全面，不能反映地层深度与厚度对盾构掘进的影响．Chen等[5]提出了一种地层参数量化的新方法，根据地层类型分别采用不同的原位测试结果作为度量因素，并通过定义厚度修正因子和深度修正因子对隧道上覆各地层的强度参数进行修正与加权平均，以此来表征隧道所处的综合地层条件．该方法除了考虑了各地层的强度差异外，还考虑了各地层在空间上的分布特征，能更好地表征真实的地层条件．1.1.3　掘进参数盾构掘进过程复杂，产生的参数种类众多，其中推力、扭矩、掘进速度、注浆率及土仓压力等是影响地层变形的重要因素[30]，文献[13，16，20，24-25，31-32]选取的掘进参数以土仓压力、贯入度、盾构机俯仰角、盾尾注浆压力及盾尾注浆量等为主．但在实际工程中，注浆压力的监测受施工环境影响显著；同时，由于使用电磁流量计或活塞计数法记录的注浆量准确性难以得到保障，因此从工程项目中直接获取的注浆压力和注浆量数据往往难以直接用作预测模型的输入参数．此外，采用人工方式进行测量的能反映超挖程度的出渣量也具有重要的参考意义[14]；李洛宾等[15]还考虑了盾构机回转角、千斤顶速度、切削面水压、送泥流量、排泥流量、送泥密度、排泥密度及注浆流量等参数．虽然上述研究中提到的大多数盾构掘进参数均能在一定程度上反映盾构掘进对地表沉降的影响，但输入参数过多、维度过高，会导致模型收敛困难，影响训练效果．如何从中选出最能体现盾构掘进对地表沉降影响的参数是提升沉降预测准确性的关键，目前常用的方法有皮尔逊分析法[8]和热图法[33]等．有研究指出：推力、土仓压力及盾尾注浆率对地表沉降的影响最大[8,30]，但都只是体现了输入参数与沉降间的相关性，具体采用哪些参数作为输入，还须通过增加或减少输入的掘进参数个数来对比不同输入组合下沉降预测模型的性能[10,34]．1.1.4　其他参数Suwansawat等[13]分析了几何参数、地层参数和掘进参数对地表沉降的影响，但仅在土仓压力与地表沉降的关系图中才能观察到一定的关联性，其余每个参数与地表沉降间几乎均未发现明显趋势，文献[20，35]也给出了相似结果．这表明：地表沉降的大小并不只是由某一个参数单独影响的，由于盾构掘进过程复杂，对于某一参数的敏感性分析只能提供非常有限的结果，而在工程实践中，同样不可能在保持其他参数不变的情况下，仅改变一个参数来研究其对地表沉降的影响，因此才须要使用机器学习方法来识别各参数与地表沉降间复杂的多元关系，并以此实现预测盾构掘进引起的地表沉降目的．除去几何参数、地层参数和掘进参数外，还有其他因素对地表沉降产生较大影响[27]，这些因素能帮助算法对掘进过程中的异常点位进行标定[17]，起到预警的作用．例如当隧道穿越岩溶地层时，常将溶洞高度、溶洞与隧道的距离作为输入参数[18-19]．此外，还有部分难以量化的施工方案、异常工况和复合地层等特殊情况也常用编码的方式来进行表示，例如溶洞的处理方案(KST)[18-19]、盾构机异常停机、地层破碎带或软硬交接复合地层等[17]．1.2　预测模型中输出参数的选取1.2.1　最大地表沉降最大地表沉降是指隧道掘进引起地表横向沉降槽的最大值，一般选用每环正上方地表沉降在盾构离开后的稳定值作为当前环的最大地表沉降．表2总结了采用机器学习算法预测盾构掘进地表沉降的相关研究，表中：BPNN为反向传播算法；OLS为最小二乘法；WNN为小波神经网络；GP为高斯过程；RF为随机森林；MARS为多元自适应回归样条；ANFIS为自适应神经模糊系统；RBF为径向基函数神经网络；GRNN为广义回归神经网络；ELM为极限学习机；LSTM为长短期记忆神经网络；GRU为门控循环单元神经网络；Conv1d为一维卷积神经网络；XGBoost为极限梯度Boost；PSO为粒子群算法；LM为Levenberg-Marquardt算法；PCA为主成分分析法；DE为差分进化算法；ACO为蚁群优化算法；GA为遗传算法．从表2中可知：大多数学者都注重对最大地表沉降的研究，通过当前环的几何、地层和掘进参数等信息预测盾构离开后的最终地表沉降．10.13245/j.hust.220806.T002表2采用机器学习算法预测盾构掘进地表沉降的相关研究作者预测目标预测算法优化算法最优算法数据库容量Suwansawat等(2006)[13]地表最大沉降BPNN——49Boubou等(2010)[34]地表最大沉降BPNN，OLS—BPNN432Goh等(2010)[20]地表最大沉降BPNN——142Boubou等(2011)[10]地表最大沉降BPNN——432Pourtaghi等(2012)[31]地表最大沉降BPNN，WNN—WNN49乔金丽等(2012)[32]地表最大沉降BPNN——36Ocak等(2013)[25]地表最大沉降(双线)BPNN，SVM，GP—GP230周纯择等(2015)[14]地表最大沉降BPNN——21Hasanipanah等(2016)[37]地表最大沉降(新奥法)BPNNPSO—143赵凤阳(2016)[38]地表最大沉降WNN——49Zhou等(2017)[24]地表最大沉降RF——66Kohestani等(2017)[16]地表最大沉降BPNN，WNN，RF—WNN，RF49Goh等(2018)[23]地表最大沉降MARS———周爱红等(2018)[39]地表最大沉降BPNN，SVMLM，PCA-PSOPCA-PSO-SVM25李兴春等(2018)[28]地表最大沉降ANFIS———Chen等(2019)[5]地表最大沉降BPNN，RBF，GRNN—GRNN30Chen等(2019)[35]地表最大沉降BPNN，WNN，GRNN，ELM，SVM，RF—GRNN，RF200Zhang等(2020)[17]地表最大沉降BPNN，GRNN，ELM，SVM，RFPSOPSO-RF236Zhang等(2020)[36]地表最大沉降及纵向沉降曲线RF，LSTMPSOPSO-RF，LSTM4 249李洛宾等(2020)[15]地表最大沉降BPNN，LSTM，GRU—GRU132Zhang等(2020)[18]地表最大沉降BPNN，LSTM，GRU，Conv1d—Conv1d328Liu等(2021)[26]地表最大沉降ANFISPSO，DE，ACO，GAPSO-ANFIS143Zhang等(2021)[33]地表最大沉降XGBoost，BPNN，SVM，MARS—XGBoost148注：“—”表示未发现．1.2.2　地表沉降发展过程盾构掘进是一个动态连续的过程，仅预测地表沉降的最终值并不能反映盾构掘进前后沉降由小到大发展过程中盾构与地层间复杂耦合关系，也难以满足隧道施工期间对地表沉降的监测要求．Zhang等[36]引入了一项新的沉降指标“地表纵向沉降曲线”，对地表纵向沉降曲线进行预测本质上是预测盾构机由远及近再远离预测点过程中该预测点的沉降发展过程，相比于预测最大地表沉降，不再只根据单环的掘进过程预测该环的最终沉降稳定值，而是通过相近多环的参数共同决定沉降预测值．同时当构建数据库时，也更充分地利用了地表沉降监测数据，每环的沉降信息由单个的沉降稳定值转变为盾构机处于不同位置时的该环地表的沉降瞬时值，使数据库容量提升数十倍．除了采用地层参数、几何参数、掘进参数和其他参数预测短期地表沉降外，文献[40-43]将关注点转向了隧道建成后的沉降长期发展趋势，采用沉降值与记录沉降的时间构建数据库以进行单变量预测，用记录的监测点早期沉降变化预测沉降的后期变化趋势，以达到减少施工现场监测频率等目的．1.3　预测模型的算法选取1.3.1　机器学习算法如表2所示，Suwansawat等[13]首先采用了BPNN对盾构掘进地表沉降进行了预测，并且公开了训练所使用的数据库，训练得到的模型预测结果能在一定程度上反映沉降变化的趋势，但误差较大．基于该数据库，有学者使用包括WNN[31,38]与RF[16]等在内的算法构建了不同的地表沉降预测模型，使用了包括均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R)和决定系数(R2)在内的4种指标用于衡量各算法预测地表最大沉降的性能，预测结果如表3所示，结果表明WNN与RF的预测性能高于传统的BPNN算法．Chen等[5,35]和Zhang等[17,44]基于长沙地铁4号线项目，分析了包括BPNN，RBF，GRNN，WNN，ELM，SVM和RF在内的7种算法和多元线性回归方法(MLR)预测地表沉降时的效果，多项对比均表明RF算法的预测效果最佳．10.13245/j.hust.220806.T003表3基于同一数据库的各机器学习算法模型性能对比作者算法RMSE/mmMAE/mmRR2Suwansawat等[13]BPNN7.68———Pourtaghi等[31]BPNN4.453.290.890.79WNN3.873.110.960.84赵凤阳[38]BPNN11.769.440.930.14WNN5.144.220.950.86Kohestani等[16]BPNN5.053.430.920.84WNN3.461.820.970.92RF3.432.690.980.90注：“—”表示未发现．基于机器学习算法构建的沉降预测模型总体上能较为准确地识别隧道掘进引起的地表沉降量与影响因素间复杂的非线性关系，其中RF算法不但在全局上具有相对较好的预测效果，还能对局部的异常沉降点位进行识别，而其他算法，如GRNN，虽然在全局上的预测效果也较好，但是难以捕捉到特殊工况(如停机)与沉降间的关系，对异常沉降的敏感性较差，难以对现场的异常工况进行识别并预警，并且RF算法的计算所需资源较小，在程序上容易实现，是目前较为成熟的一种算法，应用前景较好．Goh等[23]使用了MARS非人工智能的数据分析方法进行了沉降预测，结果证明MARS同样具有优秀的沉降预测性能，其模型和计算都更为简便，并且能估计输入量间的权重，但MARS也存在当输入参数超过现有数据库尺度后会导致结果失真等问题．ANFIS也常被用于预测盾构掘进引起的地表沉降[26,28,45]，通过结合专家的模糊推理过程与神经网络方法，对神经网络中的基本单元及其连接强度赋以物理意义，一定程度上避免了传统神经网络中的黑箱性，得到的预测模型不仅计算量小、泛化能力强，并且拥有较高的精度．此外，文献[33]表明具有高计算效率特点的XGBoost算法也适合用于构建高精度的沉降预测模型．传统的机器学习算法中，大多严格限制了输出和输入的一一对应关系[13,46]，每一次迭代学习的过程都是独立进行的，即对每条输入参数的处理是分离的，而盾构掘进是一个持续的过程，每一环上方的沉降会受到盾构机在该点位前后一定范围内多环位置的掘进状态所共同影响[47]，因此使用传统机器学习算法对盾构掘进进行预测有天然的局限性，使用能在时间序列上捕获和储存更多信息的深度学习算法循环神经网络(RNN)及其变体是目前的新趋势．传统的RNN随着序列的增长及训练次数的增加，在激活函数的作用下，会引起梯度的消失或爆炸，从而导致时间间隔或延迟较长的事件在训练中无法收敛，因此目前应用最为广泛的是RNN的改良变体LSTM．LSTM能够捕捉时间序列中间隔较长和延迟较长的事件，同时能避免RNN在这类事件中出现梯度消失和爆炸的问题．Zhang等[36]对比分析了LSTM与RF，发现在充分收集数据的前提下，LSTM对于具有强前后相关性关系的地表纵向沉降曲线的预测性能要明显优于RF．李洛宾等[15]在预测模型中引入了RNN的变体GRU，预测结果表明GRU能在大量减少训练成本的情况下，达到与LSTM几乎一致的沉降预测效果．由于LSTM和GRU的训练成本与RF等机器学习算法相比仍然过高，因此一种能处理时序数据且效率相对更高的深度学习算法Conv1d被用于预测地表最大沉降[19]，研究表明Conv1d模型的预测效果不低于LSTM与GRU模型．综上，本研究建议使用机器学习方法预测盾构引起的地表沉降时，除了选取BPNN等经典算法建模外，还可以增加RF算法模型作为对比，并在数据收集完整、数据量达到一定数量级的情况下，可以选用LSTM，GRU和Conv1d等能捕捉时序性信息的算法增加模型对连续未知区段的预测表现．1.3.2　最优超参数的智能算法机器学习算法模型性能优化的关键在于寻找算法的最优超参数，传统方法以人工试错法为主[10,24,48]，不仅耗时较长，还难以找到最优的超参数．目前常用的方法是使用优化算法来寻找最优超参数．例如通过将超参数定义为粒子，使用PSO对粒子进行不断更新，从而达到减少沉降预测模型误差的目的．在预测隧道施工对地层的影响方面，文献[12，37]首先使用了PSO对新奥法地铁隧道施工中地表和建筑的影响预测模型进行了优化，预测效果相较于试错法有大幅提升．周爱红等[39]在对盾构掘进引起的地表沉降量进行预测时结合了PCA对模型进一步优化，得到的PCA-PSO-SVM模型预测效果明显优于LM算法优化的BPNN模型和MLR模型．除了应用较广泛的PSO算法外，GA，DE和ACO等也常被用于优化模型性能，其优缺点如表4所示，有研究表明PSO算法的优化能力最好[26]．当面对数据库庞大且超参数种类较多的深度学习模型时，使用优化算法进行超参数的调整往往会导致计算成本剧增[36]，此时模型超参数的调优又只能暂时通过人工试错法来进行，如何解决这一问题是目前的一大难题．10.13245/j.hust.220806.T004表4各优化算法优缺点算法优点缺点PSO与GA相比学习速度较高，占用内存更少[49]，参数更少、效率更高，能够避免停滞和过早收敛[41]容易陷入局部极值，收敛速度受惯性权重影响[41]GA能够解决复杂和高度非线性的问题[49]，具有更好的建立大规模组合问题的全局最优解的能力[26]自身的超参数难以确定，应用场景受限[49]DE不受最小化过程的影响[26]，原理简单，编程易实现，全局收敛能力强[50]存在早熟及停滞现象，参数敏感性高[51]ACO鲁棒性强，易于与其他算法结合[52]搜索时间较长，易发生停滞现象[52]2 地表沉降控制在实际工程中，盾构掘进参数调控主要依赖于人工经验，存在显著滞后性和主观性，参数调控不当已是当前盾构掘进事故的主要原因．目前，国内外已有大量对盾构机刀盘转速、扭矩、推力和推进速度等掘进参数的研究[53-56]，主要用于对盾构机性能进行评估与预测，以保证隧道的高效掘进[57]，并构建用于辅助盾构驾驶的掘进参数推荐系统[58]．但上述研究更多关注保障盾构机的掘进安全，避免因操作不当引起塌方甚至盾构机被埋等安全事故[6]，当进行掘进参数调控时未将控制地表沉降作为一项单独的评判标准．在对盾构掘进地表沉降的研究中，文献[10，24，30，34，59]讨论了掘进参数对地表沉降的影响，认为盾构推进速度、盾构姿态、注浆量、注浆压力、推力和土仓压力的大小均会对地表沉降产生显著影响，其中较高的推力与土仓压力能为开挖面提供足够的支护力，高注浆量能提供足够的浆液填充盾尾空隙，但在盾构开挖过程中并非开挖面支护力越大，注浆量越高，越能减少地表沉降，其中有着复杂的关联性．如何构建一套合理的沉降控制方法，指导辅助现场操作人员的掘进决策，是目前亟待解决的一大难题．Moeinossadat等[60]在使用ANFIS建立盾构掘进引起的地表沉降预测模型后，通过余弦振幅法(CAM)对ANFIS模型进行了灵敏度分析，得出在贯入度、推力、注浆率和注浆压力四项掘进参数中，注浆率和注浆压力对地表沉降的影响最大．根据Rankin损伤风险评估准则[61]确定了临界沉降值，选取数据库中沉降超过临界值的点位，沉降控制原理如图1所示．通过不断改变注浆率与注浆压力值的大小，结合沉降预测模型预估掘进参数改变后该点地表的沉降变化，使沉降值恢复到正常水平．10.13245/j.hust.220806.F001图1沉降控制原理上述方法虽然能对注浆率与注浆压力提供一定程度上的建议，但无法对其他掘进参数做出推荐．Zhang等[8]提出了两个基于PSO-RF混合算法的计算模型，构建了一套沉降控制流程，如图2所示，模型A与文献[17]相同，用于盾构掘进地表沉降预测，模型B用于推荐盾构掘进参数．构建模型B时，首先以沉降是否大于10 mm为标准将数据库进行划分，将沉降小于10 mm的点位标记为优秀沉降控制点位，将沉降大于或等于10 mm的点位标记为沉降异常点位，仅取优秀沉降控制点位的数据用于训练模型B．当施工过程中需要推荐掘进参数时，模型B会基于该位置的地层与几何参数对包括推力、扭矩、土仓压力、贯入度和注浆量在内的掘进参数做出推荐，再将模型B推荐的掘进参数输入模型A中，预测盾构机基于推荐的掘进参数进行施工时，地表将产生的沉降．虽然模型B的数据库全部由优秀沉降控制点位组成，但仍无法保证推荐的掘进参数不会造成异常沉降，基于模型A的预测结果，对于部分沉降依旧异常的点位，Zhang等[8]采用与Moeinossadat[60]类似的处理方式，通过全局灵敏度分析(GSA)得出推力、贯入度、扭矩、土仓压力和注浆量五项掘进参数中土仓压力和注浆量为沉降控制的关键因素，针对使用模型B调整后仍产生过大沉降的点位，再使用网格搜索法结合PSO-RF混合算法对土仓压力与注浆量进行调整，最终达到全局沉降控制的目的．10.13245/j.hust.220806.F002图2沉降控制流程图3 问题与建议虽然已有许多学者对使用机器学习方法预测与控制盾构掘进地表沉降做出了大量研究，但仍存在以下问题亟待解决．a. 数据种类单一，大多数研究均基于单一城市的工程进行，不同工程之间地层情况与施工设备差异较大，所得出的沉降预测模型的泛化能力必然不足，难以在其他工程中进行推广应用，建议在大数据时代的背景下，扩大数据来源，着力于获取更多来自不同地层和施工设备的工程数据信息．b. 数据库容量小，即使采用了更为高级的算法，模型的预测性能和泛化性能也难以达到实际工程中的需求，建议当进行数据库搭建时，除了采用纵向沉降曲线作为沉降预测目标外，还可以结合数据增强方法来扩充数据库，提升模型在有限数据条件下的性能．c. 地层内部变形预测方法欠缺，随着地下空间密集化发展的趋势，盾构隧道的掘进对于周边地层及地下结构的影响不可忽视，目前对于这方面的研究太少．d. 物理模型的支撑匮乏，目前的研究基本属于纯数据驱动的研究，未能体现掘进设备与地层间的响应机制，应当尝试数据-物理双驱动下的地表沉降智能预测技术研究，结合土体的本构关系及地层变形理论，对预测结果提供物理支撑．e. 地表沉降控制方法不足，实际掘进过程中盾构操作人员难以全盘采用推荐的掘进参数，部分掘进参数的调控也不是简单直接地调整数字，掘进参数的推荐仅能作为有限参考，须结合工程实际情况调整输入与输出参数的选择，探讨更多实现沉降控制的途径．4 结语采用机器学习方法预测与控制盾构掘进引起的地表沉降是土木工程智能建造领域内的一个重要研究方向，研究方法主要采用各种机器学习算法结合超参数优化算法，综合考虑地层情况、隧道几何性质和盾构施工掘进参数等因素，对盾构掘进后地表沉降的稳定值或变化过程进行预测．如何选取用于表征掘进过程的输入与输出参数是实现预测的前提，对多种不同算法进行性能对比及优化是保证沉降预测准确性的必要过程，实现以沉降控制为目标的盾构掘进指导是研究的最终目的．在未来的研究中还须就以上内容进行深入研究，减少盾构掘进对周边环境的影响，保证施工现场和地表设施及建筑物的安全．