用于弱围岩隧道混凝土衬砌的人工智能辅助可靠性设计框架

在不确定地层中更安全的隧道

隧道输送列车、汽车、水和电力穿越山体与城市，但隧道所穿越的岩体从来不会被完全了解。在弱或破碎的岩体中，设计者必须估测地层的真实强度以及需要多少混凝土衬砌才能防止隧道受挤压。本文展示了如何将经典岩石力学、概率论与现代人工智能结合，将这种猜测转化为更清晰的基于风险的设计，从而在复杂地层中实现更安全且更经济的隧道。

为什么隧道设计如此困难

工程师在设计隧道时，必须决定混凝土衬砌应有的厚度以及采用何种质量的混凝土。传统的“确定性”设计对岩体强度、地应力和材料属性等采用单一的最佳值，然后用安全系数检验衬砌是否足够安全。但真实的岩体具有变异性：强度、刚度和结构会在米尺度上变化。忽视这种变异性会导致设计过于乐观（不安全）或过度保守（成本过高）。相反，概率化设计将每个关键属性视为具有概率分布的区间，然后估算衬砌失效的概率。本文将这种基于风险的思路专门应用于弱围岩中的隧道衬砌问题，在此类最受不确定性影响的情形下尤为重要。

关联岩体、衬砌与地表位移

该框架的核心是一种称为收敛—约束（convergence–confinement）的方法，它将环形隧道周围岩体的变形（收敛）与衬砌的反作用力（约束）联系起来。岩体采用一种广泛使用的破坏准则来描述破裂岩体的力学行为，而混凝土衬砌在达到压溃强度前被视为弹性体。建立两条曲线：一条描述隧道开挖并松弛时岩体的响应，另一条描述衬砌在受载时的抵抗。它们的交点给出衬砌所受的压力以及基于压力的安全系数。在本研究中，每个控制量——原位应力、岩体强度、岩质量指数、隧道半径、衬砌刚度、衬砌强度和衬砌厚度——都被建模为随机变量。通过数千次蒙特卡洛抽样和一种成熟的可靠度方法（FORM），作者为每种设计同时计算了安全系数和明确的失效概率。

教会人工智能预测隧道安全

对大量设计方案运行完整的概率模拟可能很慢。为了解决这个问题，作者使用基因表达编程训练了一个人工智能替代模型，这是一种符号回归方法，它生成封闭形式的方程而不是黑箱模型。他们从基于电子表格的可靠性引擎生成大量数据集，然后演化出一个紧凑的公式，它可用八个关键输入（包括隧道尺寸、岩性参数和衬砌参数）来预测基于压力的安全系数。最终方程与概率结果高度一致，相关系数超过0.99，且略显保守：它倾向于预测比完整模拟均值稍低的安全系数。这种偏差在以安全为重的设计中实际上是有益的，因为它避免了过于自信的预测，同时为工程师提供了一种快速探索多种组合的方法。

厚度和混凝土质量的真实影响

利用该综合框架，研究探讨了衬砌厚度和材料质量的变化如何影响弱围岩中隧道的安全性。考察了两种混凝土类型：约20 MPa 的传统混凝土，以及约65 MPa 的高强纤维增强反应粉末混凝土（FRPC）。对于低强度混凝土且厚度较小的情况，失效概率可超过60%；随着厚度增加到约200 mm 及以上，该概率趋近于零。对于高强度的 FRPC，即使相对较薄的衬砌也能实现很低的失效概率，而适度的厚度就足以达到严格的目标可靠度水平。结果以图表和热力图形式呈现，将厚度与强度直接关联到可靠度指标和失效概率，给设计者提供清晰的可视化指南，而不必依赖单一固定的安全系数。

将安全系数转化为基于风险的决策

对非专业人士而言，主要观点是单靠安全系数并不能完整衡量隧道的安全性。本文展示了如何在传统安全系数与明确的失效概率之间进行转换，以及如何选择衬砌厚度和材料质量以满足所选的风险目标，而不是遵循泛泛的经验规则。通过将可解释的人工智能模型嵌入透明的可靠性引擎中，作者演示了一种在弱且不可预测的岩体中既更安全又更经济地设计隧道衬砌的实用方法。工程师不再是凭感觉地过度建设，而是可以量化选择更厚的衬砌或使用像 FRPC 这样的更强混凝土时风险降低了多少，使隧道设计更接近现代的数据驱动风险管理。

引用: Khani, J., Nejati, H.R., Goshtasbi, K. et al. AI-assisted reliability-based design framework for tunnel concrete linings in weak rocks. Sci Rep 16, 14270 (2026). https://doi.org/10.1038/s41598-026-44903-9

关键词: 隧道衬砌, 弱围岩, 基于可靠性的设计, 混凝土厚度, 人工智能