ST-SRNet：一种用于海底隧道地震响应预测的深度学习框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：ST-SRNet: A deep learning framework for seismic response prediction of subsea tunnels

本研究提出融合高精度有限元模拟与深度学习的海底隧道地震响应预测方法。通过构建双向地震动与流体压力耦合作用的三维有限元模型，生成包含位移、应力等多参数的综合响应数据库。设计ST-SRNet框架，集成Conv1D提取时空特征、注意力机制捕捉全局依赖、LSTM处理时序信息及FiLM模块融合水深数据，实现多监测点实时预测，R2>0.95且误差<10%，验证了方法在复杂海洋环境下的工程适用性。

　　

陈一木|葛康|郭玉涛|侯超|胡振中

清华大学深圳国际研究生院，中国深圳

摘要

海底隧道在近海和离岸地区发展迅速，是关键的基础设施；然而，地震等自然灾害可能会造成严重后果和巨大损失。传统的分析和数值方法通常计算量较大，无法满足复杂海洋环境和灾害条件下的实时预测需求。本研究结合了高保真度的有限元（FE）仿真技术和深度学习技术，以高效预测海底隧道的地震响应。建立了一个二维FE模型，考虑了双向（水平和垂直）地面运动以及水动力压力效应，生成了全面的响应数据库。随后开发了一种新的深度学习框架——海底隧道地震响应网络（ST-SRNet）。该网络结合了一维卷积（Conv1D）、注意力机制、长短期记忆（LSTM）和特征线性调制（FiLM）模块，实现了对多个隧道监测点地震响应的快速准确预测。结果表明，ST-SRNet具有较高的预测精度，决定系数（R2）超过0.95，峰值相对误差（Ep）低于10%。该模型还表现出良好的泛化能力。工程案例研究证实了其可靠性和适用性。所提出的方法为海底隧道的实时地震响应分析提供了一种实用且高效的工具。

引言

随着现代交通网络的不断升级和城市建筑空间的日益紧张，隧道逐渐成为可持续和绿色交通发展的关键选择（Wu等人，2024年；Jiang等人，2023年；Yin等人，2022年；Liu等人，2025年）。在这种背景下，作为连接海洋两岸的关键基础设施，海底隧道因其占用航道最小、对生态干扰小以及具备强大的全天候运行能力而受到越来越多的关注（Zeng等人，2024年）。这些优势推动了全球交通系统中海底隧道建设的稳步扩展（Ni等人，2024年）。迄今为止，全球已完成或正在建设多个代表性的海底隧道，例如日本的青函隧道（Matsuo，1986年）以及中国港珠澳大桥的沉管隧道和深中通道（Quanke等人，2022年；Tao等人，2024年）。这些项目的成功实施进一步展示了海底隧道解决方案在交通系统中的巨大潜力。

海底隧道通常位于大陆板块边界处的地震活跃区域，并嵌入复杂的海底地质条件中（Chen等人，2024年；Li等人，2024年）。其建设在技术和资金上要求较高。一旦遭受强烈地震，这类结构可能会遭受严重破坏，导致重大人员伤亡和经济损失（Zhao等人，2023年）。因此，提高海底隧道的抗震能力和灾害预防能力对于确保工程安全和社会稳定至关重要。因此，研究其在海洋环境中的地震性能具有重要的科学意义和实际价值。

目前关于海底隧道动态响应的研究主要依赖于三种方法：理论分析、机械实验和数值模拟（Tsinidis等人，2020年）。分析方法揭示了地震荷载下土体-结构相互作用的基本机制，但依赖于理想化的假设，限制了其在复杂水下和非线性条件下的适用性（Zhao等人，2023年；Feng等人，2024年）。机械实验包括振动台试验和离心机试验，可以再现地震过程中的隧道-土体响应；然而，由于成本高昂和难以准确复制真实边界条件，其工程应用受到限制（Wang等人，2019年；Qian等人，2021年；Wang等人，2023年）。数值模拟因其高效性和可重复性成为主流方法（Chen等人，2021年；Chen等人，2020年）。尽管如此，即使是成熟的方法如有限元法（FEM）仍需要大量时间和计算资源来进行高保真度的耦合分析（Chen等人，2024年；Tsinidis等人，2020年），使其不适合快速预测。也有简化模型被提出（Miao等人，2018年；Yu等人，2017年），但它们通常无法捕捉完整的地震时程行为。

总体而言，尽管理论、实验和数值方法加深了对隧道地震行为的理解，但要实现准确高效地预测海底隧道在地震下的响应仍是一个重大挑战。另一方面，人工智能（AI）技术的快速发展为隧道的地震分析开辟了新的途径。深度学习方法可以从大规模仿真或监测数据中自动提取复杂的非线性关系，有效解决了传统理论和数值方法效率低下和可扩展性有限的问题。这项技术在结构地震分析中已成为重要工具，并在灾害减少、早期预警、健康监测和数字孪生应用中展现出巨大潜力。先前的研究已成功将其应用于陆地结构的地震响应预测，显著提高了计算效率和预测精度（Wang等人，2022年；Wang等人，2023年）。

与陆地结构相比，地下结构（如隧道）面临更复杂的荷载环境，其中土体-结构相互作用机制和动态响应特性存在显著差异（Abdelhalim等人，2025年；Wang等人，2021年）。近年来，已有几项尝试将深度学习引入地下结构的地震响应预测。Ruan等人（Ruan等人，2025年）开发了一个混合模型，结合了卷积神经网络（CNN）、门控循环单元（GRU）和注意力机制，根据土体参数、地面运动幅度、埋深和水覆盖深度来预测隧道的关键地震响应指标，从而促进了基于性能的地震设计。然而，该模型仅使用单一地面运动进行设计和验证，无法捕捉整个地震事件中结构响应的逐步演变。Fan等人（Fan等人，2024年）使用了一维卷积模块（Conv1D）建立了从非线性自由场响应到地铁站非线性结构响应的映射。同样，Huang等人（Huang和Chen，2021年）将Conv1D与长短期记忆（LSTM）网络结合，从自由场位移预测地铁站的地震响应。通过避免完全耦合的土体-结构非线性分析，他们的方法大大降低了全时程仿真的计算成本。然而，这些方法依赖于自由场响应作为输入，因此无法实现从地面运动到结构响应的端到端预测，限制了其在实时分析中的适用性。

Hao等人（Hao等人，2025年）提出了一个结合物理先验和数据驱动学习的CNN-LSTM模型，用于实现单向地面运动下土体-隧道系统的快速响应预测，而Wu等人（Wu等人，2023年）开发了一个基于GRU的网络，用于预测不同土条件下地下结构的单向地震响应。尽管这些研究推进了端到端预测，但它们的数值模型采用了简化的边界和荷载条件，未考虑水平和垂直激励的耦合效应。先前的研究表明，双向地面运动之间的相互作用会显著影响隧道的地震响应（Li和Chen，2020年；Ma等人，2024年）。此外，大多数现有研究集中在陆上隧道。对于海底隧道，不能忽视垂直地震激励引起的水动力压力（Shekari，2021年；Liu等人，2025年）。此外，大多数现有框架仅依赖于卷积或循环架构，而最新研究表明基于注意力的模型在时间预测任务中表现出更优的性能（Vaswani等人，2017年）。

为了解决这些限制，本研究开发了一个面向任务的、相对高保真度的海底隧道FE模型，该模型考虑了双向地震激励和水动力压力效应，建模策略旨在捕捉主导的地震响应特性，同时确保大规模数据生成的计算效率。模型采用了粘弹性人工边界（VABs）、等效节点力和Westergaard附加质量理论来进行动态时程分析。基于这些仿真，本研究提出了海底隧道地震响应网络（ST-SRNet），这是一个用于预测双向地震激励下海底隧道响应的端到端深度学习框架。该模型结合了Conv1D、注意力机制和LSTM网络，实现了对多个结构监测点的准确时程响应预测。此外，引入了特征线性调制（FiLM）模块来纳入水深信息，使模型能够考虑海底隧道场景中的水动力效应。这一框架为海底隧道的高效地震响应分析提供了新方法，并为快速地震评估和灾害预防奠定了基础。本研究的工作流程概述见图1。本文的其余部分组织如下：第2节描述了海底隧道FE模型的开发过程；第3节介绍了所提出的深度学习模型及其实现；第4节讨论了训练和预测结果；第5节通过工程案例研究验证了所提出方法的有效性。

部分摘录

有限元模型概述

本研究考虑了一个典型的海底隧道场景，其中隧道的几何形状和现场条件沿纵向大致均匀。在此假设下，可以使用二维平面应变模型（Tsinidis等人，2020年）合理地描述隧道的地震响应。因此，使用商业有限元软件Abaqus开发了一个2D土体-结构相互作用（SSI）模型。

模型概述

本研究提出了ST-SRNet，这是一个端到端的深度学习框架，用于预测受到双向地震激励的海底隧道的结构响应。所提模型的整体架构如图8所示。模型输入包括双向地面运动时程和相应的水深值。在编码阶段，结合了Conv1D和注意力模块，以捕捉局部特征和全局依赖性。

基于层次聚类的数据集划分

由于选定的地面运动在振幅和频谱特性上存在较大差异，随机分割可能导致训练集和验证集之间的分布偏差。这将限制训练集表示多种地震场景的能力，从而削弱模型的泛化能力。为了缓解这一问题，根据每个地面运动的整体特性进行了层次聚类，以确保数据集的平衡性和代表性。

工程案例研究

为了检验所提出网络在实地工程条件下的迁移性和有效性，并系统评估其在隧道几何形状、材料属性和覆盖深度变化下的预测精度和鲁棒性，进行了全面的验证研究。选择了港珠澳大桥海底段的标准沉管隧道元素的横截面作为工程案例。

结论

本研究开发了一个考虑双向地震荷载和水动力压力的海底隧道二维有限元模型。基于该模型，提出了名为ST-SRNet的深度学习框架。该模型表现出强大的性能和实用价值，总结如下：

(1) 通过结合Conv1D、注意力机制、LSTM和FiLM机制，ST-SRNet实现了高预测精度（R2 > 0.95）和在多个监测点上的强鲁棒性（Ep < 10%）。

CRediT作者贡献声明

陈一木：撰写——原始草稿、软件开发、方法论、调查、正式分析、数据管理、概念化。葛康：撰写——审稿与编辑、监督、方法论、概念化。郭玉涛：撰写——审稿与编辑、监督、资金获取、概念化。侯超：资金获取、概念化。胡振中：资金获取、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了深圳市科技计划（编号SGDX 20240115110503006）的支持。