西南山区变质软岩隧道广泛分布，受高地应力、围岩蠕变等不良地质因素的影响，隧道支护结构易出现病害。为了保障变质软岩隧道在运营过程中的安全，需要对隧道衬砌结构的力学状态进行监测。大量调研结果显示，目前常用的埋入式元器件在恶劣工作环境中的损坏率较高且难以修复或更换，而针对表贴式元器件所采集数据的应用分析研究还不成熟，不能准确的反应隧道结构的受力状态。因此本文以汶马高速公路沿线隧道群为依托，基于既有的振弦式和表贴式元器件的监测数据，对变质软岩隧道衬砌结构力学行为的推演方法进行研究，开展的研究工作与取得成果如下：
　　(1)利用弹性力学理论中的匀质圆环模型，基于平面应变假设，推导了在不同侧压力系数下，隧道二次衬砌表面应变与衬砌结构内部应力之间的映射关系，并通过有限元软件建立了荷载-结构模型对理论计算结果进行验证。推导出的映射关系模型在与有限差分软件的马蹄形断面静力计算结果对比修正后，应用于鹧鸪山隧道安装表贴式应变监测传感器的断面。
　　(2)分析了汶马高速公路典型变质软岩隧道在运营过程中的围岩压力、初期支护-二次衬砌接触应力和二次衬砌轴力、弯矩及安全系数等监测数据随时间的演化趋势。
　　并通过数值模拟方法，结合拱顶、拱腰位置的轴力监测数据采用遗传-模拟退火(GA-SA)算法，反演了cvisc蠕变本构模型中的蠕变参数。根据反演得到的蠕变参数开展针对变质软岩隧道的长期蠕变计算，研究了隧道衬砌结构运营40年内的内力、位移和安全系数的演化规律。
　　(3)采用人工智能算法，以汶马高速公路沿线6个典型变质软岩隧道监测断面648天的监测数据与对应断面位置的地质参数作为样本集，训练RBF神经网络。利用训练完毕的神经网络，在输入层输入待推演监测断面的相关参数，对该断面的拱顶轴力进行推演并与现场实测结果进行对比，验证了RBF神经网络的适用性。
　　(4)考虑隧道监测数据的的时间连续性，利用汶马高速公路监测断面实测数据对LSTM神经网络进行训练，将推演得到的数据与未参与训练的实测数据进行对比。结果显示，两者之间的均方根误差为680.23优于RBF神经网络的预测结果。为了进一步提升LSTM神经网络的推演精度，将前期通过蠕变数值计算获取的隧道二次衬砌内力随时间变化数据新增为LSTM神经网络输入层参数，对监测断面5年内的拱顶、拱腰轴力进行推演，与RBF神经网络和单输入LSTM神经网络相比，均方根误差分别降低了60.55%和16.01%，有效的提升了基于LSTM神经网络的推演精度。