相比解析解法、室内试验法、数值模拟法,现场实测法可以得到更真实的土体变形并基于实际施工情况展开研究,但建立盾构施工过程地层水平变形预测模型时难以同时考虑实际施工中的诸多影响因素,而以人工神经网络为主的智能预测分析方法具有出色的多元非线性回归预测能力,在深入挖掘数据规律方面存在明显优势。为了结合深度神经网络得到盾构施工地层横向水平变形的实时预测模型,本文所做工作和成果如下:1.基于广州某盾构施工项目,展开现场实测工作,采集地层横向水平变形数据和盾构实时施工参数,并将数据分别导入前馈型全连接网络DNN模型和混合神经网络HDNN模型进行训练和测试,以构建盾构施工周边地层横向水平变形实时预测模型。2.在DNN模型训练过程,训练集的MSE和MAE均是先快速减小,然后趋于某较小值,说明模型收敛,且收敛速度较快。DNN模型前期预测649环至657环时,数据量较小,R~2与1偏差较大,预测效果差。后期随着数据量的增加,预测658环至666环时R~2基本在0.7～0.9之间,预测效果明显改善;预测667～684环时,R~2基本在0.9以上,DNN模型预测效果良好。3.结合卷积神经网络设计混合神经网络HDNN模型,利用CNN分支提取盾构施工参数时间序列特征,建立HDNN实时预测模型。HDNN模型预测不同环横向水平变形时CX1、CX2的决定系数R~2平均值分别为0.939、0.948,而DNN模型为0.928、0.938,采用CNN分支处理盾构施工参数的HDNN模型预测性能整体上略优于DNN模型。4.结合遗传算法优化HDNN模型的网络拓扑结构,包括隐含层数、神经元数,可以提升模型的预测效果。优化后的群体适应度整体上先呈明显增加趋势,之后增加幅度减小,第1代、第5代、第10代、第20代、第40代和第80代群体最佳适应度分别为0.4784、0.7580、1.0630、1.3980、1.4163、1.5522。结合遗传算法计算320个模型后得到的第80代第2号个体适应度最高,预测性能最佳。5.盾构施工周边地层横向水平变形实时预测模型可与自动化监测仪器配套应用,利用自动化仪器上传的数据快速展开模型训练和预测,自行判断变形是否将达到预警值或允许值,为施工提供建议。