1.研究背景与意义

盾构法作为现代隧道工程施工的核心技术，广泛应用于城市轨道交通、跨江越海隧道等重大工程中。其核心设备盾构机在掘进过程中，盾尾密封系统起着至关重要的作用。如图1所示，该系统通过多道密封刷、注脂通道和注浆通道等结构，结合密封油脂的润滑与密封功能，隔绝外部高压土水环境与盾体内部安全空间，防止地下水、泥浆等流体侵入，保障施工安全。


图1 轴盾尾密封系统原理图

然而，随着盾构工程向复杂地质环境（如软土、高水压、跨水域等）拓展，盾尾密封系统面临前所未有的挑战。密封失效事件频发，如图2所示，2018年佛山地铁2号线施工中因盾尾密封被击穿导致的透水涌砂事故，造成严重人员伤亡与经济损失。此类事故暴露出当前盾尾密封系统在动态施工过程中的风险防控能力不足。


图2 盾尾密封失效导致地表坍塌

现有研究多集中于密封材料的性能优化、盾尾刷结构设计、渗漏机理分析等静态密封性能提升方面，缺乏对施工过程中实时风险预警与主动防控的研究。其根本原因在于盾尾密封系统内部环境极端（高压、高振动、强腐蚀），传统传感器难以长期稳定运行，导致高频、实时、多源监测数据的缺失，限制了数据驱动型智能防控策略的发展。

近年来，随着传感器技术的进步，盾尾密封腔内油脂压力的高频精准监测已成为可能，为构建“监测-预测-预警-调控”一体化的智能防控体系提供了数据基础。因此，开展基于多源时序数据的盾尾油脂压力预测研究，不仅具有重要的理论价值，更具备紧迫的工程应用需求。

2.国内外研究现状

盾尾密封系统密封性能研究 国内外学者在盾尾密封系统的密封机理、材料优化、结构设计等方面已取得较多成果。夏清华通过工程实例分析了盾尾渗漏的多类风险因素；Yu[1]等人从力学角度分析了多腔密封系统在不同荷载下的失效机制；黄首清[2]等通过数值模拟分析了密封腔压力分布与泄漏规律；Ding[3]等人则通过实验和仿真研究了油脂注入与击穿过程中的压力变化行为。

在材料方面，孙义明、王德乾、赵汝鸣[4]等通过配方优化提升了油脂的泵送性和密封性；在结构方面，李奕、霍志光等人设计了新型盾尾刷，提高了密封系统的承压能力。此外，钟小春、李光[5]等人通过试验台和多相流模拟，研究了油脂腔压力分布与击穿规律，为密封性能评估提供了依据。

然而，现有研究多集中于“静态”密封性能提升，缺乏对“动态”施工过程中实时风险识别与预测的研究，尤其是在多源数据驱动下的智能预警方面几乎空白。

多变量时间序列预测方法研究 在时间序列预测领域，尤其是多变量预测方面，已有诸多方法被提出。传统统计方法如ARIMAX、SARIMAX等虽能引入协变量，但对数据平稳性和质量要求较高，难以处理高维、非线性的工程数据。

近年来，深度学习模型表现出更强的表达能力。Transformer[6]及其变体（如Crossformer、iTransformer）通过注意力机制捕捉跨变量依赖关系；图神经网络（如MSGNet）通过图结构建模变量间的时空关联；TFT、NBEATSx[7]等模型则进一步区分了因变量与协变量的作用，提升了预测的可解释性。

尽管如此，现有方法大多将协变量与因变量等同处理，未能充分挖掘变量间的“方向性”因果关系，尤其在极端工况下的鲁棒性和适应性仍有待提升。

缺失时序数据处理方法研究 实际工程中，传感器异常、通信中断等问题导致数据缺失严重。传统方法采用“先插补再预测”的两步策略，如基于RNN的GRU-D、BRITS等模型，虽能处理缺失，但误差会在插补与预测间累积，影响最终性能。

端到端方法如神经ODE[8]（Latent ODE、CRU）虽能处理不规则采样数据，但对齐困难且计算复杂；LGNet、MDS-S4[9]等模型尝试在潜在空间中建模缺失模式，但仍未充分考虑多变量间的时空依赖关系。

因此，开发能够直接处理缺失数据、具备强鲁棒性和自适应能力的端到端预测框架，已成为时序预测研究的前沿方向。

3.本研究课题的创新性与必要性

综上所述，当前盾尾密封系统的研究多集中于静态密封性能提升，缺乏施工过程中的动态风险预警能力；现有预测方法在应对多源、缺失、非平稳时序数据时表现不佳，难以满足工程实际需求。

因此，本研究提出基于多源时序数据融合的盾尾油脂压力预测方法，具有以下三方面创新：

引入对比学习机制，挖掘多源数据（如盾构姿态、泥浆压力等）与油脂压力之间的深层非线性关系，提升预测精度；

构建端到端的图神经网络预测框架，避免传统插补-预测方法的误差累积，增强在传感器异常下的预测鲁棒性；

设计在线学习策略，实现模型在施工过程中的自适应优化，应对工况变化带来的数据分布漂移。

该研究不仅填补了盾尾密封系统动态风险预警的研究空白，也为复杂环境下时序预测模型的工程落地提供了新思路，具有显著的理论创新与工程应用价值。

参考文献

  1. [1]J. Peng, M. Yang, Q. Zhang, and others, “S4M: S4 for multivariate time series forecasting with Missing values,” arXiv preprint arXiv:2503.00900, 2025.
  2. [2]W. Ding, Y. Qiu, Y. Qiao, and others, “Mechanical Properties of the Shield Tail Brush and Its Pressure Distribution Acting upon the Segment,” Applied Sciences, vol. 13, no. 11, p. 6451, 2023.
  3. [3]K. G. Olivares, C. Challu, G. Marcjasz, and others, “Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx,” International Journal of Forecasting, vol. 39, no. 2, pp. 884–900, 2023.
  4. [4]李光 and 王宁, “基于多相流数值模拟的盾尾密封系统密封性研究,” 隧道建设 (中英文), vol. 41, no. S1, pp. 490–496, 2021.
  5. [5]C. Yu, A. Zhou, J. Chen, and others, “Analysis of a tunnel failure caused by leakage of the shield tail seal system,” Underground Space, vol. 5, no. 2, pp. 105–114, 2020.
  6. [6]Y. Rubanova, R. T. Q. Chen, and D. K. Duvenaud, “Latent ordinary differential equations for irregularly-sampled time series,” in Advances in Neural Information Processing Systems, 2019, vol. 32.
  7. [7]赵汝鸣, “地铁施工用盾尾密封油脂的开发及应用,” 10-Jan-2018.
  8. [8]A. Vaswani, N. Shazeer, N. Parmar, and others, “Attention is all you need,” in Advances in Neural Information Processing Systems, 2017, vol. 30.
  9. [9]黄首清, 索双富, 李永健, and others, “基于2维叉排管束模型的刷式密封介质流动计算,” 清华大学学报: 自然科学版, vol. 56, no. 2, pp. 160–166, 2016.

相关科研项目

掘进机盾尾密封及刀具状态智能诊断与评价技术研究