基于多点时序监测信息融合的软土地层船坞工程安全状态动态预警

Dynamic Early Warning of Safety Status for Dock Engineering in Soft Soil Stratum Based on Multi-Point Time-Series Monitoring Information Fusion

摘要

软土地层船坞工程因地质条件复杂、施工周期长等特点，面临土体参数不确定性高、传统预警误差大等挑战.针对上述问题，提出一种基于多点时序监测信息融合的安全状态动态预警方法.首先，构建贝叶斯网络模型，利用网络节点响应关系和蒙特卡洛（MCS）模拟计算先验概率；然后，引入时序监测数据，通过马尔可夫链-蒙特卡洛算法（MCMC）更新后验概率，动态量化安全系数（F_s）、失效概率（P_f）等指标，实现监测信息与安全状态直接关联.最后，基于软土特性与相关规范，建立包含5级预警级别、3种响应状态的动态预警标准.以上海某船坞工程为例，该方法融合多点时序监测信息进行参数反演，有效降低土体参数不确定性（变异系数降低14%~30%）；同时实现时效性安全评价，安全系数时变曲线随变形增大呈规律性递减；基于此建立分级动态预警标准，判定船坞施工期处于安全级Ⅰ（F_s=1.945>1.50，P_f<0.001%）；并通过设计极端工况模拟验证了预警标准在危险状态下触发预警的可行性.构建的动态预警体系，显著提升了参数反演精度与安全评价的准确性与实时性，有效规避了单一数据误报风险，增强了动态预警的精度和全面性，为同类工程风险防控提供科学方法.

Abstract

Dock engineering in soft soil stratum faces challenges such as high uncertainty of soil parameters and large errors in traditional early warning due to complex geological conditions and long construction periods. To address these issues, this study proposes a dynamic early warning method for safety status based on multi-point time-series monitoring information fusion. First, a Bayesian network model is constructed, which utilizes the response relationships of network nodes and Monte Carlo Simulation (MCS) to calculate prior probabilities. Then, time-series monitoring data are introduced to update posterior probabilities through the Markov Chain Monte Carlo (MCMC) Simulation, dynamically quantifying indicators such as the safety factor (F_s) and failure probability (P_f) to establish a direct correlation between monitoring information and safety status. Finally, based on the characteristics of soft soil and relevant specifications, dynamic early warning criteria incorporating 5 warning levels and 3 response states are established. Applying the method to a dock project in Shanghai, this method integrates multi-point time-series monitoring information for parameter inversion, effectively reducing the uncertainty of soil parameters (with the coefficient of variation decreased by 14%-30%). Meanwhile, it realizes time-sensitive safety evaluation, where the time-varying curve of the safety factor shows a regular decrease as deformation increases. Based on this, a hierarchical dynamic early warning standard is established, which determines that the dock is in Safety Level I during the construction period (F_s=1.945 > 1.50, P_f< 0.001%). Additionally, the feasibility of the early warning standard triggering alerts under hazardous conditions is verified through extreme working condition simulation. The proposed dynamic early warning system significantly improves the accuracy of parameter inversion and the accuracy and real-time performance of safety evaluation, effectively avoids the risk of false alarms from single-source data, enhances the precision and comprehensiveness of dynamic early-warning, and provides a scientific method for risk prevention and control in similar engineering projects.

Graphical abstract

关键词

贝叶斯网络 / 多点时序监测信息融合 / 动态预警 / 软土地层 / 船坞工程 / 工程地质学.

Key words

Bayesian network / multi-point time-series monitoring information fusion / dynamic early warning / soft soil stratum / dock engineering / engineering geology

0 引言

软土海岸带船坞工程具有水陆交界地质复杂、开挖规模大、暴露周期长等特点.坞室开挖过程中，施工扰动与流固耦合等效应显著增加土体力学参数的不确定性（赵晶等， 2018），易引起土体持续变形、支护结构强度衰减（冯师和刘羿辰， 2022），还可能降低工程安全计算与预警系统的可靠性，甚至可能引发灾难性事故.如2004年新加坡地铁环线临海基坑事故，因反演分析误差、安全评估偏差及监测预警滞后等因素，支护结构由局部变形演变为区域性失稳，最终造成4死3伤及周边管线损毁.此类长周期复杂工程中，土体参数会随时间发生潜在变化，初期灾害迹象隐蔽、易被忽视，而后续通过灾害链传导引起突发性破坏事件.因此，降低土体参数反演误差，实现时效性安全评价与动态预警，对工程风险早发现、早处置进而保障工程安全建设具有重要意义.然而，如何将土体参数演化规律、工程安全评估模型和监测信息进行有效融合，量化时间因素的影响，仍是当前面临的关键难题.

实际工程中，土体参数确定主要有两种方法：一是室内外土工试验，该方法虽可直接获取土体物理力学指标，但仅反映局部土体特征，难以体现参数的时变特性（何军涛等， 2012），且试验误差会影响工程计算精度.二是基于现场实测数据的参数反演方法，现有遗传算法（于京池等， 2022）、粒子群算法（杨道学等， 2019）及贝叶斯方法（Peng et al.， 2014；朱艳等， 2016；王丽芳等， 2024）等被用于位移反演分析，可有效降低参数不确定性对工程计算的不良影响.然而，其中大部分算法假定目标土体参数为常数，导致反演结果为一系列定值，且由于计算模型和观测数据存在误差，上述定值与土体参数的真实值也存在相应的误差，所得反演结果与土体参数真实值仍存在较大偏差.

在工程安全评价领域，主要方法分为物理力学原理驱动与数据驱动两类.前者以土体本构关系和经典力学理论为核心，揭示工程系统响应规律：传统力学解析法计算高效、操作简便，但因忽略土体非线性变形与复杂边界条件，误差较大且对复杂问题适用性不足（杨庆年， 2010）；物理模型试验能直观呈现物理机制，但存在缩尺效应显著、成本高、周期长等问题（Cao et al.，2025；Guo et al.， 2025）；数值仿真可处理复杂工况，却因简化假设存在误差累计，且大量计算时资源消耗大（Qiu et al.， 2024）.后者以机器学习算法为核心，通过数据驱动预测工程响应状态，如神经网络（周小棚等，2020；Gao et al.，2024）、支持向量机（李尚明等， 2023）等方法，可提升复杂工程安全评估准确性（Wang et al.， 2025； Fan et al.， 2025），但其“黑匣子”特性导致因果关系难以解释，难以揭示失效机制与工程响应的内在联系，且实际工程中高质量监测数据常存在稀缺、不完整等问题，制约了模型泛化能力（Reichstein et al.， 2019； Xu et al.， 2024）.

当前工程预警主要依据国家规范设定监测频率与阈值，以监测数据或变化速率超出预设阈值时触发报警机制.然而，现有预警模式存在较多局限：一方面，现有单一信息预警仅反映工程局部特性，常因难以定位真实风险源，导致工程中错报、误报与漏报现象频发（王海飙等， 2010）；另一方面，静态阈值无法动态适配施工步序、地质特性及环境荷载等时变因素，难以捕捉工程失稳的渐进演化特征，致使预警滞后于实际风险发展（Tian et al.， 2025）.此外，多数监测点仅记录数据变化，未与工程安全评价建立因果关系，未能充分发挥安全预警功能（杨军等， 2022）.而且，目前缺乏相应的动态预警标准和安全状态量化体系，使得工程管理人员难以依据监测信息快速、准确地判断工程预警级别与安全状态，进而影响科学决策的制定与实施.

针对上述问题，本文提出一种基于贝叶斯原理的安全状态动态预警方法，通过其数据整合与逻辑推理能力实现对工程土体参数、监测信息及安全评价的联合分析.该方法融合多点时序监测信息降低土体力学参数反演的不确定性，并基于更新后的参数实时评估工程安全状态，建立时序监测信息与安全系数的直接联系.基于此，进一步建立适用于软土地层船坞工程的预警标准，实现工程动态预警.期望本文的研究成果能为复杂地质条件下的工程安全预警与风险防控提供有益参考.

1 方法原理

本文基于贝叶斯原理，提出一种融合多点时序监测信息的安全状态动态预警方法.该方法主要由构建贝叶斯网络模型、量化网络先验概率分布、动态更新后验概率分布以及建立安全状态预警标准4部分构成，如图1所示.

1.1　融合多点时序监测信息构建贝叶斯网络

实际工程中单一监测点预警常因设备误差或局部扰动引发错报、误报和漏报等风险，本文基于贝叶斯网络原理融合多点时序监测信息，旨在实现空间多点信息互补，协同验证工程整体安全性，从而提高工程动态预警准确性和全面性.在贝叶斯网络中，土体力学参数作为根节点，连接监测信息与安全评价两类子节点.两类子节点虽无直接关联，但均为土体力学参数的关键性能指标.现场监测数据能直接反映工程实际状态（Wu et al.， 2021； Liu et al.， 2023），反之土体参数的改变也会直接影响工程的整体安全性.例如，支护结构变形增大可能是由于粘聚力c或内摩擦角φ减小，而折减的力学参数将导致安全系数F_s降低或失效概率P_f增大，从而触发不同等级的安全预警标准，如图2所示.

1.2　量化网络先验概率分布

基于图2中的因果网络关系，本文通过确定节点之间的响应关系来量化网络.在贝叶斯参数更新的框架下， θ 代表土体参数的随机变量，其先验信息以概率分布f（θ）表示.为确定子节点的先验概率分布，首先通过有限元分析获得网络节点或参数之间的定量关系，随后采用响应面法代替传统确定性数值模型，建立节点间的响应关系.最后，利用蒙特卡洛模拟（MCS）计算子节点的先验条件概率和船坞工程的安全系数/失效概率.

1.2.1　有限元分析方法

（1）渗流-应力耦合原理.PLAXIS 2D作为一款计算功能强大的有限元分析软件，提供了渗流应力耦合分析功能，该软件的渗流应力耦合分析理论是在Biot固结理论（Biot， 1941）的基础上建立起来的，可以直接考虑骨架颗粒变形与孔隙水之间的相互作用，即“直接耦合”.渗流场与应力场的耦合计算需同时满足应力平衡方程（1）和渗流连续方程（2）.

基于有效应力原理和虚功原理，某体积域内的应力平衡方程可以表示为（吕从聪等， 2018）：

{\displaystyle \underset{V}{\overset{}{\iiint }}}(\mathit{\sigma }\text{'}-\chi u_w\mathit{I}):{\delta }_{\mathit{\epsilon }}\mathrm{d}V={\displaystyle \underset{S}{\overset{}{\iint }}}{\mathit{T}}_S\cdot {\delta }_{\mathit{v}}\mathrm{d}S+{\displaystyle \underset{V}{\overset{}{\iiint }}}{\mathit{T}}_V\cdot {\delta }_{\mathit{v}}\mathrm{d}V+{\displaystyle \underset{V}{\overset{}{\iiint }}}sn{\rho }_{w}g\cdot {\delta }_{\mathit{v}}\mathrm{d}V,(1)

式中：{\mathit{\sigma }}^{\mathit{\text{'}}}为有效应力；\chi为饱和度s的函数，当土体完全饱和时，\chi=1；当土体非饱和时，\chi =\mathrm{\chi }(\mathrm{s})，干土\chi=0；u_{\mathrm{w}}为孔隙水压； I 为单位矩阵；δε为虚应变；{\delta }_{\mathbf{v}}为虚位移场； T_S为单位面积的表面张力， T_V为单位体积的体积力（不含流体重量），n为孔隙率，V为体积，S为面积边界，ρ_w为流体密度，g为重力加速度.

流经dV的流体应满足连续性方程，即单位时间内流入土体的流体体积等于流体体积的增加速率，其表达式为：

\frac{\mathrm{d}}{\mathrm{d}t}\left({\displaystyle \underset{V}{\overset{}{\iiint }}}\frac{{\rho }_w}{{\rho }_w^{\mathrm{0}}}sn\mathrm{d}V\right)=-{\displaystyle \underset{S}{\overset{}{\iint }}}\frac{{\rho }_w}{{\rho }_w^{\mathrm{0}}}sn\mathit{n}\cdot {\mathit{v}}_w\mathrm{d}S，(2)

式中：v_w为从边界S流入的平均速度， n 为边界S的外法线方向向量，ρ⁰_w 为流体参照密度.

在上述应力平衡方程和渗流连续方程的基础上，采用有限元离散，得到增量形式的耦合有限元方程，在满足位移边界和渗流边界的条件下，对耦合控制方程进行求解.

（2） 强度折减法基本原理.强度折减法是一种用来计算工程整体稳定性安全系数的方法，其基本原理是通过定义强度折减系数F_r，将土体的粘聚力和内摩擦角逐渐进行折减，使得土体的抗剪强度逐渐降低，当基坑两侧土体处于临界破坏状态时，认为此时折减系数F_r即为基坑整体稳定性安全系数F_s.折减后的抗剪强度参数表达式为：

c_{\mathrm{m}}=c/F_{\mathrm{r}}，(3)

{\phi }_{\mathrm{m}}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\left(\mathrm{t}\mathrm{a}\mathrm{n}\phi /F_{\mathrm{r}}\right)，(4)

式中：c、φ；c_m、φ_m分别为折减前后土体的粘聚力与内摩擦角；F_r为强度折减系数.

PLAXIS 2D软件中在进行工程整体安全系数计算时，即采用强度折减法.此外，软件中强度折减计算与高级岩土本构模型结合使用时，由于不考虑刚度的应力相关性以及土体硬化效应，将自动同步本构模型中的土体强度参数（粘聚力c和内摩擦角φ）进行折减计算，即以标准的摩尔-库仑模型进行安全系数计算.

（3） 土体材料本构模型.相较于传统的弹性、理想弹-塑性等本构模型，小应变土体硬化模型（HS-Small model）具有能考虑软黏土应变硬化、其刚度依赖于应力历史和应力路径等特点，更适用于模拟复杂环境软土深基坑开挖.HS-Small模型是由Benz（2006）在HS模型的基础上结合修正的Hardin Drnevich剪切模量关系式（Hardin and Drnevich， 1972）建立的，土体硬化本构模型应力应变曲线如图3a所示，图中q_f为摩尔-库仑剪切强度，主应力空间屈服面如图3b所示.

偏应力与主应变之间的关系式由公式（5）表示：

-{\epsilon }_{\mathrm{1}}=\frac{q_{\mathrm{a}}}{\mathrm{2}{E}_{\mathrm{50}}}\cdot \frac{q}{q_{\mathrm{a}}-q},(5)

E_{\mathrm{50}}=E_{\mathrm{50}}^{\mathrm{r}\mathrm{e}\mathrm{f}}{\left(\frac{{\sigma }_{\mathrm{3}}^{\mathrm{\text{'}}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}{p^{\mathrm{r}\mathrm{e}\mathrm{f}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}\right)}^m,(6)

式中：q_a为渐进偏应力；E₅₀为50%极限荷载所对应的割线模量；q为偏应力自变量；p^ref为参考围压，取100 kPa；{\sigma }_{\mathrm{3}}^{\mathrm{\text{'}}}为三轴试验中有效围压；E_{\mathrm{50}}^{\mathrm{r}\mathrm{e}\mathrm{f}}为参考围压下50%极限荷载所对应的割线模量；m为与刚度应力水平相关的幂指数；c为粘聚力；φ_p 为内摩擦角.

切线刚度模量和卸载再加载模量分别如公式（7）和（8）所示：

E_{\mathrm{o}\mathrm{e}\mathrm{d}}=E_{\mathrm{o}\mathrm{e}\mathrm{d}}^{\mathrm{r}\mathrm{e}\mathrm{f}}{\left(\frac{{\sigma }_{\mathrm{3}}^{\mathrm{\text{'}}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}{p^{\mathrm{r}\mathrm{e}\mathrm{f}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}\right)}^m,(7)

E_{\mathrm{u}\mathrm{r}}=E_{\mathrm{u}\mathrm{r}}^{\mathrm{r}\mathrm{e}\mathrm{f}}{\left(\frac{{\sigma }_{\mathrm{3}}^{\mathrm{\text{'}}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}{p^{\mathrm{r}\mathrm{e}\mathrm{f}}+c\mathrm{c}\mathrm{o}\mathrm{t}{\phi }_p}\right)}^m,(8)

式中：E_{\mathrm{o}\mathrm{e}\mathrm{d}}^{\mathrm{r}\mathrm{e}\mathrm{f}}为参考围压下土体切线模量；E_{\mathrm{u}\mathrm{r}}^{\mathrm{r}\mathrm{e}\mathrm{f}}为参考围压下土体卸载再加载模量.

HSS模型的盖帽屈服面表达式为：

f^c=\frac{{\overline{q}}^{\mathrm{2}}}{{\alpha }^{\mathrm{2}}}+p^{\mathrm{2}}-p_p^{\mathrm{2}},(9)

式中：p为平均应力；α为盖帽屈服面在p、q轴截距的比值；p_p为初始固结压力；\overline{q}为偏应力.

HSS模型共有13个参数，其中包括11个HS硬化模型参数和2个新增的用于描述小应变刚度行为的参数（王卫东等， 2023）：初始剪切模量G₀和阈值剪应变γ_0.7.小应变区域内剪切刚度与应变之间的双曲线关系，如公式（10）所示：

\frac{G}{G_{\mathrm{0}}}=\frac{\mathrm{1}}{\mathrm{1}+\mathrm{0.385}\left|\frac{\gamma }{{\gamma }_{\mathrm{0.7}}}\left|\right.\right.},(10)

式中：G₀为初始剪切模量；γ_0.7为阈值剪应变，即剪切模量G降低至初始剪切模量0.7G₀时所对应的剪切应变，Benz（2006）建议取{\gamma }_{\mathrm{0.7}}=\mathrm{1}\times {\mathrm{10}}^{-\mathrm{4}}.

1.2.2　响应函数关系建立

响应面法通过构建随机变量θ（输入参数）与岩土体响应（包括极限状态函数及监测点响应）之间的隐式函数关系，以简洁数学表达式替代复杂数值模型计算.本文通过贝叶斯网络模型建立节点或变量之间的3次响应面函数，如下式：

G\left(X\right)={\displaystyle \sum _{i=\mathrm{1}}^n}{a}_{\mathrm{3}i}{x}_i^{\mathrm{3}}+{\displaystyle \sum _{i=\mathrm{1}}^n}{b}_{\mathrm{2}i}{x}_i^{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{1}}^n}{c}_{\mathrm{2}i}{x}_i+d_{\mathrm{0}}+\mathit{\epsilon },(11)

\mathit{\epsilon }={\epsilon }_{\mathrm{1}}+{\epsilon }_{\mathrm{2}},(12)

式中：X= X₁， X₂， …， X_n 为土体力学参数组成的随机变量；n为随机变量的个数；a_3i，b_2i，c_1i，d₀为响应面系数； ε 为计算响应值与实测真实值之间的误差，为确保计算结果的准确和可靠性，本文考虑两种误差：一是数值模拟过程中产生的模型误差ε₁，二是建立响应面方程时产生的响应面误差ε₂.响应面系数可以通过基于数值模拟的最小二乘法获得.

根据船坞工程的破坏模式，坞室两侧土体沿潜在滑移面发生整体失稳破坏的极限状态函数表示如下：

g\left(X\right)=F_s\left(X\right)-\mathrm{1.0},(13)

式中：F_s （X）为工程安全系数；F_s =1.0为判断工程是否稳定的安全系数限值，当F_s<1.0，表明工程不稳定.

1.2.3　蒙特卡罗法

蒙特卡洛法（MCS）因适应性广、精度高，被广泛应用于系统可靠度分析中.采用公式（13）作为极限状态函数的代理模型，利用蒙特卡洛模拟很容易计算得到船坞工程的失效概率P_f：

P_f=\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}I\left[g\left(X\right)\right],(14)

I\left[g\left(X\right)\right]=\left\{\begin{array}{c}\mathrm{1},g\left(X\right)\le \mathrm{0}\\ \mathrm{0},g\left(X\right)>\mathrm{0}\end{array}\right.,(15)

式中：X=｛ x₁， x₂， …， x_n ｝为蒙特卡洛模拟随机抽样产生的样本，N为样本总量.由失效概率可计算出船坞工程的可靠度指标β：

\beta ={\mathrm{\Phi }}^{-\mathrm{1}}\left(\mathrm{1}-P_f\right)，(16)

式中：Ф^-1（·）为标准正态分布函数的反函数，通过可靠概率（1-P_f ）计算可靠度指标β.

通过确定性计算结果确定响应面函数后，在不输入任何监测信息的情况下，应用MCS来计算节点或参数的先验概率分布.

1.3　动态更新后验概率分布

在获得节点或变量的先验概率分布后，可以利用时间序列的多点监测数据计算它们的后验分布（Mahadevan et al.， 2001）.定义t₁~t_N 时刻，工程响应的监测值为m（t）=｛m₁（t）， m₂（t），…， m_n （t）｝，下标n为贝叶斯更新中使用的观测点数目；相应的理论计算值为M（ θ，t）=｛M₁（ θ，t）， M₂（ θ，t），…， M_n （ θ，t）｝；各点的理论值与实测值的残差向量为 ε （t）=｛ε₁（t）， ε₂（t）， …， ε_n （t）｝，其中ε_i （t） = m_i （t）-

M_i （ θ，t），i=1，2，…， n，t=1，2，…， N.假设残差向量 ε 服从正态分布N（μ_ε （t），σ_ε （t））（Peng et al.， 2014）， θ 为待反演参数的随机向量，则似然函数为（仉文岗等， 2022； 林东等， 2024）：

L\left(\mathit{\theta }|m\left(t\right)\right)={\displaystyle \prod _{t=\mathrm{1}}^N}{\displaystyle \prod _{i=\mathrm{1}}^n}\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}\pi }{\sigma }_{\epsilon }\left(t\right)}⋅

\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{\mathrm{1}}{\mathrm{2}}{\left(\frac{m_i\left(t\right)-M_i\left(\mathit{\theta },t\right)-{\mu }_{\epsilon }\left(t\right)}{{\sigma }_{\epsilon }\left(t\right)}\right)}^{\mathrm{2}}\right] .(17)

根据贝叶斯定理，由公式（17）和随机变量先验分布f（ θ ）可以得到 θ 的后验概率密度函数如下：

f\left(\mathit{\theta }|m\left(t\right)\right)=kf\left(\mathit{\theta }\right)L\left(\mathit{\theta }|m\left(t\right)\right)，(18)

k={\left[\int f\left(\mathit{\theta }\right)f\left(m\left(t\right)|\mathit{\theta }\right)\mathrm{d}\theta \right]}^{-\mathrm{1}}，(19)

式中：k为归一化系数.

在实现随机变量 θ 的后验概率分布动态更新后，据此可进一步动态预测工程安全系数F_s，从而实现时效性安全评价，其中失效概率和可靠度指标根据1.2.3节介绍方法获得.安全系数F_s 的后验分布、均值和方差计算如公式（20）~（22）所示：

f\left[F_s|m\left(t\right)\right]=\int f\left(F_s|\mathit{\theta }\right)f\left[\mathit{\theta }|m\left(t\right)\right]\mathrm{d}\mathit{\theta }，(20)

\mu \left(F_s\right)=\int F_{s}f\left[F_s|m\left(t\right)\right]\mathrm{d}{F}_s，(21)

V\left(F_s\right)=\int F_s^{\mathrm{2}}f\left[F_s|m\left(t\right)\right]\mathrm{d}{F}_s-\mu {\left(F_s\right)}^{\mathrm{2}}，(22)

式中：f（F_s | θ ）为F_s 关于反演参数 θ 的概率分布.

由于公式（17）涉及高维积分难以直接求解，因此本文采用马尔科夫链-蒙特卡罗模拟（MCMC）来解决这一问题.Metropolis算法（Metropolis et al.， 1953）是生成马尔可夫链运用最广泛的方法之一，其计算过程如下：

（1） 初始化：选择一个初始状态θ₀为当前马尔科夫链样本，满足f（θ₀）＞0，并设定总迭代次数为N.

（2） 迭代生成样本：对于i=1，2，…， N，执行以下操作：（a）生产候选样本：从建议分布中抽取候选样本θ^*~q（θ^*|θ_i-1）.理论上，建议分布可以是任意分布，但为简化计算，建议分布通常选择对称分布（如高斯分布或均匀分布），即q（θ^*|θ_i-1）= q（θ_i-1|θ^*）；（b） 计算接受率：式中f（ θ |m（t））可由公式（17）表示.

r=\frac{f\left[{\mathit{\theta }}^{\mathrm{*}}|m\left(t\right)\right]}{f\left[{\mathit{\theta }}_{i-\mathrm{1}}|m\left(t\right)\right]}=\frac{kf\left({\mathit{\theta }}^{\mathrm{*}}\right)L\left[{\mathit{\theta }}^{\mathrm{*}}|m\left(t\right)\right]}{kf\left({\mathit{\theta }}_{i-\mathrm{1}}\right)L\left[{\mathit{\theta }}_{i-\mathrm{1}}|m\left(t\right)\right]}=\frac{f\left({\mathit{\theta }}^{\mathrm{*}}\right)L\left[{\mathit{\theta }}^{\mathrm{*}}|m\left(t\right)\right]}{f\left({\mathit{\theta }}_{i-\mathrm{1}}\right)L\left[{\mathit{\theta }}_{i-\mathrm{1}}|m\left(t\right)\right]}，(23)

（c） 接受或拒绝候选样本：从区间［0，1］的均匀分布中抽样出一个随机数u，将随机数u与接受率r进行比较，若r≥u则马尔科夫链转移到下一个状态；否则马尔科夫链继续保留当前状态.如下所示：

\begin{array}{c}{\theta }_i={\theta }^{\mathrm{*}},\mathrm{当}\mathrm{u}\le r\\ {\theta }_i={\theta }_{i-\mathrm{1}},\mathrm{当}\mathrm{u}>r\end{array}，(24)

重复（a） ~ （c），直至i=N.

本文MCMC收敛性检验采用Gelman and Rubin（1992）提出的收敛准则.当基于链内方差W和链间方差B算得的R_sat≤1.2（见公式（25）），即可判定马氏链收敛.

R_{\mathrm{s}\mathrm{a}\mathrm{t}}=\sqrt[]{\frac{N-\mathrm{1}}{N}+\frac{M+\mathrm{1}}{MN}\frac{B}{W}}，(25)

式中：N为每条马氏链的迭代次数；M为马氏链的数目（通常，取3）.

1.4　建立安全状态预警标准

根据1.3节和公式（17）~（22）中利用监测数据动态更新工程安全状态的模型，本文构建了适用于软土地层船坞工程的安全状态预警标准（图4），该标准包含5个预警等级和3个响应状态，并以安全系数F_s、失效概率P_f和可靠度指标β作为预警判据.通过将安全评价映射到多点位移监测空间，实现了监测信息与工程安全状态的直接关联，使利用监测信息直接评估工程安全状态成为高效可行的方法.

在预警等级划分过程中，本文结合相关规范和研究（Zheng et al.， 2025），将预警等级划分为5级：安全级Ⅰ（绿色）、注意级Ⅱ（蓝色）、警示级Ⅲ（黄色）、警戒级Ⅳ（橙色）、警报级Ⅴ（红色）.这5个等级分别对应土体变形失效过程的5个典型阶段，反映了监测点位移信息与安全状态的对应关系.进一步，将预警等级Ⅰ~Ⅴ级归并为3类响应状态：①“安全监测状态”（Ⅰ~Ⅱ级）：安全级Ⅰ和注意级Ⅱ，对应工程可控的小变形，变形量处于设计允许范围，不影响船坞整体稳定性，暂无需采取行动；②“高风险预警状态”（Ⅲ~Ⅳ级）：警示级Ⅲ和警戒级Ⅳ，其中警示级Ⅲ对应变形初次加速阶段，表明支护结构变形超出设计预期，预示局部异常风险，应重点关注高风险区域；警戒级Ⅳ对应变形二次加速阶段，标志结构临近极限状态即将发展为系统性失效，应采用回填反压、坑内堆载等紧急措施；③“紧急报警状态”（Ⅴ级）：警报级Ⅴ，对应变形持续加速，表明支护体系即将失稳，船坞工程安全性面临重大威胁，应启动应急预案，进行抢险救援.

各预警等级的限值依据安全系数准则与失效概率准则（可靠度指标）综合确定（Li et al.， 2016）.在安全系数方面，以工程整体稳定性为核心控制目标，依据《干船坞设计规范》（CB/T 8524-2011）和《建筑基坑支护技术规程》（JGJ 120-2012），一级基坑安全系数要求F_s≥1.3，二级F_s≥1.2，三级F_s≥1.1，考虑软土地区土体强度衰减特性，安全系数在上限基础上提高 0.1~0.2（覃子玲等， 2022），故确定安全级Ⅰ下限值为F_s=1.50；综合《建筑边坡工程技术规范》（GB 50330-2013）、《上海市基坑工程技术规范》（DG/TJ 08-61-2010）和《软土地区工程地质勘察规范》（JGJ 83-1991）等规范，划定注意级Ⅱ阈值为F_s=1.35~1.50（其中F_s=1.35为安全监测状态触发临界值），警示级Ⅲ阈值为F_s=1.20~1.35；参照（GB 50330-2013）中边坡稳定临界值F_s=1.05，确定其为警戒级Ⅳ下限值，同时作为警报级Ⅴ上限值和紧急报警状态触发临界值.

在失效概率方面，基于可靠度理论及参数变异性分析，以承载能力极限状态为控制基准，遵循《工程结构可靠性设计统一标准》（GB 50153-2008）与《水利水电工程结构可靠性设计统一标准》（GB 50199-2013）.综合考虑延性破坏和脆性破坏，取脆性破坏结构目标可靠度指标β=4.2（对应失效概率P_f =0.001%）作为安全级Ⅰ下限值，延性破坏结构目标可靠度指标β=3.2（对应失效概率P_f =0.07%）作为注意级Ⅱ下限值及安全监测状态触发临界值.结合工程实例及失效模式分析（吴贤国等， 2022），当支撑体系出现显著位移时失效概率达1%~10%，整体坍塌事故中失效概率通常超过10%，故划定警示级Ⅲ下限值为β=2.2（对应失效概率P_f =1%），警戒级Ⅳ下限值为β=1.2（对应失效概率P_f =10%），后者同时作为警报级Ⅴ上限值及紧急报警状态触发临界值.

预警等级判定遵循“不利判别”原则，即综合两类判据结果，取其中风险等级较高者作为最终判定结论.5级预警体系的划分兼顾了规范要求与软土工程特性，为船坞工程安全状态的准确评估与分级管控提供了重要支撑，有助于提前部署各阶段针对性防控措施.

1.5　动态预警方法流程

为了便于船坞安全状态的动态预警和方法复用，将上述所涉及的预警方法实现流程与框架抽象总结如图5所示.整体预警模型由4个主要步骤组成：（1）建立贝叶斯网络模型：确定影响随机变量 θ，构建“监测信息-土体参数-安全评价”的因果关系；（2）计算先验概率分布：基于贝叶斯网络，运用数值模拟和响应面法建立响应函数，并运用MCS获得监测信息M和安全系数F_s 的先验条件概率分布；（3）获得时效性安全评价：运用MCMC实现多点时序监测信息动态反演分析，得到随机变量 θ 的后验概率分布P（ θ |m），进而推导出安全系数的后验概率分布P（F_s|m） 和对应失效概率，实现时效性安全评价，将监测信息与安全评价建立联系.（4）实现动态预警：基于步骤（3）的时效性安全评价和相关规范研究，建立包含5个预警级别、3种响应状态的安全状态预警标准，实现工程动态预警.

2 工程算例应用

2.1　工程概况

本文以上海某造船基地二期船坞工程为研究对象，其典型断面如图6所示.该船坞坞室宽度92 m，开挖深度10.5 m，坞室钢筋混凝土底板厚约1.0~1.2 m，坞室桩基为Ф600PHC管桩，坞墙廊道下方为热轧型组合钢板桩，长27 m，坞墙锚碇系统由组合钢板桩、钢拉杆（Φ90@1 400 mm）、块石棱体、锚碇板桩（长12 m，450 mm×500 mm）构成，坞墙廊道桩基及坞墙与锚碇体之间的吊车道桩基均为Φ600或Φ800PHC管桩.地质土层参数见表1，施工进度见表2.

考虑到船坞工程施工周期长，部分应力传感器因施工振动损坏，孔隙水压力计因泥沙淤积数据漂移，致使数据完整率和可靠性不足；而位移监测点采用预埋法，受扰动较小，数据连续完整，且坞壁水平位移是反映坞室开挖阶段整体稳定性的关键指标.因此，本文选取坞室两侧承台顶部2个典型位移监测点（X₄₂和X₆₂）进行研究，监测点位置见图6.

图7a展示了监测点的水平位移时变曲线：2022年10月，典型断面附近开始施工，并对坞室两侧变形进行监测，锚碇系统安装阶段，位移波动较小；2022年11月至2023年2月为坞室开挖期间，位移呈线性增长趋势；同年2~4月为底板浇筑阶段，位移小幅增长，总体趋于稳定；底板混凝土养护1个月后，5~6月实施回填土作业，因钢板桩后侧土压力累积，位移呈现阶梯式微增；此后坞室两侧施工完毕，变形渐趋平稳.下文将以该时序监测数据进行参数反演，实时评估船坞整体稳定性，实现安全动态预警，验证所提预警方法的工程适用性.

2.2　数值模型建立

通过有限元软件PLAXIS 2D模拟坞室开挖期流固耦合作用下坞室两侧的变形情况，为后续建立响应面方程提供物理力学原理基础.选取1 m厚的典型断面，数值模型几何尺寸为252.0 m×1.0 m×68.5 m.对坞室核心区进行网格优化处理，粗糙因数为0.707 1，其余非核心区粗糙因数为1.0，总计生成4 118个单元，37 307个节点，网格划分如图8所示.

模型位移边界条件设定为：底部固定约束和两侧法向约束.为了模拟施工阶段的渗流过程，计算类型采用“流固耦合”分析，初始水位为-1.0 m；开挖实施后，坞室外水位降至-4.0 m，坞室内水位控制为-10.0 m，模型底部及侧面设定为不透水边界.根据实际施工过程，选取8个典型的施工步进行计算，坞室两侧施工荷载取20 kPa，计算步骤和地下水位变化见表2.

土体的本构模型采用小应变土体硬化模型（HS-Small）.各土层主要参数取值参考王卫东等（2023）提出的上海软土HS-Small模型参数经验系数法，具体如表3所示.船坞廊道、承台和块石棱体采用线弹性本构模型.钢拉杆采用点对点锚杆模拟，PHC管桩与锚碇板桩采用Embedded桩模拟，坞室底板和热轧型组合钢板桩采用板单元模拟，各结构截面尺寸遵循等效刚度原则，相关结构参数见表4.

2.3　构建贝叶斯网络

基于力学原理分析船坞变形主要控制因素及其相互因果关系，建立“监测信息-土体参数-安

全评价”贝叶斯网络模型，如图9所示.随机变量选取典型力学参数粘聚力c、内摩擦角φ和弹性模量E，其参数的改变会引起中间节点监测信息（X₄₂、X₆₂）与安全系数（F_s）的改变.同时，监测信息的变化反过来也会导致随机变量发生改变，进一步影响船坞工程安全系数（F_s），从而实现船坞工程安全状态动态更新的目标，其中W（L）为基于预警标准进行安全状态动态预警（预警级别Level：安全级Ⅰ，注意级Ⅱ，警示级Ⅲ，警戒级Ⅳ，警报级Ⅴ）.

由于土层众多，选取组合钢板桩影响范围内的五层土体开展敏感性分析（详见下文3.1.3节），结果表明土层②_3-3的力学参数对坞室两侧变形的敏感性和影响权重显著高于其他土层.因此，本文以该关键土层的力学参数为代表建立响应函数关系（Li et al.， 2016； 张湾等， 2016）.对应随机变量参数分布类型根据《水利水电工程结构可靠性设计统一标准》（GB50199-2013）第6.1.2条，采用对数正态分布，变异系数cov取值参考文献（Phoon and Kulhawy， 1999； Peng et al， 2014； 骆飞等， 2015），具体如表5所示.

3 结果分析

3.1　确定性计算结果

3.1.1　船坞整体安全性评估

由于所涉工况较多，本节选取施工步骤5“开挖坞室土方”这一最危险工况，重点分析坞室两侧的水平变形情况.该工况下锚碇系统混凝土强度已达标，地下水位也已降至设计水位.

由图10a水平位移云图可见，坞室开挖后两侧水平位移显著增大，组合钢板桩后方呈现圆弧滑移面，塑性变形区以廊道顶部为扇心呈扇形分布，变形随距扇心距离增加呈梯度衰减.在坞室开挖和施工荷载的双重作用下，被动土压力减小而主动土压力增大，最大水平位移出现在承台顶部：左侧承台为0.204 m，右侧承台为0.160 m.右侧变形量较小，是由于其承台下与块石棱体前后布置的 PHC 管桩数量多于左侧，因此锚碇系统对变形的约束效应更强.此外，块石棱体前缘土体受锚拉作用及施工荷载影响产生应力集中，其水平位移量较周边土体偏高，符合实际.

由图10b安全系数水平位移云图可见，船坞整体稳定性安全系数F_s=1.938，远大于预警标准1.50.强度折减法计算下，坞室两侧可以看到清晰的临界滑移面，左侧由于支护结构相对较少，滑移风险更大.但船坞总体呈现较强韧性，在变形较大的情况下，仍能保持整体稳定性.

3.1.2　监测结果对比验证

图7展示了流固耦合作用下承台顶部水平位移在不同工况下的时变曲线，图7a为实际监测数据，图7b为数值模拟结果.可以看到，数值模拟结果与现场监测数据的整体变形趋势一致，且在各关键节点的吻合度较高.表6给出了关键工况下承台顶部监测点X₄₂和X₆₂水平位移实际监测值与模拟值的对比结果，相对误差均小于5%.这表明所构建的数值模型、参数选择和计算方法均合理，能够较准确反映坞室支挡结构的水平变形规律，适用于后续响应面的构建.

3.1.3　监测信息对各土层力学参数的敏感性分析

监测信息的敏感性分析可作为船坞参数反演的基础.由于承台顶部水平位移最大，本节以监测点X₄₂和X₆₂的水平位移信息为依据，针对粘聚力c、内摩擦角φ和弹性模量E三类随机变量，以及组合钢板桩影响深度范围内的5层土体开展敏感性分析.

图11的确定性计算结果表明：同一土层条件下，该土层随机变量参数增大时，两侧承台顶部水平位移均呈下降趋势.其中，内摩擦角φ对水平位移的影响最为显著，粘聚力c次之，弹性模量E的影响相对较弱，随机变量敏感性排序为：φ>c>E.进一步分析发现，相同随机变量变化下，土层②_3-3的水平位移响应幅度显著高于其他土层.这主要归因于该土层紧邻组合钢板桩、厚度较大且处于开挖核心区域，故敏感性最大；土层④位于钢板桩中下部，敏感性次之；而位于表层且厚度较薄的土层①、②₂ 和②_3-1，其敏感性相对较低.土层敏感性排序为：②_3-3>④>①≈②₂≈②_3-1.

基于各土层参数敏感性分析结果，进一步计算各土层参数的影响权重（影响权重=|敏感性系数|×参数变异系数），量化各土层参数对最大水平位移（监测点X₄₂）的权重占比，结果见表7.数据显示，②_3-3土层的权重占比达63.1%，其影响权重中，粘聚力c、内摩擦角φ、弹性模量E分别贡献33.5%、22.7%、6.9%；④土层的权重占比为22.5%，其影响权重中，粘聚力c、内摩擦角φ、弹性模量E分别贡献7.6%、8.5%、6.3%，各参数贡献占比均低于②_3-3土层；其他土层权重占比合计为14.4%.上述结果表明，②_3-3土层是控制工程变形与安全状态的关键土层，其余土层的耦合效应较弱.

3.2　贝叶斯网络先验概率分布

贝叶斯网络的量化首先是要确定各节点的先验概率分布，其中根节点的概率分布详见表5，节点X₄₂、F_s 和X₆₂的条件概率分布则需通过数值模拟构建响应面方程，结合蒙特卡洛（MCS）模拟法进行计算求解.根据公式（11），构建与粘聚力c、内摩擦角φ、弹性模量E相关的3次响应面函数，如公式（26）：

G\left(c,\phi ,E\right)={\displaystyle \sum _{i=\mathrm{1}}^n}{a}_{\mathrm{3}i}{x}_i^{\mathrm{3}}+{\displaystyle \sum _{i=\mathrm{1}}^n}{b}_{\mathrm{2}i}{x}_i^{\mathrm{2}}+{\displaystyle \sum _{i=\mathrm{1}}^n}{c}_{\mathrm{2}i}{x}_i+d_{\mathrm{0}}+{\epsilon }_{\mathrm{1}}+{\epsilon }_{\mathrm{2}}，(26)

式中：n=3表示有3个随机变量；x₁， x₂， x₃分别代表c， φ， E.

总共考虑了参数μ、μ±0.5σ、μ±σ、μ±1.5σ、μ±2σ（μ和σ分别为c，φ，E的均值和标准差）的25种组合工况，计算X₄₂、F_s 和X₆₂的响应函数.然后，通过最小二乘法求解出3次响应面函数中各随机变量的系数，具体结果见表8.

为了验证响应面函数的准确性，从随机变量 θ 空间中随机抽取15个样本点，分别用数值模拟和3次响应面函数计算对应点的X₄₂、X₆₂位移值及安全系数F_s，如图12所示.对比结果显示，多项式响应面和数值模拟结果基本上位于45°线（y=x）附近，两种方法计算值呈现良好一致性，但仍存在差异.为此，引入响应面误差ε₂量化响应面法与数值模拟间的偏差，其均值与标准差经统计分析确定如表8中所示.同时，基于Peng et al.（2014）的研究成果，本研究对模型误差分布作出如下假定：安全系数F_s的模型误差ε₁服从偏正态分布N（-0.025， 0.054），监测点X₄₂和X₆₂的模型误差ε₁服从正态分布N（0， 0.25μ），其中μ为对应变量的估计均值.

结合公式（26）进行10万次的蒙特卡洛模拟，得到关于X₄₂、X₆₂和F_s的先验分布，如图13所示.在未引入监测信息的情况下，X₄₂的先验均值和标准差分别为0.258 m和0.164，X₆₂对应值为0.188 m和0.112，F_s 的均值和标准差则为1.909和0.205.对比发现，先验位移结果略高于实际变形值，先验F_s较数值模拟结果1.938稍低，但仍显著大于安全阈值1.50，表明船坞工程处于整体安全状态.此外，F_s可依据X₄₂、X₆₂的实时监测数据进行动态更新，具体内容将在后续章节详述.

3.3　基于监测信息的时效性安全评价

基于时序位移监测信息，本文采用Metropolis算法开展100 000次MCMC模拟（Peng et al.， 2014），实现土体参数动态更新.以典型断面施工结束后（2023年10月30日）的监测数据（X₄₂=

0.228 m， X₆₂=0.176 m）为输入，设定3条马氏链开展土体参数随机反演，并根据公式（25）计算各参数的R_sat.结果显示，粘聚力c、内摩擦角φ和弹性模量E的R_sat统计结果分别为1.037、1.002、1.014，3个参数的R_sat均≤1.2，满足Gelman-Rubin的收敛标准，且各参数的样本迭代迹图围绕均值随机震荡、平稳波动（图14a，14c，14e），进一步说明MCMC模拟达到收敛状态.

由此计算各土体参数的后验均值与标准差，后验分布直方图如图14b、14d、14f所示：c的均值为9.967 kPa、标准差为1.719，φ的均值为23.897°、标准差为1.638，E的均值为7.549 MPa、标准差为0.712.对比土体参数的先验与后验分布（表9）可知，引入监测数据后各参数的变异系数降低约14%~30%，显著减小了土体参数的不确定性，为后续船坞工程安全系数与失效概率计算提供了更可靠的参数支撑.

根据公式（20），将动态更新后的c， φ和E代入计算，获取典型断面在坞室开挖至施工结束期间的“安全系数-水平位移”时变曲线（图15a）.分析显示，安全系数F_s随水平位移增大呈规律性递减，与工程实际相符.经MCMC动态更新后，F_s的后验均值稳定于1.945，整个施工期F_s>1.50，P_f<0.001%（β>4.2），处于安全状态.该结果表明，基于监测数据的动态更新可有效反映安全系数随工程变形的动态演变规律，相较于传统数值模拟方法，该方法实现了船坞工程安全状态的快速评估，显著提升了工程安全评价的效率.

3.4　船坞工程安全状态动态预警

基于实时监测数据及所构建的动态预警标准，以监测点X₄₂、X₆₂的位移数据为横、纵坐标，绘制二维安全状态动态预警平面图（图16）.结果显示，依据安全系数与失效概率双准则判定，船坞工程在施工期内均处于安全级Ⅰ的安全监测状态（绿色区域），表明工程整体处于安全可控范围.建议在该阶段维持常规监测与设备维护，无需采取干预措施.

鉴于船坞工程设计安全等级较高，仅依托该实际工程案例，难以有效验证本文所提预警标准在高风险和紧急预警状态下的适用性.为此，本文设计极端工况，模拟支护结构发生超大变形失稳破坏的场景（例如，船坞遭受严重风暴潮等自然灾害致土体参数强度衰减）.其中，监测点X₄₂、X₆₂的变形发展趋势参考1.4节图4所示的变形破坏发展五阶段（Zheng et al.， 2025），具体工况设计详见表10.相关计算方法与前述船坞工程一致，所得“安全系数-水平位移”时变曲线如图15b所示，同时，将变形五阶段中监测点X₄₂、X₆₂的位移数据绘制于二维安全状态动态预警平面图（图中A、B、C、D、E、F为（X₄₂， X₆₂）在各阶段的坐标点，对应图15b变形五阶段划分）.

结合图15b和图16分析可知，安全系数F_s随水平位移增大呈规律性递减：当变形发展至“二次加速”阶段后期，坞室两侧支护结构临近极限状态（点E：F_s=1.25<1.35，失效概率P_f =3.6%，可靠度指标β=1.8），触发“高风险预警”；随后，在无紧急加固措施的情况下，变形在不到1 d内持续加速，并快速触发“紧急预警”（点F：F_s=1.04<1.05，P_f =49.8%，β=2.5×10^-5），表明支护体系濒临失稳，需立即组织施工人员紧急撤离.模拟结果显示，各变形阶段下监测点（X₄₂， X₄₂）的位移坐标均落在对应预警区域内，表明本文预警标准在危险状态下具备较高的触发准确性与响应时效性.

此外，由图16可进一步看出，船坞安全状态与监测点（X₄₂， X₄₂）的变形呈显著负相关，变形越大，工程安全风险越高，直观展现了融合多点时序监测信息建立的预警标准通过多点互补，协同分析，有效规避单一信息报警的局限（错报，误报及漏报等风险），显著提升船坞工程安全评估和预警的准确性与全面性.

4 讨论

4.1　不同开挖方式计算结果对比

实际船坞工程中，坞室开挖多采用“盆式开挖”法，而本文通过“一步开挖”对实际开挖过程进行简化模拟.该简化处理是否会对后续关键计算结果产生显著影响，需通过补充分析予以明确.为此，本节通过开展“一步开挖”与“盆式开挖”的对比计算量化误差影响，进而论证数值模拟中“一步开挖”简化的合理性.

图17展示了“盆式开挖”数值模拟的关键步骤及水平位移计算结果云图，表11对比了最危险工况下两种开挖方式的模拟结果误差.由图表分析可知，“一步开挖”与“盆式开挖”的水平位移误差为2.5%~3.7%，安全系数误差为4.4%，两类误差均小于5%，表明“一步开挖”简化对关键计算结果的影响较小.

前文图7中X₄₂、X₆₂监测点水平位移时变曲线显示，“开挖坞室土方”阶段的实际变形与模拟变形存在增长趋势差异：数值模拟呈现“前期变形速率小、后期快速增大”的特征，而实际监测中水平位移保持线性增长.这一差异在于开挖方式的作用机制不同：实际工程采用“盆式开挖”时，由中间向两侧分步开挖的施工顺序，使土体应力释放过程较平缓，进而促使水平位移呈现线性变化；数值模拟采用的“一步开挖”，土体荷载与应力状态呈集中式变化，导致开挖后期变形速率显著增大.但总体来看，各关键节点位移十分接近.

结合前文误差分析结果可知，两种开挖方式的关键结果（水平位移、安全系数）误差均控制在5%以内；且在计算效率方面，构建响应面需完成25组工况计算，数值模拟中单子步流固耦合计算耗时约1.5 h，若采用“盆式开挖”（需划分3个施工子步），总计算耗时约112.5 h，而“一步开挖”总耗时仅需约37.5 h，计算效率显著提升.因此，本文综合考虑误差控制与计算效率，选择“一步开挖”简化方案构建响应函数关系.

4.2　研究不足与展望

相比现有研究，本文提出的动态预警方法呈现出以下特点：其一，在处理土体参数不确定性问题时，通过构建融合多点时序监测信息的贝叶斯网络，有效降低了土体参数的不确定性.在计算过程中，综合考虑模型误差和响应面误差，提升计算结果的准确性.其二，安全评价方面，基于MCMC模拟将时序监测信息纳入贝叶斯更新框架，实现了参数的动态更新，进而对船坞工程进行时效性安全评价，实现监测信息与工程安全状态的直接关联.其三，在安全状态预警标准方面，利用监测数据驱动的工程安全状态模型，建立适用于软土地层船坞工程的安全状态预警标准，通过将安全评价映射至多维位移监测空间，实现高效全面动态预警.

然而，目前的方法存在一些局限性，需要在未来的研究中加以改进：首先，受限于现场工程条件，当前仅采用位移监测信息反演单一土层的力学参数，未能充分反映监测类型的多样性和多土层的力学特性；其次，当前计算假设土体均质化，未考虑土体参数的空间变异性，这对预警准确性产生了一定影响；此外，所建动态预警标准侧重于安全状态判定，尚未纳入结构功能性破坏预警指标.

后续研究还需从以下三方面展开优化：一是融合多类型监测信息（包括应力、孔隙水压力等），实现“多土层-多参数”的联合反演，进一步提升复杂地层下参数反演的全面性，；二是引入随机场理论进行精细化建模，充分考虑土体参数的空间变异性；三是构建“工程安全-结构功能”双控预警指标体系，提升复杂地层条件下工程预警系统的完备性.

5 结论

本文提出一种融合多点时序监测信息的船坞工程动态预警方法，通过有限元分析与响应面法构建土体参数与监测信息的响应关系，利用蒙特卡洛模拟（MCS）量化贝叶斯网络节点先验分布，结合时序监测数据通过马尔科夫链蒙特卡洛（MCMC）模拟实现参数动态更新，并建立适用于软土地层的动态预警标准，以上海某船坞工程和极端工况模拟验证方法可行性.主要结论如下：

（1）基于贝叶斯网络原理融合多点时序监测信息进行参数反演.更新后的土体参数变异系数降低14%~30%，有效降低了土体参数的不确定性，提高了参数反演精度，为后续安全评估的可靠性和准确性提供保障.

（2）利用时序监测信息更新的土体参数实现工程安全状态的时效性评价.安全系数时变曲线随变形呈规律性递减，后验均值稳定于F_s=1.945，表明船坞工程处于安全状态，实现了监测信息与安全状态的直接关联.

（3）针对软土地层船坞工程建立的的动态预警标准，包含5个预警级别和3种响应状态.工程实例表明，船坞施工期内F_s>1.50，P_f <0.001%，处于Ⅰ级安全状态，整体安全可控；并通过设计极端工况模拟验证了预警标准在危险状态下触发预警的可行性，展现出多点信息融合对单一数据误报的规避能力，弥补了现有安全评价在预警层面的不足.

参考文献

[1] Benz, T., 2006. Small Strain Stiffness of Soils and Its Numerical Consequences (Dissertation). University of Stuttgart, Stuttgart.

[2] Biot, M. A., 1941. General Theory of Three-Dimensional Consolidation. Journal of Applied Physics, 12(2): 155-164. https://doi.org/10.1063/1.1712886

[3] Cao， P.， Tang， H. M.， Wang， M.， et al.， 2025. Exploring the Failure Mechanism of the Baige Landslide via Field Observations and Physical Model Tests. Journal of Earth Science， 36（4）： 1682-1699. https：//doi.org/10.1007/s12583-025-0267-5

[4] Fan, H. Y., Li, L. P., Zhou, S., et al., 2025. Prediction and Risk Assessment of Lateral Collapse in Deep Foundation Pits Using Machine Learning. Automation in Construction, 171: 106011. https://doi.org/10.1016/j.autcon.2025.106011

[5] Feng, S., Liu, Y. C., 2022. Deformation Analysis of Ultra-Deep Diaphragm Wall in Soft Soil Area during Construction. Hans Journal of Civil Engineering, 11(1): 71-78 (in Chinese with English abstract).

[6] Gao， D. X.， Li， K.， Cai， Y. C.， et al.， 2024. Landslide Displacement Prediction Based on Time Series and PSO-BP Model in Three Georges Reservoir， China. Journal of Earth Science， 35（3）： 1079-1082. https：//doi.org/10.1007/s12583-021-1575-z

[7] Gelman, A., Rubin, D. B., 1992. Inference from Iterative Simulation Using Multiple Sequences. Statistical Science, 7(4): 457-472.

[8] Guo, Y. H., Ren, X. P., Liu, S. Q., et al., 2025. Dvelopment and Application of Similar Material for Physical Model Test of an Ultradeep Foundation Pit in Round Gravel Strata. Scientific Reports, 15: 16515. https://doi.org/10.1038/s41598-025-99344-7

[9] Hardin, B. O., Drnevich, V. P., 1972. Shear Modulus and Damping in Soils: Design Equations and Curves. Journal of the Soil Mechanics and Foundations Division, 98(7): 667-692. https://doi.org/10.1061/jsfeaq.0001760

[10] He, J. T., Zhang, J., Huang, H. W., et al., 2012. Back Analysis of Displacements of Excavation Based on Multiple Response Surface Method. Rock and Soil Mechanics, 33(12): 3810-3817 (in Chinese with English abstract).

[11] Jiang, Y. P., Zhou, X. M., 2021. Displacement Response of Large-Diameter Single-Pile Offshore Wind Turbine Structure Based on Hardening Soil Model with Small Strain Stiffness. Acta Energiae Solaris Sinica, 42(4): 430-437 (in Chinese with English abstract).

[12] Li, S. M., Hong, C. Y., Ji, F. L., et al., 2023. Study on Machine Vision Monitoring and Deformation Prediction of Deep Foundation Pit. Chinese Journal of Underground Space and Engineering, 19(3): 992-1000 (in Chinese with English abstract).

[13] Li, X. Y., Zhang, L. M., Jiang, S. H., et al., 2016. Assessment of Slope Stability in the Monitoring Parameter Space. Journal of Geotechnical and Geoenvironmental Engineering, 142(7): 04016029. https://doi.org/10.1061/(asce)gt.1943-5606.0001490

[14] Lin, D., Zheng, J. J., Xue, P. P., et al., 2024. Probabilistic Method for Displacement back Analysis of Deep Excavations in Soft Soil Based on Bayesian Method. Journal of Civil and Environmental Engineering, 46(3): 52-60 (in Chinese with English abstract).

[15] Liu, Z. B., Liu, F. J., Wang, Y. C., et al., 2023. Prediction of Retaining Structure Deformation of Ultra-Deep Foundation Pit by Empirical Mode Decomposition with Recurrent Neural Networks. Environmental Earth Sciences, 82(23): 553. https://doi.org/10.1007/s12665-023-11214-5

[16] Lü,C.C., Li, Z. L., Li, D. Q., 2018. Problems of Applying Seepage Pressure in Coupling Analysis of Seepage and Stress Using ABAQUS. Journal of Yangtze River Scientific Research Institute, 35(5): 68-72 (in Chinese with English abstract).

[17] Luo, F., Luo, Q., Jiang, L. W., et al., 2015. Influence of Variation Levels of Soil Strength Indexes on the Value of Slope Stability Safety Factor. Journal of Civil, Architectural & Environmental Engineering, 37(4): 77-83 (in Chinese with English abstract).

[18] Mahadevan, S., Zhang, R. X., Smith, N., 2001. Bayesian Networks for System Reliability Reassessment. Structural Safety, 23(3): 231-251. https://doi.org/10.1016/S0167-4730(01)00017-0

[19] Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., et al., 1953. Equation of State Calculations by Fast Computing Machines. The Journal of Chemical Physics, 21(6): 1087-1092. https://doi.org/10.1063/1.1699114

[20] Peng, M., Li, X. Y., Li, D. Q., et al., 2014. Slope Safety Evaluation by Integrating Multi-Source Monitoring Information. Structural Safety, 49: 65-74. https://doi.org/10.1016/j.strusafe.2013.08.007

[21] Phoon, K. K., Kulhawy, F. H., 1999. Characterization of Geotechnical Variability. Canadian Geotechnical Journal, 36(4): 612-624. https://doi.org/10.1139/t99-038

[22] Qin, Z. L., Li, J. P., Yao, J. P., et al., 2022. Risk Assessment Index and Comprehensive Evaluation Method for Construction of Super Large Excavation in Soft Soils. Structural Engineers, 38(4): 176-185 (in Chinese with English abstract).

[23] Qiu, Y., Wang, J. W., Zhang, C., et al., 2024. Numerical Simulation Study on the Impact of Excavation on Existing Subway Stations Based on BIM-FEM Framework. Buildings, 14(5): 1444. https://doi.org/10.3390/buildings14051444

[24] Reichstein, M., Camps-Valls, G., Stevens, B., et al., 2019. Deep Learning and Process Understanding for Data-Driven Earth System Science. Nature, 566(7743): 195-204. https://doi.org/10.1038/s41586-019-0912-1

[25] Tian, J. C., Li, Y. L., Luo, Y. H., et al., 2025. Multisource Information Fusion Model for Deformation Safety Monitoring of Earth and Rock Dams Based on Deep Graph Feature Fusion. Structural Health Monitoring, 24(2): 925-940. https://doi.org/10.1177/14759217241244549

[26] Wang, H. B., Yang, H. X., Zhang, H., 2010. Monitoring and Advance Warning in Deep Foundation Pit Project. Architecture Technology, 41(3): 257-260 (in Chinese with English abstract).

[27] Wang, L. F., Liu, X. L., Xu, K., et al., 2024. Bayesian-MCMC(Markov Chain Monte Carlo) Based Three-Dimensional Geological Model Optimization by Data and Knowledge Fusion. Earth Science, 49(8): 3056-3070 (in Chinese with English abstract).

[28] Wang, S. H., Han, B. W., Jiang, J. H., et al., 2025. Machine Learning and FEM-Driven Analysis and Optimization of Deep Foundation Pits in Coastal Area: A Case Study in Fuzhou Soft Ground. Underground Space, 22: 55-76. https://doi.org/10.1016/j.undsp.2024.11.001

[29] Wang, W. D., Li, Q., Xu, Z. H., et al., 2023. Study and Application of Parameters of Small Strain Constitutive Model for Soft Clay. Chinese Journal of Underground Space and Engineering, 19(3): 844-855 (in Chinese with English abstract).

[30] Wu, J. J., Peng, L. M., Li, J. W., et al., 2021. Rapid Safety Monitoring and Analysis of Foundation Pit Construction Using Unmanned Aerial Vehicle Images. Automation in Construction, 128: 103706. https://doi.org/10.1016/j.autcon.2021.103706

[31] Wu, X. G., Wang, L., Feng, Z. B., et al., 2022. Analysis on the Reliability of Metro Deep Foundation Pit System under Multiple Failure Modes. Modern Tunnelling Technology, 59(4): 167-175 (in Chinese with English abstract).

[32] Xu, B., Rong, Z., Pang, R., et al., 2024. A Novel Method for Settlement Imputation and Monitoring of Earth-Rockfill Dams Subjected to Large-Scale Missing Data. Advanced Engineering Informatics, 62: 102642. https://doi.org/10.1016/j.aei.2024.102642

[33] Yang, D. X., Zhao, K., Zeng, P., et al., 2019. Numerical Simulation of Unknown Wave Velocity Acoustic Emission Localization Based on Particle Swarm Optimization Algorithm. Rock and Soil Mechanics, 40(S1): 494-502 (in Chinese with English abstract).

[34] Yang, J., Wang, J., Lyu, Z. B., et al., 2022. Multi-Source Information Fusion—Based Study on Dynamic Safety Evaluation of Landslide in Plateau Reservoir Area. Water Resources and Hydropower Engineering, 53(4): 165-171 (in Chinese with English abstract).

[35] Yang, Q. N., 2010. Analysis of Deformation Characteristics of Deep Foundation Pit in Wuhan Subway Station (Dissertation). Huazhong University of Science and Technology, Wuhan (in Chinese with English abstract).

[36] Yu, J. C., Jin, A. Y., Pan, J. W., et al., 2022. GA-BP Artificial Neural Networks for Predicting the Seismic Response of Arch Dams. Journal of Tsinghua University (Science and Technology), 62(8): 1321-1329 (in Chinese with English abstract).

[37] Zhang, W., Li, D. Q., Cao, Z. J., 2016. Comparative Study of Bayesian Methods for back Analysis of Deep Excavation. Engineering Journal of Wuhan University, 49(6): 806-811 (in Chinese with English abstract).

[38] Zhang, W. G., Gu, X., Liu, H. L., et al., 2022. Probabilistic back Analysis of Soil Parameters and Displacement Prediction of Unsaturated Slopes Using Bayesian Updating. Rock and Soil Mechanics, 43(4): 1112-1122 (in Chinese with English abstract).

[39] Zhao, J., Jiang, L. W., Luo, Q., et al., 2018. Correlative Analysis between Variation Level of Soil Strength Parameters and Influencing Factors. Journal of Engineering Geology, 26(3): 592-601 (in Chinese with English abstract).

[40] Zheng, Z., Li, Y. L., Zhang, Y., et al., 2025. Prediction and Pre-Warning of Step-Like Landslide Displacement Based on Deep Learning Coupled with ICEEMDAN. Measurement, 246: 116585. https://doi.org/10.1016/j.measurement.2024.116585

[41] Zhou, X. P., Xu, Q., Zhao, K. Y., et al., 2020. Study on Meso-Parameter Calibration Method of Discrete Element Based on Neural Network—A Case Study of Heifangtai Loess Landslide in Gansu Province. Chinese Journal of Rock Mechanics and Engineering, 39(S1): 2837-2847 (in Chinese with English abstract).

[42] Zhu, Y., Gu, Q. Y., Jiang, J., et al., 2016. Reliability Analysis for Overall Stability of Large-Span Double-Row Steel Sheet-Piled Dock Cofferdam Based on Bayesian Method. Rock and Soil Mechanics, 37(S1): 609-615 (in Chinese with English abstract).

基金资助

上海市优秀学术/技术带头人计划资助项目(23XD1434800)

上海市服务业发展引导专项资金-专项基金重点项目(06162021301)

国家自然科学基金-联合基金重点项目(U23A2044)