摘 要：

地上的国土面积很有限，向广袤土地拓展开发利用更多的城市地下空间势在必行，综合管廊能够将多种看不见的城市基础管线、能源设施和智能装备集中安设于一个无障碍地下通道。由于管廊建设项目“全过程”的规建管活动堆积了海量的系统的观测数据，随着21世纪计算机科学技术的进步，大数据和人工智能AI等前沿科技陆续被运用到管廊工程信息化业务发展中。简介大数据及AI基础，展示管廊领域涉及的大数据核心关键技术，深度解析了AI科学与工程大数据相结合的管廊监测、管廊结构安全(耐久)性实时预测与预警实施的技术难点及发展前景，并阐述了借助区块链大数据技术构建管廊综合管理智慧平台的缘由。以“综合管廊”“大数据”“AI”“监测”“神经网络”“运维管理”“预测”“智慧建设”等及其组合为检索关键词，通过调研近五六年来已刊出文献，对管廊工程中大数据智能技术现有的应用研究作了总结与评述。分析认为：从业者不仅应注重面向廊内收容物巡检、人员状态捕捉或相关环境监测的数智化技术创新与应用，更要基于全寿命安全管控理念将目光延拓至结构本体输出量(如变形、加速度、内力、温度)的多步向前预测和智能控制上，建立跨界融合研究和个性化学习的机制，力争管廊服务系统形成自动化、界面化和产业化运作模式。

关键词：

地下综合管廊;大数据;人工智能AI;关键技术;结构安全性分析预判;应用进展;对策建议;

作者简介：

马鹏飞(1993—),男，博士研究生，主要从事现代隧道与地下工程相关研究。

*陈新(1994—),男，博士研究生，主要从事岩体界面断裂力学研究工作。

基金：

国家自然科学基金重点项目(41830110);

中交养护集团重大科技研发项目(27100020Y248);

引用：

马鹏飞，郭德龙，许文年，等． 大数据技术与人工智能在城市地下综合管廊中应用: 回溯、挑战及展望［J］. 水利水电技术( 中英 文) ，2022，53( 5) : 163-178.

MA Pengfei，GUO Delong，XU Wennian，et al． Applications of big data technique and artificial intelligence in construction of urban comprehensive underground pipeline corridor: review，challenge and forecast ［J］. Water Ｒesources and Hydropower Engineering，2022，53 ( 5) : 163-178.

0 前 言

城市地下综合管廊，较好地解决了道路反复刨掘、内涝、架空线等曾经的 “城市之痛”，其在大中城市的有序推进对于统筹各类管线设施的铺设、完善城市公共服务，优化道路交通秩序、营造城市宜居环境，节约灾后重建时间、实现区域发展的良性循环，创新城市治理模式和打造未来城市的典范等起到至关重要作用。境外主要的发达国家已存在大量共同管线廊道，而我国的管廊建设起步较晚，因此，管廊相关领域的学术研究在国内正值朝阳期。

但管廊是一项设计预期寿命达 100 a 之久的很复杂的系统工程，发挥其非凡功效的同时也存在着高风险。建设前的设计、选址和地勘不到位; 在建设中往往要面对施工项目多、工期长，施工经验不足、作业空间受限，穿越高灵敏度软弱基土，大深度基坑开挖及边坡失稳等令人堪忧的问题; 管廊建成后又受材质性能、约束差异、预留的变形缝、传输的介质、地震激励、行车动载荷、近接地铁施工、边界入侵、沿途水文地质条件多因素的影响。在运营后期中难免会出现连续管线的破损、接头错台、结构异常变形( 类似大变形、差异沉降、异常震动等) 、主体开裂、渗漏水等病害问题，而且管廊建筑结构狭长，空间相对闭锁，只有少量与内外界相通的功能口，很可能促使廊内闷热、产生火焰甚至引发道路的塌陷，故建立一个高水准的健康实用性管廊的重要程度不言而喻。保障人员、工作环境、市政管线和附属设施足够安全的重要途径是加强管廊在全生命周期内的远程在线监测及精细化智能服务，能够随时、精准、全方位地获悉管廊系统各环节工作性状，进而按照分区、分类和分级及时警戒并启动具体措施预案进行调整预控。

近几年，AI( 人工智能) 、ML( 机器学习) 及大数据技术都在强势复兴，不少高水平院校获批建立了大数据科学院或 AI 交叉学科。其显示原因是几乎社会中各行各业都会创生大量数据，数据已迅速成为国家、企业和金融机构的 “新能源”。在不断发展下，大数据的应用和服务领域逐渐覆盖至零售、文旅、侦探、远程诊疗、汽车制造业、城际铁路、水土保持监测、灾害防治、深地科学、隧道及地下工程等。AI更是给人们的方方面面带来翻天覆地变化，比如:高考机器人能在 10 min 内交出良好的数学答卷; 堆石混凝土智能化( 少人) 筑坝已初步实现; 基于 AI 的Alibaba 未来酒店，入住整个过程涵盖人脸识别、语音控制和智能机器人服务，并且能利用管家天猫精灵控制客房内居住环境; 成都地铁 9 号线去年开启自动无人驾驶模式; AI 医学影像辅助新冠筛选等。

2015 年，《促 进 大 数 据发 展 行 动 纲 要 》( 国 办[2015]50 号) 发布，党中央已将大数据战略提上日程; 2017 年，大数据技术成为了我国科学技术与经济建设的新生动能; 2021 年，大数据及 AI 等科技正在作为重组全球要素资源、改变全球竞争格局的主干力量。眼下，受 “新基建”、 “智能建造与建筑工业化协同”、“地隧工程要向绿色、智能、安全( 韧性) 、高效发展”等理念或良策的影响，新一轮通信技术与地下岩土学科的融合持续升温。在这样的大背景下，催生了管廊工程大数据这一研究方向，可为全寿命周期管廊建筑结构安全及损伤、服役状态的可知可控提供新契机和新的切入点( 结构服役状况主要是指结构材料的耐久性) ，对于管廊智慧运维的实现具有良好的技术效益。大数据与智能化技术系日后管廊工程规划、监测、早期预警减灾的重要抓手，是管廊建设、运营精细化管理的一个重点应用及突破方向，同时也是实施数字城市和新型智慧样板城市的有效手段之一。

首先简介大数据和 AI 的相关概念与发展史，重点对管廊领域涉及的大数据关键技术进行解读，回眸并梳理近年工程大数据及 AI 科技在城市地下管廊工程中的应用进展，给出了管廊大数据技术的创新应用、智慧管廊建设、管廊行业未来道路模式等方面的可能发展方向、建议和所面临的挑战，最后描绘了大数据智能技术在管廊监测、预测预警信息技术构建中的应用远景。本文研究在一定程度上可供管廊工程施工设计的优化、专题分析管廊实时监控数据，以及管廊智慧中心的打造参考。

1 Big data( 大数据) 及人工智能 AI 概述

1.1 大数据

因大数据和 Gene 科学、社会学、复杂计算等一样，都归属于高级知识，目前对大数据的定义仍存在分歧。一般意义上，大数据指一种强大到在获取、存储、管理、处理和服务方面远远超出传统数据库软件工具能力范围的复杂数据集合，通常认为它具有“5V”特点: 海量的数据规模、多样的数据类型、快速的数据流转、价值密度稀疏性、真伪难辨。

从 1958 年研制电子管计算机，到 80 年代中期PC 台式机再到后来上网本的涌现，直至如今各种便捷( 移动) 智能设备的更迭与普及，信息容量和处理速度需求呈爆炸式增长，一个鲜明例子为一辆多功能无人车每天产生约 5 ～ 10 T 级的数据量。从全球视野，大数据发展历程大致经历了如下阶段:

( 1) 萌芽阶段( 1980—1999 年) 。 “大数据”这个术语发端于未来学家阿尔文·托夫勒的著作《第三次浪潮》。1999 年，《千兆 byte 数据集的实时性可视化探索》一文在《美国计算机协会通讯》上发表，尽管，在当时就意识到了提升行业服务需更大量的数据处理，但由于技术变革力量薄弱和相关基础研究匮乏，对大数据的讨论仅是过眼烟云。

( 2) 长大阶段( 2000—2011 年) 。Google 公司在2003 年公开 GFS 文件系统; 2006 年，Hadoop 软件作为数据应用的主要手段已被分离出。《Nature》杂志2008 年推出 “big data” 专刊; 2009 年，大数据在IT 行业中开始流行。2010 年，HBase 分布式存储系统成为 Apache 的顶级项目; 2011 年，工业和信息化部提出了庞大数据存储、数据挖掘等大数据技术系列创新工程，人们对大数据及其产业形态的热捧度正在增长。

( 3) 爆发阶段( 2012—2016 年) 。进入 2012 年，以美国政府宣布《大数据研究和发展计划》为标志，对数据的认识更新引领着思维变革、管理变革和商业变革。2013 年，中国开始实施大数据科学在社会各个方面的探索与试行。2016 年，超级计算机 Sunway Taihu Light 的研发，为培育大数据产业提供了强大支撑平台。

( 4) 黄金阶段( 2017 年—) 。此时期各种技术( 如定位技术、数据传输) 都在不断进步，并广泛应用于各个领域。大数据科学被认为是新的研究手段、角逐和价值增长点，与之相关的政策、规定和应用等要素逐渐完善起来，有力提升了经济社会发展的智能化水平。大数据技术发展现已如火如荼。

1.2 AI

不可否认，人类在从事体力及脑力劳动( 推理、知觉、学习、记忆等) 过程中依然存在太多的重复和枯燥。幸运的是，AI 可解决这些传统问题，解放了科学家的双手和大脑。AI 交叉了计算机科学、心理科学、信息论、控制论、凸优化、微积分、概率论、语言学、哲学等多领域理论，是一门开发用于模拟、仿真和延伸人的智能活动的边缘技术。维基百科对 AI 的描述是 “由人工造出的机器或系统所表现出来的智能”，这也是人们长期奋斗的目标。

AI 的四要素为知识、数据、算法、算力，而 AI算法可分为以知识为驱动的逻辑推演算法和以数字链驱动为导向的算法两类。从技术层面来看，AI 的核心能力包含计算智能、感知智能、认知智能三个层面，其中认知智能最复杂且是最需要研究的领域。如果从 AI 问题的范式( problem paradigm) 上来讲，又分为轻松范式、状态范式、优化范式和逻辑范式四大派别，每种范式的特征和分类场景不再赘述。

AI 由来已久，发展的过程中也经历了几次荣枯。早在 20 世纪 40 年代，Alan Turing 就讨论了 “机器能思考吗?”这样的奠基问题; HEBB 于 1949 年提出了神经元之间突触连接强度可变的有效法则，至此，ANN( 人工神经网络模型) 概念逐渐浮现。事实上AI 真正形成于上世纪五六十年代的 ML 研究。1956年，在著名的达特茅斯言谈会上出现 “智能，AI”的雏形; ROSENBLATT 于 1958 年发明具有三个加工单元层的单层 ANN 结构——— “感知器”( perceptron); 1969 年 MINSKY 在《感知器》一书中悲观地提到，简单的 ANN 无法模拟异或问题的运算，能够求解非线性问题的网络应有隐层( 中间层) 。随后，迫于智能化实现水平，AI 的研究与发展一度走向萧条。进入 80 年代，专家系统问世，HINTON 等发展了误差反向传导法，ANN 在理论和众多实际问题的应用上得到了重生。1987—1993 年，人工智能计算机 DARPA 失败，政府投入衰减，1995 年，SVM 优于 ANN,AI 陷入第二个寒冬。2006 年，深度学习研究兴起，CNN、GAN 及 LSTM 是其代表算法。2012年是 AI 繁荣时期的开局之年，ImageNet 图片分类错误率降至 15%; 2016 年 AlphaGo 战胜人类顶级围棋选手，AI 倍受科技界甚至政府的青睐; 2020 年 11月，AI 被视为工业 4. 0 一项很重要的技术引擎。

在所有的 AI 技术中，ANN 对于土木工程问题的解算日趋标准化、精简化。需指出，ANN 从本质上讲应该是经验的方法，但好在它最大的优点是有学习性，就是可以再学习，它可以有一种模仿人脑思维的性质，这种功能非常强。现如今，大数据的发展以及计算能力( GPU) 的提升促使了 AI 算力性能的演进，加上深度学习算法的长足进步，AI 技术及其产品对地下工程( 包括管廊在内) 的高维非线性特征具有优异的求解功能。

2 管廊工程中的大数据核心关键技术

管廊综合系统的监测对象数量众多，监测数据结果具有迅速增长、体量大、多源异质( 半结构型和非结构型的数据占多半) 、不完整性的特点且往往呈多态、多元、多主题，是典型的大数据，而参建各方对数据分析处理和工程力学行为评估的有效性、现势性需求也日益旺盛。传统工程监测方式及常规数据处理技术已明显落伍，因此应借助现代大数据技术架构，实现由劳动密集型向技术密集型过渡。这里围绕管廊工程领域，仅对大数据的获取、存储和分析做出介绍，但要了解大数据技术还包括海量数据的组织管理、结果解释与数据规律的应用等。

2.1 大数据智能化采集( data acquisition)

欲分析大数据( 指作为采用 AI 算法预测时的基础输入数据) 就要先理清数据信息来源，即数据采集感知对象。管廊大数据获取源可分为工程自身类( Ⅰ类) 、综合管理类( Ⅱ类) 、原位赋存环境类( Ⅲ类) 、互联网类( Ⅳ类) 和其他类( Ⅴ类) 。Ⅰ类对象采集信息主要包括管廊本体安全数据、管廊空间体几何属性数据，各类专业工程管线和配套设备的风险状况，以及廊内温湿度、积水量、火情、风速风向、照度、电磁波幅值、有害气体或致灾粉尘的浓度等环控安防信息; Ⅱ类信息主要采集管廊空间位置布局、管线敷设立项审批、施工期监管( 如材料堆放位置、工作员的ID) 、运营期常规管理和维修等与管理相关的事件、行为或现象; Ⅲ类对象采集信息主要指沿线管廊顶板覆土变化、地上移动车载，及地温、地应力场、水环境、土壤分层及其特性，若未来条件或技术允许，还可监( 探) 测微生物扰动、相关的腐蚀或放射性介质迁移变化及土中有无保护文物等信息; 而第Ⅳ类信息系指通过 QQ 群调查问卷等形式收集到的数据，以及通过编写 Scrapy 网络框架并导入 multiprocessing 库、gevent 库、queue 模块和 schedule 库 ( 依次实现 多 进程、协程、存储列队任务和定时执行任务) ，从博客、知乎、今日头条等网页上按照设计者意图异步爬取的相关工程信息( 比如，与管廊信息关系紧密的快讯、舆情和读者点评) ; 其他类指的是除前 4 类获取源以外的其他所有信息，包括资产、BIM 建模、地上敏感地物、周边公路绿化等。

以上五类数据获取源中，第Ⅰ类的工程监测无疑是数据采集活动的重点内容。但要通过灰色关联度分析或结构力学分析计算等方式，研判采集对象是否与所研究问题有较强的内在关联以及有些采集对象之间是否也有相互关联( 以期降低变量间信息重叠性) ，不必所有影响变量数据都采集。剔除相关性差的影响要素抽出影响管廊安全性能或工作性态的主要变量，进行针对性的监测，以呼应削减监测系统的成本、减少影响因子( 特征) 的输入个数、提升神经网络非线性模型运行效率之所盼。

数据信息获取是大数据驱动工程建设全生命期精细化分析和管控( 如隐患排查) 过程中的首要任务和基础。地下综合管廊工程监测具备的特征及其释义如表1 所列，特点 5 昭示着监测的精度要 “跟上”、要 “上去”，不能由于外部干扰而降低标准。

管廊监测难点在于地质赋存条件和廊体内部工作环境的复杂及其时空变化。现场埋设传统电测传感器等工程监测和人工量测( 如目视、操作全站仪) 的方法，安装与操作不甚方便、效率极低并且主观性强，只能针对有限可数个预设断面位置开展，难以对管廊这种长线性工程施以连续监控，获取的数据量少( 意味着向模型供应的 “新刺激”少) ，不足以让人工网络合理地动态预测舱体的竖向变形、横向收敛、损伤或退化的一些物理变化。随着移动式激光扫描设备、雷达、智能分析识别、CPS、GIS、RFID、BIM、自动化装备、3 D 土压力测试仪、倾角仪、光纤传感、无线通信传输模块、数据缓存、数字孪生及虚拟现实等的出现与发展，地下管廊稳定安全监测系统有望在现场自动收集、同步和解析庞大的数据集以及监测体系向着由点及面再到全域、离线到在线、静态到动静态结合、被动到主动转变等发展。甚至利 用 高 清 摄 像 机、基 于 AIoT 的 传 感 网、无 线MEMS、巡检机器人、高分辨率卫星遥感、高精度地图、机器视觉、SD-WAN、信号转换放大器、ZigBee、5 G 商用技术、监控云端平台和移动端 App 等事物 /方式，能够做到 “监测一张网、让人一览无遗( 一张地图汇聚管廊数据) ”，足不出户可作不受低劣气候条件影响的无线、全程、大屏监控，后台工程技术人员只须坐在另一头的监控中心或遥远的飞机上就能够实现现地管廊任意位置实景的自主切换，也可直接与一线值守人员进行连线对讲。

2.2 大数据存储( data storage)

伴随着管廊现场智慧化进程的加快，自管廊项目的前期可研、设计仿真，至实施建造，到后期的运营并转入服务周期，直至报废整个工程生命周期中，广义层面上的信息采集系统( 也称客户端) 将全天候全天时工作，由此生成的监测数据( 主要指前述Ⅰ—Ⅲ类管廊信息) 已被新型感知仪器或 App 小程序记忆[例: 若 1 表示供暖管道故障，则 0 表正常( 假设用1 个 bit 位记录存储) ]。但问题是极速增长、海量集聚的数据终归要成累赘，继而监测元器件会在数据集的读写和导出上逐渐变卡，客户端也往往不能对数据做长久保留，在观测大数据面前普通单机系统性能已无法应对，同时数据相互之间的拓扑关系将难以用简单的X-O-Y平面表格来承载。因此，需要数据库和合适的存储集群来支持管廊数据快速的导入、提取和管理，平台还应提供必备的开发接口、应用协议及其他编程包。根据数据储存格式的不同，大数据分布式存储管理访问方式主要有分布式文件系统和大型分布式数据库系统。

利用分布式文件系统对非结构化数据进行存储，目前出现了 HDFS、GFS 和 Tachyon 等。HDFS 采用流式数据访问模式，具有高容错、高可靠性、可大规模横向扩展、程序开源、适合批处理等品质，并且部署在低廉的硬件上，典型的 HDFS 文件大小是 TB 甚至PB 级别。分布式数据库系统如关系型( MySQL) 、非关系型 ( Hbase、MongoDB、NoSQL) 和 新 型 架 构( NewSQL) ，可用于非结构化、半结构化或结构化数据。其中，文档数据库 MongoDB 的设计特征是高性能、易扩展、易部署、易使用，存储数据方便，支持 Java、Python、Go、C++等计算机语言。值得一提的是，隐匿在数据集中的丰富知识与数据新颖度有关，因而应基于和数据时间戳及其潜在价值相联系的数据重要度原则，决断哪些数据必须保留以备随时调用，哪些冗余数据( 主要指先前用过的数据)就可以采取不同策略对待( 如压缩、摒弃、移入历史库) ，从而实现对数据的高效存档。目前，云存储、云端服务器和 MySQL 中间件及区块链技术的崛起方便了管廊大数据的永久存储、内容添加、动态分配、权限控制、共享和可追溯，另一方面也为进行更完全、可信的管廊安全性耐久性动态评估提供绝佳的数据粮仓。

2.3 大数据信息挖掘( data mining)

管廊各个部位监测的数据反常变化往往与某种细节上的工程危象( 混凝土管廊顶不均匀沉降、混凝土宏观裂缝出现、廊内液位超限、结构局部失稳或基底变异等) 有直接联系，尤其是不稳定位移变形数据、钢筋应力应变数据及衬砌裂损特征数据还蕴藏了结构内部力学演化信息。受各种随机的内外因素影响，随时间推移，廊道管线、管廊结构本身连同管周环境的安全风险状态是个累进变化并加和的过程，路面沉陷、廊体倾斜或扭曲变形、廊体表面变异、管廊整体或某些部分力学特性的蜕变/下降等的产生、发展都与时间相关。并且突发事件火种出现的原因、部位及其表现形式也不尽相同，故而需站在管廊全寿命周期角度，对立体监控网数据进行及时的处理与分析。

以旅游为例，仅有当前用户对某景点的所有评论指导意义极小，但若从中得到用户游玩时真正介意的点就很有用; 风变编程在产品上线前要对用户进行数百天测试，并在上线后自动挖掘用户学习行为数据中隐匿的规律和模式，在此基础上再更新几十次产品，方可最终交付。以上案例的关键支点就是大数据分析技术，因此大型数据集被挖掘分析过才能创造出意义深远的新知识，对于管廊大数据亦如此。从海量、多样、详细、能持续的原型观测资料背后提取一些特殊关系信息，或者推出未知的结构安全数据，这既实现了管廊安全预估和工程现象解释，又能空出时间让施工作业员或管廊各业务管理者提早决策，无论是对管廊施工技术的改良还是对防控后期运营中的风险、节省管廊维护成本均具有重大工程应用价值。

管廊大数据科学分析方法意在解决如何用好真实历史数据，其理论核心是建立在数据挖掘算法之上的非确定性预测行为( 如生成预测模型、对管廊灾害敏感区段进行空间预测) ，找寻现场测得的海量数据之间的很复杂相关性与关联方式，探究偏差原因，预判并评估管廊病害发生的或然率，给决策制订合理建议。较之于经典力学的思维方式，大智能时代下发生了一些颠覆性改变: 其一，更强调样本越多越好，注重数据的多轴和实时性，允许数据的混杂性，以大样本的近似或逼近计算( 宏观) 来取代小样本的复杂准确计算( 微观) 。所以，公路植草带信息、网页爬取信息、问卷调查数据也在管廊监测数据群的范畴之内; 其二，相对随机采样数据，大数据中所蕴含的价值消息已经丰厚到能够显露自然界的物理本质和某种关系规则，鉴于此点，不再热衷于探求因果关系，转而搜索各组数据之间的 “潜在关系”( 常用关联规则来表达) ，也即我们只需知道 “是什么、依据数据发现了什么”就行了; 其三，有别于有限单元和力学方法，在分析前无需做太多假设( 各向同性假设、平截面假定等) ，认定数据就是问题根源，利用数据驱动可快速地完成从管廊数据流到很新颖的结论、再到措施建议( 如决策此时是否该对结构的某部位进行预先保护) 的过程。

而今，一些高档次的管廊数据分析需求带给普通的物理模型、数理统计学巨大的冲击。例如面对管廊自动化建管的实现、廊内气云爆炸场扩散的实时预报等新鲜课题，简单的数理统计理论已然力不从心，建议参照表2 所列的常规方法步骤并结合先验原理，对源自现场的数据信息洪流进行智能化的分析和辨识。在役管廊的先前信息( 如管体结构变形的历史演变情况) 和将来运营预期情况均包含于此处提到的先验知识之中。

存入工程数据库的大范围安全监测数据资料是从现地第一线输送过来的，并且能够反映地下管廊工程在 “四轴”( 即当前所处空间外加时间维度) 上的真实运行性态，故而在大数据时代下，基于它们得到的安全( 耐久) 性辨识结论和预测值曲线比起室内试验结果更值得借鉴。但采集的管廊数据经传输、迁移、解码、渲染等流程后带有一些粗糙甚至错误的信息不可避让，若能合理运用自适应估计思想和分组聚合、预剪枝、降维和降噪的数据处理方法，大量数据在挖掘算法上的可解性肯定也会提升。

一个管廊大数据分析技术的应用示例: 将在建管体结构前期的复杂响应实值序列样本输入所建立的回归神经网络模型( 难以预料的当地自然环境变化、施工作业情况和管理行为等不便量化的影响因素可在隐含层中考虑) ，结合某遗传算法进行网络模型训练;然后用最优参数下的模型，对持续更新的前一时间段管廊监测数据( 长度维持不变) 加以预测判断。假如在未来某一时间点( 不能离现在太远，否则准确度无法保证) 结构的某重点监控参数( 管廊顶板梁竖向挠度、腋角处最大主应力等) 智能预测值超出了事先提出的安全预警指标建议值，该参数将有不寻常变化，此时不仅要给管廊 “治病”而且要把病给医好，也就是将下一步的结构响应预测结果及早通告施工单位，让他们提前修改施工参数并采用合适的措施( 如加大监测频率) ; 如果监控参数预测值小于控制标准，就不必进行预控，应继续施工。据有关实践，有经验的施工方提前 3 ～ 5 d 改施工方案是来得及的，这样，便可控制此预测值始终不超过阈限，形成了通过大数据智能软科学手段实时警惕工程预警指标超限的方式( 即真正的、更高层次的 “信息化施工+安全生产”) 。从而管廊工程的建造管理技术更趋先进、经济，施工质量得到了保障，还实现了安全知控一体化和实时化、以及管廊失效事故的损失最小化。

3 管廊隧道领域中的工程大数据及 AI 技术应用综述

工业信息理论、脑科学理论、通信技术、机器人与自动化技术、AIoT、云化调度与大型超算的水平在不断翻新，这期间，先进信息通信技术在管廊综合体的地下建设空间普查、空间专项规划、智能工地建设、结构及其内环境监测、信息采集处理系统构建、运维期辅助决策和推荐等方面取得系列应用。本文运用文献研究法，对大数据与 AI 科技在以上方面的学术研究及应用进行回顾分析( 以国内文献为主) 。

3.1 管廊监测与数据采集的相关方法回溯

地下管廊的建设效果及耐久性与贯穿工程始终的监测和专项检测有密切关联。利用大数据获取技术，对管廊灾害隐患出现的时空坐标及管廊内外环境劣化的强弱等信息进行全粒度的直观感知和长期测量，向建成智能化、自动化( 无人/少人) 、无损化、普适化的监测线而不懈努力。

针对管廊内部各数据获取源的检测、监测，业内专家学者筚路蓝缕，已开展了大量技术和智能系统上的研究。ISHII 等早在 1997 年论述了管廊内部使用光纤进行温度探测的可行性。KAI 等创新性地建立了一种基于 IoT 和 BIM 技术下的管廊运维监测系统，初步在管廊内环境数据的智能传感和信息互通互联等方面改进了现有的监测设备。杨涛等提出一种基于数据融合分析的管廊安全监测系统，可用于各入廊管道相关工况数据、管廊内有害物质及异物入侵信息的实时采集。刘伟等研制并在国内成规模运用管廊智能巡检技术，所研发的巡检机器人能够轻松爬坡、顺利穿越防火门，也能够自主充电。杨学军简介了管廊机器人系统，该系统可对廊内各监视对象实施连贯的智能巡检及灾害报警、处理等，与人工巡检形成鲜明对比，同时指出基于 5D BIM-GIS技术来提升监测成果的全息化展示水平。梅芳吸取隧道、矿山监控的技术经验，提出在廊内设置挂轨式的往复巡护小车装置对廊内各工程要素进行智能检测的方案，并设计出一种支持某些特殊条件下巡检小车调度的聚类算法。徐梓祺等以传感器监测技术、自动避障控制技术及远程通信技术为方法，研制一种机动灵活的无人机用以巡检廊内管线，应用前景一片大好。林彬等开发了以 PLC为主控器的管廊智能监控装置，达到实时、准确地监测廊内防火区间多个环境参量及封装转换网络数据的目的。罗家木等从多方面阐释基于 5 G 无线传感器网络模型的管廊综合监控系统设计，该系统实现全面、实时、低耗监控，为地下管廊多种安全隐患提供完美的解决方案。

也有一些学者进行了针对管廊主体的监测技术研发与实践的尝试。如吴桐等分析管廊结构病害发生机理，并细致诠释了管廊运营时期进行结构安全监测的必要性; 杨勇等立足于以往监测多涉足于环境安全监测与预警方面的现实，拓展了激光测量技术原理及其在管廊结构健康监测中的应用场景，在工程结构三维变形与断面尺寸等的自动化测量上有所突破; 刘军论证了光纤光栅无源传感在混凝土管廊本体监测预警系统中运用的发展方向，并指出了传感器的布控和安装方法; 费云鹏通过对机器视觉技术和与图像检测、分类相关的算法的研究，结合移动机器人视频采集系统，提出一种基于 Haar-like 特征快速提取的管道表观破损( 孔洞、擦痕) 识别技术，可准确地对综合管道进行表面破坏图像的区域分割、特征提取及分类; 崔允亮等以杭州市某上跨拟建地铁的现浇管廊为实例，应用受外界干扰小的分布式光纤从已完工管廊内部监测了主体结构的应变数据，并进一步通过对应变差函数进行重积分计算了监测段内管廊竖向位移分布，具有特殊的实际意义。

由上可知，监测廊内管线等设备或监控管廊内运营环境状态的系统性的研究相对饱和( 略显过剩) ;而自动监测管廊结构自己的安全行为( 即本体结构破坏位移速率、渗水压力值变化、钢筋应力时程和裂纹裂缝演化的情况) ，以及测量和预报管廊体外围地质环境的动态响应，诸如此类的攻关寥寥无几。

3.2 大数据分析技术应用现况

运用高端的基于大数据理论的智能发掘技术进行管廊数智化发展研究，能有效确保对管廊项目适建性的科学评估，对管廊各节点各环节更加灵活的信息化管控、应急处置和防灾减灾功能，将有利于精准施策。同时也能彰显出地下工程领域与时俱进，不因循守旧的品质。

结合 AI 的大数据关键技术近期在综合管廊数据分析领域中得到了丰富应用，具体如下。

3.2.1 在工程安全风险分析及评价领域

YOO 等研究开发了一种基于 IT 的隧道风险评估系统，它的开发环境是基于 GIS 系统，并使用 AI技术来分析隧道的潜在危害。王婉等构建内部环境综合管理智能运维指标体系，以信度网络结构为工具对影响管廊智能运维的关键因素进行识别，最终发现了提升城市级管廊风险预警能力需重点关注的敏感对象。ZHOU 等基于 D-S 证据理论和专家经验建立管廊隧道中污水管道的贝叶斯网络风险评估框架，为复杂事故灾害的动态情景推断提供了重要的参考价值。XU 等利用经甲虫触角搜索算法改进了的 BP网络开发一种预控地下市政管道气体爆炸压力的多因素模型，其压力预测性能比现有的经验方法和 CFD流体计算都更高质高效。胡联粤等基于精度高、泛化能力强的 XGBoost 算法模型，提出一种利用工程实际数据对管廊安全状况进行准确评估的方法。周永波以试验城市地下管线特性相关参数、各种烈度下的天津波、地下管线 ANSYS 模型在震中的动位移分析结果为基础大数据，建立地震下的土-管模型，进而基于大数据方法分析了埋地管线的地震安全性。董开泰等明确了基于 Kalman filter 的管廊监测系统算法，该法可利用当前测量信息和上次估计值映射出管廊运行设备下一运行周期的监测变量预测值，为城市管廊的智能化发展奠定理论基础。文献[16]依托受周边地铁施工过程影响的某运营管廊工程，根据管廊结构的特征，论述并同步验证了结构安全监测系统的平台计算分析模块所含有的优点，以为将来更有效地开展管廊结构安全数据的自动化( OA) 分析累积经验。

[16] 杨勇，张坚，何钦，等．某市中心城区综合管廊项目结构安全监测系统应用研究[J]．广东土木与建筑，2021,28(1):32-37.YANG Yong,ZHANG Jian,HE Qin,et al.Research on the application of structural safety monitoring system for comprehensive pipe gallery project in the central urban area of a city[J].Guangdong Architecture Civil Engineering,2021,28(1):32-37．

3.2.2 在建设管理领域( 关于前期规划水平、工程经济、施工质量和减碳运行等方面的控制)

文献[46]利用某待规划地区 290 条道路的原始数据集，选择 ML 方法训练出良好的 ANN 结构模型，在此基础上结合算法完成管廊适建性的客观预测，为综合管廊规划路径提出一种较为科学的手段。张悠设计了将 SVM 作为基础模型的管廊工程造价估算方法，并采用降维分析和遗传算法从工程造价数据预处理和模型参数选取方面优化了估算模型的应用，对于管廊总体造价的控制管理有较强的现实意义。张军等提出了基于 “人机料法环”5 大因素的 14 项影响指标的量化处理方法，继而建立了结合 ANN 算法( BP) 的管廊工程施工质量前期评估预测模型。韦海民等通过拓扑结构为 10-14-3 的前馈网络模型为地下管廊项目选择合适的二级 PPP( 政府和社会资本合作) 模式，充分利用了决策信息，对于管廊 PPP项目进行顺利的运营有很大指导作用。XUE 等以北京国际园艺博览会地下管廊为背景，从大数据融合、风险的多目标优化控制等视角入手，研究了一种基于设备故障率的管廊 EIC( 环境智能控制) 算法，可有效减少管廊的能耗。薛刚等以某市的管廊项目为背景，基于外界机构与部门官网供给的数据智库成果，使用优化后的 POS-BP 神经网络模型对该项目经济生态建设发展水平进行了准确地模拟预测。

[46] 宋欣欣，闵海华，刁钰，等．机器学习在综合管廊规划中的应用[J]．天津建设科技，2019,29(2):53-56.SONG Xinxin,MIN Haihua,DIAO Yu,et al.Application of machine learning in utility tunnel planning[J].Tianjin Construction Science and Technology,2019,29(2):53-56．

总之，基于大数据背景下借助基于神经元网络的多源数据机器学习技术，可从事各具体方向的建设选址、结构性能评估、工程安全事故分类、复杂风险关系处理、“工程病”趋势预测等研究，支撑地下管道系统健康稳定工作。

3.3 智慧管廊建设方面的新进展

智慧管廊是管廊建设现代化的具体体现和高级形态。整体建设目标是: 以数字化、网络化、智能化为基础，依靠新型传感、万物互联、无线通信、文本挖掘、大数据、区块链、云/边缘计算、知识管理、在线仿真、Hadoop 平台、AI 控制、机器人等科技手段，并整合管廊排污、供配电、门禁、通信、地理信息等系统及其他工程要素，构建更加灵敏的视频监控平台和以大数据模块、人工智能为基础的综合管理云平台，实现让管廊建设、管控运营以及社会服务的各项热点功能( 信息感知、施工生产、健康诊断、执行报警、科学决策与风险控制等) 像人脑一样富有 “智慧”。

阎平等聚焦工程现场建管模式，论述基于 IoT的电力管廊智慧工地系统的设计过程，并在苏通 GIL综合管廊工程典型功能应用场景的实践中进行了良好检验，有效辅助了施工全过程的在线服务; 戚欣等提出搭建智慧化施工管理平台，可为管廊施工过程中进度、质量和成本的高效把控提供相应的技术支持。

针对管廊公用空间安全与设施管理遭遇的若干考验( 如管廊事故连锁效应致使的城市服务中断) ，SHAHROUR 等细致讨论了如何利用 AI 开发一套全面的数字解决方案以应对这些挑战，包括管廊智能管理平台的基本架构以及智慧管廊系统构建方法; 鉴于利用视频摄像头检测非法人员进廊的人工手段存在明显缺陷，KANG 等提出一种结合多示例 AUC 学习( MIAUC) 模型的视频异常智能监控系统，并通过基于管廊实测视频数据集的验证性试验，表明该计算机视觉系统达到了智慧城市建设标准; 孙波等在管廊内部 LED 灯具上加装蓝牙模块传感器构建灯联网，利用 IoT 的数据采集等功能，实现了廊内数据信息的积累及智慧共享，以及各工区设备、检修人员的实时定位，从而为管养单位的精准化管理( 如智能消防疏散指引) 提供依据; 牛涵爽策划了结合光纤传感的振动监控防入侵系统，并将其敷设在智慧管廊所有洞口以及廊内重要设备周围的围栏上，为克服由环境微振造成的系统误判，把通过快速 Fourier 变换提取到的传感信号频谱特征作为 BP 网络的输入进行模式识别，有助于满足智能、实时、精准的管廊安防需要; 严永锋则采用了基于 BP 神经网络信息融合模型的模糊 PID 控制策略，探索一种管廊风量调节系统的智能控制方案; 文献[59]依托平潭地下管廊某区段通风工程，调用 Matlab 中回归函数搭建通风除湿有效时长预测模型，在此基础上，利用进化多目标算法，提出了管廊进风状态参数控制器，可达到较优的除湿效果; 徐炬烛介绍了面向运维的智慧化新技术在长沙市共同沟中的应用，在更高层次上改进了运维管理者的管理技术。

[59] 施有志，洪娇莉，林树枝，等．基于BB-MOPSO的综合管廊进风状态参数控制研究[J/OL]．现代隧道技术:1-10[2021-10-24].http://kns.cnki.net/kcms/detail/51.1600.U.20210907.0945.002.html.SHI Youzhi,HONG Jiaoli,LIN Shuzhi,et al.Study on parameter control of intake state of integrated pipe gallery based on BB-MOPSO[J].Modern Tunnelling Technology:1-10[2021-10-24].http://kns.cnki.net/kcms/detail/51.1600.U.20210907.0945.002.html．

一言以蔽之，智慧型管廊是将当下数字技术与现代综合管廊技术、智能装备相结合形成的一种综合管理建设新模式，对其的特征、外延、范围与信息化建设方案国内外正处在摸索的前进阶段。

3.4 地下管廊大数据一体化管控平台建设进展

管廊大数据信息监、控、管一体平台是将由于“规建管”各关键环节产生的各种管廊数据、城市地下空间产业链数据以及从相关利害人得到的信息，标准化 处 理、检 查 并 纳 入 “数 据 资 源 池 ( 数 字 档案) ”，融合物联网布控、地质建模、场景模拟、ArcGIS / DEM、BIM、3 D 虚 拟、数 据 智 库、空间信息、大数据技术、组件式开发技术，构建集成化三维可视决策支持平台。

国内关于综合管廊数据中心或大数据综合平台的研究及开发建设主要有( 虽然大数据一体化管理平台“真包含于”智慧管廊内涵的落地项目，但此方面更加强调不同传感器信息、不同时空尺度信息的汇集与融合，专业性及系统性强; 相对而言，符合智慧管廊建设标准的条件较为单一，只要管廊的概念设计、建造管理、数据采集、结构本体监测、环境风险预防、设备异常预警、灾害应急指挥、运营服务等当中任何一个具有一些人的理解和处理能力都算。可见二者区别还较为明显) 。

陈惠等依托 “i S3 平台” 理念，结合 BIM,GIS 与 3 D /4 D 工程视图的一体化联动，讲述了进度管理系统在共同沟建设中的智能化应用，可以将施工现场的进度、资源、模型等信息进行及时的集成、动态更新、展示与综合分析。

吴艳林等总结了管线大数据的主要研究内容，研究了一套管线大数据平台总体建设方案，成果对管线安全状态预警、管线事故影响分析以及保证区域内资源合理调配具有广泛的借鉴意义。

李芊等通过研究得出，借助 BIM 信息数据库、BIM 信息模型和以 BIM 技术为核心的运维管理系统，可实现管廊生命周期各阶段的协同关联、查看事故发生节点及有关的建筑空间参数等功能，为降低管廊事故的发生概率、提高管廊安全运营性能提供参照。

范海林等探讨了以地理大数据为基础的综合管沟工程地理时空全生命周期管理平台的建设动因及建设内容，对平台的总体设计( 硬件层、数据层、系统层、应用层) 作了部署，并分析平台的数据库架构组成。

栗鹏选取管廊标准段，初步制定了管廊运维监测标准与管廊病害数据库，最终构建了基于 BIM的管廊全生命周期管理平台框架，涵盖信息管理、施工指导、运营维护等多功能模块，可实现管廊的“病前预防”。

刘晓东等将 BIM 技术和工业 3 D 打印技术进行融合，提出一种自主研发的适用于地下管廊的应用平台，该平台支持大数据的存储、共享及处理分析等，使得管廊工程项目实现全生命周期的动态透明管理。

苑志刚根据当今城市规划发展对地下空间管线大数据表达、信息建库、应用的实际需求，介绍了管线 GIS 数据管理平台建设的若干关键技术，其促进了城市智慧化进程。

管廊建筑业领域智慧化水平和程度的深入有赖于与日俱增的管廊业务数据，管廊地理时空监测信息被数字化成数据后移交给电脑来处理，但数据间独立分布、语义不一致却层见叠出。所以应善于学习利用大数据技术，基于数据的标准化、分析及可视化搭建管廊整个寿命期的大数据中心，明确数据技术应用的基本方向。

3.5 综述总结

总览上述已发表的文章，可以看出在某几个方面仍显不足，主要可归结为:

(1) 近年来，学者对城市管廊的研究态势相比早前( 2015 年前) 呈现出大幅反转，但大多倚重管廊建设 “全过程”某一或某几个真子集的大数据及 AI 技术应用。比如只应用在局部规划阶段的管廊系统布局分析上，工程结构类安全监测活动的时间范围也未延拓至管廊全寿命期层面，其研究的角度和深度存在一定差距。

(2) 对运维阶段的研究多集中在对廊内市政设施、环境参数的智能监控或巡检上，或是对管线入廊各权属单位之间的利益协调上，而对海量的管廊运行实测数据做深层次分析的报道不多，尤其是基于智能算法的管廊结构安全可靠性( 如廊体的位移变形、底部脱开量、刚度退化率、剩余寿命，及管片的渗漏面积等) 预测评价领域的文献更是欠缺。这与表述 “基础设施的结构才是机电设备赖以存在和发挥功能的基础和后盾”相悖。

土壤环境对管廊的化学侵蚀以及管周土体的移动(较小) 并不直接作用于廊内物体，结构壁板是这些外部作用的直接感应和承载体，其中管廊自身一旦出现灾害，将严重危及到内部管线设施的运转。于是，对结构性能进行在线监测与诊断，及时地发觉廊体的损伤及其引起的变化，对可能产生的结构病害进行提早预测，评估廊体当前的工作状态理应成为以后管廊工程的紧急要求。

(3) 经近几年技术人员的努力，大数据及多元智能技术在综合管廊中的场景应用已有所积累，但相关技术的应用依旧处于开端，智能化工程产品研制水平似乎也落后。具体来讲: AI 技术在管廊综合管控、灾害应急处理方向的优势尚未完全发挥; 目前基本没实现管廊系统自适应外界事物; 相关核心技术攻关的实质性成果仍有待丰富，特别是真正用于实时预测预警领域的信息处理关键技术还有很大探索空间。

管廊自适应案例为: 通过自学习得到进风、燃气设备运行参数与甲烷浓度关系模型，当短期 AI 预测表明廊内甲烷摩尔量接近或超过规定的指标值时，自动给出适宜的设备工作参数，并通过一个模糊控制器发出控制设备的指令，在无人条件下自动化降低甲烷的量。

( 4) 迄今为止，移动互联网及服务器卫星给人类带来了不少优质服务，而已存在的管廊信息采集和查询途径大都通过计算机取得，鲜见于通过移动管理平台取得，接下来有必要研制基于管廊大数据并融合微信平台的超大移动智慧管理系统。

4 存在问题与对策建议

地下空间是 21 世纪大城市特别是超大城市弥足珍贵的资源宝库，管廊受到的微振力以及综合舱布置形式伴随着密临地下构筑物( 地下步行街、地下仓储、人防工程等) 的修建加快而愈发复杂，难免会凸显出新的土工公害问题。实现管廊的自动监测与全面感知、面向长期不确定性监测数据整合的结构变形安全智能评测新技术基本架构研发、将新兴工业技术融入到管廊综合管理建设方案、建成城市级智慧管廊等战略规划任重道远，具体实施过程还面临不少严峻挑战。以下就研究或实际应用中现存的一些问题及其解决，提出作者的考虑、浅识和建议。

( 1) 管廊综合化信息管理平台的开发到了探索发展的关键时候。建立大范围甚至是全域的管廊基础数据库，建成管廊隧道智慧化运营协同管理系统对于保障管廊全寿命期安全高效运行是一项既重要又紧迫的事情。

要想集成各类信息子系统，建立起信息交互协同渠道，破除数据孤岛，全面强化互联互通，保障管廊原始信息的整合和管廊信息资源的开放共享( 数据可以向当地政府及交通、国土等部门公开) 、动态更新、透明呈现和一键查询等一揽子成效，并拥有异常信息即时反馈的能力，就应该以工业物联网、GIS-BIM、定位 技术、 传 输 技术 ( 包括 但 不 限 于 光 纤、5 G) 等为依托，加紧搭建一个更智慧更实用的集设计资料( 图纸、施工方案等) 、场区地质资料( 如走滑断层信息) 、施工过程资料、监控量测数据( 现场测绘信息、结构缺陷和应力发展情况等) 、空间信息( 穿越位置、走向等) 、属性数据( 廊体混凝土强度、管廊壁厚、防腐层类别等) 、廊内运行状态信息( 如外物进入管廊区域情况) 、项目管理信息( 安全巡查报表、资源协调等) 、社交媒体舆情信息于一体的管廊大数据全生命期标杆性服务平台，助力管廊企事业奔向崭新管理模式的蓝海。

( 2) 着眼于管廊信息化研究存在的资源配置约束问题，进一步提高科技工作者的技术研发意愿、革新/创造意识、编程业务水平，夯实研究力量。数据驱动方法及智能化技术的原始创新极富挑战性。鉴于年轻的技术开发员、专职编程人才缺位( 不足) ，大部分研究内容没有或少有类似的前人研究可供参考，且面向对象编程时部分算法设计工作无现成的类、第三方模块或封装好的函数可供调用等，整个管廊的安全管控流程走向真正的需求场景化、分析智慧化、决策科学化、应急智能化、过程少人化、管理集约化和服务平台化尚有诸多摸索前进的障碍要清除。

这也需要新时期的管廊工作者瞄准地下空间工程发展趋向，聚焦当前科技的重点短板，在历史机遇面前保持充足的信心、定力，推进具有增长潜力的核心基础技术研发，积极探寻 AI 技术在城市地下管廊相关领域中的应用创新模式与优选路径; 此外，在研发应用系统界面或设计配套的 ANN 人工智能算法时，所提供的 “产品”中应内嵌必要的源代码、模块文件、功能扩展接口和实例等，以飨后来的广大业界研究者，方便他们参考和程序改进。

( 3) 学科交叉是斩获高水平创新成果的重要法宝，多观察、多积累亦很重要。相比房建、水利、公路等地上领域，地下工程与大数据接轨较慢，管廊监测从业者在数据分析处理方面积淀较少。管廊大数据智能领域的研究问题往往都跨越学科边界，而理工科各门类对待和处理问题的方式有诸多共通之处，为此，踊跃跟踪其他学科的 AI 最新成果或使用过的数据挖掘工具显得十分迫切。尤其生物医学、农业、机械电子领域信息化程度高，通过优势学科融合来构建与管廊工程自身特点相匹配的数据科学体系，一是为拥抱新机遇、适应新时代的挑战，二是也扩充了本领域之外的一些新技术的应用范围。

同时生活中多留意动植物集群行为中的隐性规律并探寻其有无扩展的方向，就有可能发明出具有开创意义的仿生启发式算法，若再将其嫁接到智慧管廊建设的研究框架当中，就可为管廊领域 AI 应用的深度和广度添砖加瓦，增色添彩。用于地下管道检查的拥有连续测量和视觉辅助惯导定位功能的胶囊监测，便是受到了药丸在肠中滚动的启迪。

( 4) 大规模的管廊数据收集、交汇融合与预处理仍存在一定实际困难。现在，制约 AI 领域许多重大突破的瓶颈已经是没有触手可及的高质量数据群。传统监测量测方法太耗综合人工工日、存在较多监控死角、数据更新传输量的数目不够巨大; 且数据被带回工作室后也得不到及时处理，给出反馈结果滞后，发送预警信号延误，以至做不到对管廊复杂系统各组成部分的 “全过程”实时精细管理。而运用大数据获取技术进行信息汇聚，建成现代新型互联网技术支持下的监测和报警系统价格不菲; 市面上出现的各类信息感知设备制作口径繁多，互相之间工作孤立、兼容困难，数据与数据存在着彼此脱节; 智能传感检测系统很难与它的上层系统无缝对接。

另外，数据质量问题( 如信息的重复，大量 NaN缺失、离群值及夹杂噪声) 如果没处理好，或者在进行数据降维的同时损失了一些数据的本征属性，除了会影响管廊监测质量外还易导致机器学习模型失准或者不完善; 以及该怎样防止周围电磁信号对管廊内外监测及数据信息实时传递的干涉，都是需要考量的重要问题。

( 5) 大型管廊数据集有待被智慧挖掘; 管廊结构本体变形预测与动态控制智能方法的实践严重不足。管廊的变形控制指标如何根据实际或科研需求界定，如何对采集的大量监测( 报警) 动态数据，采用基于AI 的数据驱动方法等大数据分析技术，对运营荷载( 尤指移动车辆激振荷载) 与环境作用( 尤指硫酸盐侵蚀) 等微扰动条件下的管廊微量异常变形及剩余寿命进行( 多步) 滚动预测，建立异常信息的概率模型，判断可能发生异常的概率，更准确的实时预判管廊土建结构的安全与服役情况，是当前数据分析中需着重冲破的关键性难题。在这里笔者也供出了若干指南或途径，有望对后来人能有所裨益。

一是多数大跨桥梁、山区隧道等建筑物和管廊一样其主体结构同为混凝土材料，故猜测桥梁或隧道安全与性能的结构响应智能预测方法以及盾构隧道变形破坏有效控制的理论对于管廊也较适用，建议直接拿来借鉴和比对。

二是以长期实测管廊数据序列为先导在建立输入和输出的关联模型过程中，需在精选深度( 机器) 学习算法模型的输入变量和提高模型的敏感性、可用性和泛化能力上下一定功夫。

三是数学建模本领和数学涵养还需提升。做研究前使用 “流程图( 即 sequence、if、while 三大结构) ”帮助思考的下意识性，解卡脖子工程问题时主动思考泛函分析若干方法及其蕴含的深刻思想的习惯性，将概率论、随机微分方程基础知识与管廊课题进行融合的自觉性……，这些地方均需要细致培养。

四是建议对工程力学理论研究再多重视一点，如加强对基于复杂土层性质的运营微扰动力学分析方法的研究，也许可起到事半功倍效果。

五是要牵头一批知名科研院所和重点企业各人才团队，群策群力、集智攻关，促使具有管廊特色的地下工程变形灾前预警及剩余使用寿命提前预知领域信息化技术的通用理论体系诞生。

( 6) 城市地下管廊市场化建设和运营推动机制亟待完善。中国国情和智慧管廊运维中心的行业特点，决定了为使其快速健康发展应该是推广 PPP 项目模式和培育产业生态体系。产业化发展是国家和社会可持续发展的需要，有着广阔的发展潜力以及庞大的产业关系链，但管线入廊后运行成本很高，目前管廊系统缺乏行之有效的市场推进机制，自主可控的管廊信息供应链、产业链和价值链没真正形成。

要积极探究地下管线综合体建设后的有偿使用机制，鼓励民间企业在以大数据开发应用为思路的“管廊新经营模式”下开辟天地。要引导管廊运营和服务业务走定制化、市场化发展道路，加快推进资金、技术、人才、劳动力向管廊执业单位有序转移，留得住产业链构建环节。

( 7) 科技成果项目落地是搞学术研究的初衷和归宿。目前相当多关于信息化监控平台搭建及运维管理关键技术的研究，只是停留在理论或构想提出层面( 如仅给出了架构方案、系统框图等) ，在文中未见有将其变成现实的叙述，更未见其付诸于现地的工程应用，促使了物质世界中 “伪智能工程”等失败案例频繁出现。

故而怎样解决技术最后一公里问题，让沉睡的科研成果尽快转化为生产力，是一个很值得探讨的议题。建议行业内学者切忌纸上谈兵，根据管廊应用市场的需求情况，用技术成果去匹配需求使用场景。实践是检验真理的唯一标准: 掌握了具体的管廊大数据智能技术应用成效后，才能找准研发分析过程中的薄弱环节，最终迭代我们的技术产品。当然，大数据和AI 科学欲普遍应用于管廊的综合管理建设领域，应率先考虑三个关键制约因素( 技术应用的难度、技术应用的成本和市场标准规范) 。

( 8) 管廊大数据安全保障能力不断受挑战。基础数据面临泄露风险: 国家基础设施和公用资源的机密性、可用性，以及一些保密数据容易成为外部攻击和爬取( 如勒索、挖矿软件) 的重点。另外，数据安全还存在着误操作、数据滥用、额外技术攻击入口等方面的风险面。所以，实现大数据平台建设后，管廊数据的安全问题也不能不考虑。

一是经常性地使用先进的信息存储技术对海量集聚的管廊数据进行备份，有效保障数据的价值。二是应根据安全相关的政策法规( 如《中华人民共和国数据安全法》等) ，建立健全信息安全管理制度体系，在不暴露涉及个人隐私、科研生产、行业秘密、企业运营等敏感信息的前提下开展数据的分析和应用方面研究。三是刚兴起的腾讯云原生数据安全网关和高性能机密计算服务也可以帮助低成本地建立起数据安全能力。四是需做好管廊大数据平台的可靠性评测、应用安全评测和风险评估，探究完善数据泄露后的应急处置措施。

5 结论与展望

逐步实现管廊更加安全、优质、信息化的建造，更加自主、精确、少人化的监测，更加低碳、集约、流水化的建材生产，及更加智能、顺畅、高效化的运营与管理，是今后很长一段时间内管廊行业领域往更高处发展要面对的严苛考验( 注: 信息化建造的主要目标是实现自适应设计和施工过程自适应动态调节) 。“十四五”期间，城市管廊正在从建设高潮阶段过渡到运行与养维护阶段，作为维系城市基本功能甚至事关国防设施安全的 “大动脉”，一旦投入使用，任何对管廊系统有意或无意的破坏都有可能酿成巨额经济损失，降低附近居民的体验感。亟需学者、管廊建设与管理者重点关注如何动态评估并保障既有管廊线路的运营安全，及如何预防与管廊工程相关的各类次生灾害( 包括多灾耦合事故) 。

管廊大数据智能领域的相关研究及技术应用总体上还未步入成熟期，针对表征结构本体危象险情的重要指标的动态实时预测预报尚缺少一套综合、完备、易于操控的理论和技术体系，针对不良地质层的基于全寿命管控理念的管廊微扰动变形控制标准亟待建立。当前信息科技日异月新，我们预见，在国务院各组成部门的指导文件引领下，只要学者们肯创新、勇攀高峰，今后该领域的技术应用将呈现加速向上的态势。未来，随着边缘计算、区块链、AI 等主导产业常态化以及大数据服务器规模的不断做强做大，大数据研究平台也将发挥其更明显效力。可以说，构建一款集多种尖端智能装备为一体的管廊建设 “全过程”监控与预警系统，提出一个既能利用已有的历史数据资产完成( 再) 学习过程，又能精确跟踪预测管廊结构全寿命性能状态偏差与变化的 AI 算法模型完全可行。倘若将该 AI 模型再设计成一个实实在在的能拿得出、用得上的用户图形界面( 智能化预测软件) ，必然进一步带动相关技术成果踏上产业化之路。

水利水电技术（中英文）

水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。