Page 173 - 《水资源与水工程学报》2024年第6期

!３５ "!６ # & ' ( ) & * + , - Ｖｏｌ．３５Ｎｏ．６
２０２４ $ １２ % ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓ＆ＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇ Ｄｅｃ．，２０２４

ＤＯＩ：１０．１１７０５／ｊ．ｉｓｓｎ．１６７２－６４３Ｘ．２０２４．０６．１７

'×vxABÕØÙÚۋÜÝÞß¼àáAB

１ １，２ ２ ２
789 ， :;< ， 2 = ， > ?
（１． M¦%3j& emno&p， !M M¦ ２１５０１１；２． yïj& J§J)lP&&p， Œr ２０００９２）
C D： ìMžµß._`KnçÉønÆ， ‰ß #$(l´¬ìÃf÷xRDlƨ(7Š‹P。§[â
8Š‹P#$½Wî6b‰ßPQR·«–7wF。$Ì， Û%&RÙڏs£š\ÞFúƨ6u'=b
no?:x[， ̪«1}<÷҂–¥^lo(y$HÚ， „“¥„ï´。'×#$Š‹çɏÛ%&
Rª«š›D¯jßs9~， ¬‰ßb#$ê«GRN)*¼s4 ６ 3+å¼sl‡GÈ， ³´ ＬｉｇｈｔＧＢＭ,&
-1},’“P>Š‹Ps9\Œâ8š›。½¾¿À： 際ì8€~Œâ8¾PQ， ./~l8€~
0¯ÇQçs! ０．９， ð12·Ô©µÍ× ４．２％， -.Ž× ＸＧＢｏｏｓｔ N ＳＶＲ4¤3,&-u}。F
¾， ³´ ＳＨＡＰ 1}·«“4ÓGÈlâ8½¾"¨#5R， Ýû“š›Çª6R。éâ8š›ÕÏᐑ
º»I_`P>Š‹Pâ8， šáï´×#$î6b¤3­·«nl， €ëďnoï´Å£。
EFG： çÉ#$Š‹P； Û%&R；ＬｉｇｈｔＧＢＭu}； ,&-； s9\Œâ8š›
＋
HIJKL：ＴＶ５５４ ．１４ MNOPQ：Ａ MRSL：１６７２６４３Ｘ（２０２４）０６０１６９０９
Ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｔｕｎｎｅｌｌｉｎｉｎｇｐｒｅｓｓｕｒｅｂａｓｅｄｏｎ

ａｎａｌｙｔｉｃａｌｍｏｄｅｌｓａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ

２
２
１，２
１
ＸＵＹｕｊｉｅ，ＷＡＮＧＨｕａｎｉｎｇ ，ＨＵＴａｏ，ＳＯＮＧＦｅｉ
（１．ＳｃｈｏｏｌｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｕｚｈｏｕ２１５０１１，Ｃｈｉｎａ；
２．ＳｃｈｏｏｌｏｆＡｅｒｏｓｐａｃｅＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｅｄＭｅｃｈａｎｉｃｓ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０００９２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｏｒｈｙｄｒａｕｌｉｃｔｕｎｎｅｌｌｉｎｇｉｎｒｈｅｏｌｏｇｉｃａｌｓｏｆｔｒｏｃｋｓ，ｔｉｍｅｄｅｐｅｎｄｅｎｔｓｕｐｐｏｒｔｆｏｒｃｅｓａｒｅｌｉｋｅｌｙｔｏ
ｏｃｃｕｒａｔｔｈｅｒｏｃｋ－ｓｕｐｐｏｒｔｉｎｔｅｒｆａｃｅｄｕｅｔｏｔｈｅｉｎｔｅｒａｃｔｉｏｎｓｂｅｔｗｅｅｎｔｈｅｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｓａｎｄｔｈｅｓｕｐｐｏｒｔ
ｓｔｒｕｃｔｕｒｅｓ．Ａｂｅｔｔｅｒｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｔｈｅｍｅｃｈａｎｉｓｍｉｓｃｒｕｃｉａｌｆｏｒｔｈｅｄｅｓｉｇｎｏｆｌｉｎｉｎｇｓｔｒｕｃｔｕｒｅｓａｎｄｔｈｅ
ｓｔａｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｓ．Ｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎｓｏｆｖｉｓｃｏｅｌａｓｔｉｃ－ｐｌａｓｔｉｃｐｒｏｂｌｅｍｓａｒｅｔｉｍｅ
ｃｏｎｓｕｍｉｎｇｄｕｅｔｏｔｈｅｌａｒｇｅｃｏｎｓｕｍｐｔｉｏｎｏｆｃｏｍｐｕｔａｔｉｏｎａｌｉｔｅｒａｔｉｏｎｓａｎｄｐｒｅ／ｐｏｓｔｐｒｏｃｅｓｓｉｎｇ ；ｍｅａｎ
ｗｈｉｌｅ ，ｔｈｅａｎａｌｙｔｉｃａｌａｐｐｒｏａｃｈｎｅｅｄｓｃｏｍｐｌｅｘｆｏｒｍｕｌａｄｅｒｉｖａｔｉｏｎａｎｄｐｒｏｇｒａｍｉｍｐｌｅｍｅｎｔａｔｉｏｎ．Ｔｈｅｒｅｆｏｒｅ，
ｂｏｔｈｍｅｔｈｏｄｓａｒｅｆａｒｆｒｏｍ ｓａｔｉｓｆａｃｔｉｏｎｗｈｅｎｉｔｃｏｍｅｓｔｏｅｎｇｉｎｅｅｒｉｎｇａｐｐｌｉｃａｔｉｏｎｓ．Ｉｎｔｈｉｓｓｔｕｄｙ，ａｂｉｇ
ｇｒｏｕｐｏｆｄａｔａｓｅｔｓａｒｅｏｂｔａｉｎｅｄｂａｓｅｄｏｎｔｈｅｖｉｓｃｏｅｌａｓｔｉｃ－ｐｌａｓｔｉｃａｎａｌｙｔｉｃａｌｍｏｄｅｌｆｏｒｓｕｐｐｏｒｔｅｄｔｕｎｎｅｌｓ ，
ｗｉｔｈｓｉｘｄｉｆｆｅｒｅｎｔｋｅｙｐａｒａｍｅｔｅｒｓｏｆｍａｔｅｒｉａｌｐｒｏｐｅｒｔｉｅｓａｎｄｇｅｏｍｅｔｒｙｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｓｕｒｒｏｕｎｄｉｎｇｒｏｃｋｓ
ａｎｄｓｕｐｐｏｒｔｓｔｒｕｃｔｕｒｅｓａｓｔｈｅｆｅａｔｕｒｅｐａｒａｍｅｔｅｒｓ．Ｓｕｂｓｅｑｕｅｎｔｌｙ，ａｄａｔａｄｒｉｖｅｎｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｓｔｅａｄ
ｙｓｔａｔｅｓｕｐｐｏｒｔｆｏｒｃｅｓｉｓｄｅｖｅｌｏｐｅｄｂｙＬｉｇｈｔＧＢＭ ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅ
ｍｏｄｅｌｄｅｍｏｎｓｔｒａｔｅｓｓｔａｂｌｅｐｒｅｄｉｃｔｉｖｅｐｅｒｆｏｒｍａｎｃｅｏｎｔｈｅｔｅｓｔｓｅｔ，ｗｉｔｈｃａｌｉｂｒａｔｉｏｎｄｅｔｅｒｍｉｎａｔｉｏｎｃｏｅｆｆｉ
ｃｉｅｎｔｓｆｏｒｂｏｔｈｔｈｅｔｒａｉｎｉｎｇａｎｄｔｅｓｔｓｅｔｓｅｘｃｅｅｄｉｎｇ０．９ ，ａｎｄｍｅａｎａｂｓｏｌｕｔｅｐｅｒｃｅｎｔａｇｅｅｒｒｏｒｓｂｅｌｏｗ
４．２％，ｓｉｇｎｉｆｉｃａｎｔｌｙｏｕｔｐｅｒｆｏｒｍｉｎｇｏｔｈｅｒｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｓｕｃｈａｓＸＧＢｏｏｓｔａｎｄＳＶＲ．Ｆｉｎａｌｌｙ，
ＳＨＡＰａｎａｌｙｓｉｓｉｓａｐｐｌｉｅｄｔｏａｓｓｅｓｓｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｉｎｐｕｔｆｅａｔｕｒｅｓａｎｄｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓ，ｆｕｒｔｈｅｒ
ｅｎｈａｎｃｉｎｇｔｈｅｍｏｄｅｌ ’ｓｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙａｎｄｐｒｏｖｉｄｉｎｇｄｅｅｐｅｒｉｎｓｉｇｈｔｓｉｎｔｏｆｅａｔｕｒｅｃｏｎｔｒｉｂｕｔｉｏｎｓ．Ｉｎｓｕｍ
ｍａｒｙ ，ｔｈｅｄｅｖｅｌｏｐｅｄｄａｔａｄｒｉｖｅｎｍｏｄｅｌｃａｎｒａｐｉｄｌｙｐｒｅｄｉｃｔｓｔｅａｄｙｓｔａｔｅｓｕｐｐｏｒｔｆｏｒｃｅｓ，ａｎｄｉｔｃａｎｂｅｆｕｒ
ｔｈｅｒｕｓｅｄｉｎｔｈｅｄｅｓｉｇｎｏｆｓｕｐｐｏｒｔｓｔｒｕｃｔｕｒｅｓａｎｄｏｔｈｅｒｗｏｒｋｓｏｆｉｎｖｅｒｓｅａｎａｌｙｓｅｓ．

!"#$：２０２４０６０５； %&#$：２０２４０７２６
'()*： !"#$%&'()* （１２２７２２７４）
+,-.： Â×!（２０００—）， :， !M0œ?， @ABCD， BC1é‡ßeno。
/0+,： ›<"（１９７５—）， V， ñTï0?， YA， \]， YAD^_，EFGHßeno.ª«[ªbs£š\1
}BC。