近年来，地铁网络的扩展和城市建筑密度的增加加速了地下空间的开发[1]。作为此类发展的前提条件，基坑施工的质量和安全直接决定了项目的成败。开挖过程中产生的扰动和变形可能对周围环境产生不利影响[2]、[3]。尽管丰富的经验已经降低了对上方结构的风险，但基坑对相邻运营隧道健康状况的影响仍存在很大不确定性。随着开挖项目变得越来越复杂和危险，监测和理解隧道健康状态的变化对于安全运营地铁变得至关重要。
通常，在基坑开挖期间会在关键结构周围部署密集的传感器阵列以跟踪开挖引起的响应[4]。当变形或位移超过预设的警报阈值时，会触发人工干预以阻止进一步恶化[5]、[6]、[7]。然而，结构响应远非简单的线性过程；它与开挖顺序紧密相关。在实践中，这种耦合很少被清晰量化，因此需要专业工程师不断评估现有结构的安全性。这种工作流程不可避免地引入了延迟和主观性[8]，而对于看不见的地下结构来说，这些缺点更为明显。因此，揭示基坑开挖与地下结构变形之间的关系成为确保地下结构安全的关键。
现有文献综述显示，基坑开挖对相邻结构的影响已得到广泛研究。研究人员采用了现场监测[9]、数值模拟[10]和理论分析来研究地面位移、隧道变形和建筑物沉降等关键响应。例如，周等人[11]和林等人[12]使用有限元分析量化了非对称支撑和复杂基坑几何形状的影响范围。邹等人[13]比较了不同的施工方案，并建议优化开挖顺序和段长以限制变形。魏等人[14]和张等人[15]进一步分析了开挖卸载对相邻隧道应力重分布的影响。王等人[16]考虑到软土和含水丰富的地质条件，提出了减少沉降对相邻建筑物影响的施工措施。何等人[17]和王等人[18]专注于软土和同时多基坑开挖，总结了结合灵活支护系统和分区开挖的控制策略。
除了基于物理的方法外，人工智能也越来越被集成到开挖工程中，以提供智能服务，如风险控制[19]、[20]、变形预测和施工管理。例如，范等人[21]开发了一种机器学习模型，利用历史监测数据预测深部开挖的侧向坍塌并评估风险。陈等人[22]利用图神经网络创建了实时虚拟感知系统，克服了传统传感器布局的空间限制。为了预测开挖引起的沉降和变形，研究人员[23]、[24]、[25]引入了时空聚类、经验模态分解-长短期记忆（EMD-LSTM）和时空深度学习框架来提高预测的准确性和时效性。在施工进度和质量管理方面，魏等人[26]将改进的按位置分割对象v2（SOLOv2）算法与建筑信息建模（BIM）相结合，实现了现场对象的自动检测和进度跟踪，而潘等人[27]设计了针对相邻建筑物的最佳监测策略，降低了成本并加强了风险控制。尽管在开挖安全、变形和效率方面取得了这些进展，但开挖活动与地下结构演变状态之间的因果关系仍大部分未被探索。因此，开发一个将开挖与隧道运行状态联系起来的预测模型仍然是一个开放且关键的研究领域。
以上海的一个基坑项目为案例研究，本文提出了一种用于隧道状态预测的混合深度学习框架。为了解决分区开挖的挑战，我们设计了一个时空分解网络来量化每个施工阶段对隧道响应的影响。该框架融合了图卷积和Transformer，以捕捉开挖活动与隧道条件之间的时空依赖性。进一步嵌入了一个因果可解释模块，以解释开挖对隧道完整性的影响。本文的其余部分组织如下：第2节回顾了关于开挖对周围环境影响的最新进展。第3节详细介绍了方法和整体架构。第4节使用上海项目数据展示了实施细节和结果。第5节分析了设计选择对模型性能的影响，并确定了开挖引起的隧道响应的关键驱动因素。第6节总结了研究。
