由于在施工安全、效率以及对复杂地质条件的适应性方面的优势，盾构隧道已被广泛用于城市轨道交通、市政公用设施走廊以及跨河或海底项目（Huang等人，2025；Jin等人，2018；Li等人，2014）。随着城市化的加速和地下空间的日益利用，人们对盾构隧道的安全性和可靠性的关注日益增加，特别是在地震荷载下的结构性能方面（Chen等人，2023）。在长期运营中，盾构隧道容易发生接触损失缺陷（CLDs），其特征是隧道段后方出现局部空洞或灌浆质量差。这些缺陷会损害隧道衬砌与周围地面的相互作用，显著影响隧道的地震行为（Zheng等人，2024a，2024b；Yasuda等人，2017）。最近的研究越来越多地认识到，CLDs的存在会加剧结构的非线性地震响应，可能导致严重损坏甚至灾难性故障（Wu等人，2025）。因此，了解CLDs对盾构隧道地震性能的影响机制并开发有效的预测方法对于识别地震前需要修复的关键区域和实现快速的地震后评估至关重要。
目前关于盾构隧道地震性能的研究主要集中在物理实验和数值模拟方法上。物理测试可以直观地反映结构的实际应力状态；然而，它耗时、成本高昂，并且难以涵盖所有可能的工作条件（Bao等人，2017；Hong等人，2025；Yuan等人，2025）。数值模拟方法，如有限元方法（FEM），在分析复杂结构响应方面具有很强的能力。然而，它们需要耗费大量的人工进行模型构建，并且计算成本高昂（Liang等人，2021；Liu等人，2023），这使得它们成为知识密集型任务。当处理CLDs随机分布的空间位置和几何形状时，这个问题尤为突出，因为难以实现高效分析。高时间成本使得在CLD条件下提供全面详细的盾构隧道地震性能评估变得具有挑战性，也阻碍了这些方法为地震后评估提供快速准确的指导。
一个更实用的工程解决方案是基于特定项目条件预先建立参数化数据库，并预训练神经网络模型。检测后，模型可以快速匹配缺陷参数并预测地震响应。这种策略显著降低了检测后建模和分析的时间成本，同时确保预测结果与实际工程特征之间的一致性，从而提高了工程决策的适应性和可靠性。神经网络模型，如前馈神经网络（FNN）、卷积神经网络（CNN）和长短期记忆网络（LSTM），已被广泛用于预测单点结构响应指标（例如，最大位移、峰值应力），在效率和预测精度方面显示出明显优势（Jia等人，2025；Shen等人，2025；Zhang等人，2019；Varghese和Hoskere，2023）。然而，大多数这些研究仅关注局部响应或单一性能指标，虽然在特定应用场景中有效，但无法提供结构响应的全面场分布。
近年来，越来越多的人关注能够预测全场结构响应的方法，特别是那些结合结构拓扑信息的方法。在这些方法中，图神经网络（GNNs）由于其基于图的建模和高效处理非欧几里得数据结构的内在优势而成为一种有前景且发展迅速的技术（Scarselli等人，2008）。利用这些优势，GNNs越来越多地被用作基于欧拉系统（Jiang和Chen，2023；Lino等人，2022）和基于拉格朗日系统（Li和Farimani，2022；Choi和Kumar，2024）的数值模拟的替代模型。通过将结构系统内的拓扑关系明确编码到图数据中，GNNs可以有效地捕捉结构组件之间的复杂非线性相互作用。先前的研究已经展示了GNNs在桥梁损伤识别和框架结构地震响应预测等领域的潜力。Kuo等人（2024）将GNN与LSTM结合，用于预测建筑框架的地震性能。Zhao等人（2023）提出了一种基于GNN的方法，用于地震条件下的剪力墙布局设计。Wang等人（2025）设计了一种GCN架构，用于表示钢筋混凝土框架结构，以识别失效路径和预测易发生坍塌的区域。Li等人（2025）引入了一种动态图自回归（DGAR）模型，用于替代数值模拟并预测结构在冲击荷载下的动态响应。尽管取得了这些进展，现有GNNs在场预测中的应用仍存在明显局限性。大多数现有GNN模型仅关注节点级预测或单场响应，因此在应用于地震评估时无法全面揭示结构的地震损伤状态。此外，许多研究的输入特征通常仅限于一般的加载配置，对实际工程参数的考虑不足。特别是，将CLD等结构缺陷明确建模并集成到GNN输入框架中的工作尚未得到充分探索，限制了这些模型将现场检测数据直接纳入预测流程的能力，从而限制了其在实际工程应用中的实用性。
为了有效解决上述局限性，本研究提出了一种新颖的盾构隧道地震多场预测框架，该框架将现场检测参数与改进的GNN模型相结合。所提出的框架旨在绕过与数值模型构建、求解和物理模型测试相关的时间消耗和知识密集型过程，从而实现盾构隧道多场响应的快速准确预测。这反过来又支持了地震前针对缺陷的维护规划和地震后的快速评估。通过一个实际工程案例展示了所提出框架的应用程序。本研究的关键创新包括：（1）提出了一个多任务GNN架构，用于同时预测位移、应力和损伤场，克服了单场模型的局限性；（2）建立了从现场检测参数（CLD和地质信息）到图神经网络节点特征的映射机制，实现了与工程数据一致的高保真建模；（3）基于一个真实的隧道项目构建了大规模数据集，并开发了一个实用的预测工具（CLD-QuakePredictor V1.0），以实现快速的地到场响应应用。
研究的其余部分结构如下：第2节详细介绍了所提出的GNN框架，包括图构建过程、特征映射策略和改进的GNN模型架构。第3节介绍了基于现场检测参数的数据集生成过程，并通过各种工作条件分析了模型的准确性、计算效率和泛化能力，包括与FEM模拟结果的深入比较。第4节介绍了开发的软件工具，并通过一个工程案例研究展示了其实际有效性。第5节讨论了主要发现，概述了研究的局限性，并提出了未来研究的方向。最后，第6节总结了本研究的关键发现。
