Tunnelling induced surface settlements can cause damage in buildings located in the vicinity of the tunnel. Currently, surface settlements and associated building damage risks usually are estimated based on empirical equations, e.g. by assuming Gaussian curves for the settlement trough and by applying the Limit Tensile Strain Method or the tilt-based method to evaluate and categorise the expected building damage. In this paper, finite element simulations are used to predict the soil-structure interaction in mechanised tunnelling during the tunnel advancement. The time variant surface settlement field and the corresponding tunnelling induced strains in the facade of a building are computed by two independent finite element models. Coupling both models allows predicting the expected category of damage (cod) for the building, given the operational parameters of the tunnel drive. Based upon this coupled approach, a method is proposed in the paper, which provides optimised operational parameters (e.g. tail void grouting pressure and face support pressure) during the advancement of tunnel boring machines below vulnerable buildings, such that the risk of damage for existing buildings is minimised. For real-time applicability of this method two different types of Artificial Neural Networks in combination with the Proper Orthogonal Decomposition approach are generated as surrogate models of the finite element simulations. The surrogate models are finally linked and implemented into a user-friendly application, which can be used as an assistant tool to adjust the operational parameters of the tunnel boring machine at the construction site.

隧道引起的地面沉降可能会对位于隧道附近的建筑物造成破坏。当前，表面沉降和相关的建筑物损坏风险通常基于经验方程式进行估算，例如，通过假设沉降槽为高斯曲线，并应用极限拉伸应变法或基于倾斜的方法对预期建筑物损坏进行评估和分类。本文采用有限元模拟方法来预测隧道掘进过程中机械隧道的土-结构相互作用。通过两个独立的有限元模型计算建筑物外立面中的时变表面沉降场和相应的隧穿诱发应变。耦合这两个模型可以预测建筑物的预期损坏类别（鳕），给定隧道驱动器的运行参数。基于这种耦合方法，本文提出了一种方法，该方法可在易受破坏的建筑物下方推进隧道掘进机的过程中提供优化的运行参数（例如，尾部空隙灌浆压力和工作面支撑压力），从而可破坏现有建筑物被最小化。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。基于这种耦合方法，本文提出了一种方法，该方法可在易受破坏的建筑物下方推进隧道掘进机的过程中提供优化的运行参数（例如，尾部空隙灌浆压力和工作面支撑压力），从而可破坏现有建筑物被最小化。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。基于这种耦合方法，本文提出了一种方法，该方法可在易受破坏的建筑物下方推进隧道掘进机的过程中提供优化的运行参数（例如，尾部空隙灌浆压力和工作面支撑压力），从而可破坏现有建筑物被最小化。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。在隧道钻机在易受破坏的建筑物下方前进期间，它提供了优化的操作参数（例如，尾部空隙灌浆压力和面板支撑压力），从而使对现有建筑物的破坏风险降到最低。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。在隧道钻机在易受破坏的建筑物下方前进期间，它提供了优化的操作参数（例如，尾部空隙灌浆压力和面板支撑压力），从而使对现有建筑物的破坏风险降到最低。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。这样就可以将现有建筑物的损坏风险降到最低。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。这样就可以将现有建筑物的损坏风险降到最低。为了该方法的实时适用性，生成了两种不同类型的人工神经网络与适当的正交分解方法相结合，作为有限元模拟的替代模型。替代模型最终被链接并实现到一个用户友好的应用程序中，该应用程序可以用作辅助工具来调整施工现场隧道掘进机的运行参数。