天然粘土的剪切強度通常表現出異質性（Rowshanzamir和Askari，2010），通常隨深度線性增加。這種剪切強度的空間變化顯著影響地面的變形模式和隧道的臨界失效機制。因此，準確描述極限狀態下的失效行為對于確定失效區域的范圍、設計有效的支護措施以及確保上部結構的安全至關重要（Wilson等人，2013）。

由于其高效性和穩健性，極限分析方法已被廣泛應用于眾多研究。例如，Sloan和Assadi（1991）采用有限元極限分析（FELA）推導出粘土隧道穩定性的嚴格上下界解。Wilson等人（2011）進一步利用剛性塊上界方法和FELA，得到了與真實坍塌載荷相差5%以內的界限。Osman等人（2006）使用上界極限分析解析地識別了不排水粘土中的連續沉降失效機制。Huang等人（2019）提出了一種基于流線速度場的新型失效機制，闡明了隧道幾何形狀和土壤參數對非均勻粘土中失效區域的非線性影響。Bui等人（2025）提出了一種高階Chebyshev有限元框架，既保持了計算效率，又在復雜加載條件下有效緩解了單元體積鎖定問題，從而為不排水粘土中矩形隧道的穩定性提供了寶貴的見解。盡管現有的極限分析方法能夠提供嚴格的上下界穩定因子，但它們通常以能量耗散密度和速度場的形式描述失效機制。因此，對失效范圍和潛在滑移面的直觀和定量表征仍然有限。相比之下，帶有剛性平移移動元素的上界有限元法（UBRTME）將節點坐標和單元速度作為決策變量，并通過非線性編程動態調整速度不連續性的方向，從而獲得關鍵載荷的準確上界解并定量捕捉類網格失效機制（Yang等人，2024）。從UBRTME得到的類網格滑移線具有獨特且可量化的特征。計算完成后，可以明確獲得滑移面上任何點的坐標，這為失效機制演變的定量分析提供了可靠的數據支持。然而，UBRTME涉及非線性編程和每次細化分析中的重復網格更新，這對于大規模參數研究來說效率低下。這些限制強調了需要創新預測方法，以在保持高計算效率的同時捕捉復雜的失效機制。

近年來，機器學習（ML）作為一種解決復雜巖土問題的有前景的方法而出現，包括隧道穩定性預測（Keawsawasvong和Ukritchon，2022；Jitchaijaroen等人，2023；Nguyen-Minh等人，2024；La等人，2025）。在這些技術中，支持向量機、人工神經網絡、卷積神經網絡和長短期記憶網絡等模型已被廣泛使用。盡管各種先進的ML模型發展迅速，但由于其在靈活性和可解釋性方面的顯著優勢，ANN仍然特別有價值（Wang等人，2020；Lai等人，2023；Mustafa等人，2024）。特別是對于非均勻粘土中的隧道穩定性，ANN模型能夠有效捕捉復雜的非線性輸入-輸出映射，從而推導出可靠的關鍵載荷顯式預測公式，極大地促進了實際工程應用。Keawsawasvong和Ukritchon（2022）使用ANN基于Hoek–Brown準則預測了矩形巖石隧道的穩定性。Jearsiripongkul等人（2022）開發了一種基于ANN的驅動方法，用于預測粘性-摩擦土壤中無襯砌馬蹄形隧道的穩定性。Jitchaijaroen等人（2023）使用FELA、各向異性不排水剪切（AUS）模型和ANN評估了粘土中橢圓形隧道的穩定性。La等人（2025）采用上界極限分析（UBLA）方法與混合機器學習框架（RCGA–ANN）相結合，預測了超載作用下的隧道穩定性，從而填補了圓形和矩形隧道統一預測的研究空白。Nguyen-Minh等人（2025a）通過整合等幾何分析-上界（IGA-UB）與深度神經網絡（DNN）和多變量自適應回歸樣條（MARS）等軟計算技術，為粘性-摩擦土壤中的圓形隧道提出了封閉形式解。然而，這些研究主要集中在隧道穩定性的顯式預測上，而對隧道失效機制的準確表征關注較少。

為了解決上述限制，本研究將隧道關鍵滑移面的幾何預測集成到ANN框架中。這種方法將預測能力從穩定因子擴展到復雜失效機制的特性，同時確保了模型的準確性和可解釋性。本研究的主要創新可以總結如下：首先，基于UBRTME方法生成的類網格滑移線，提取關鍵滑移面的關鍵幾何特征，并構建了一個覆蓋滑移面演變規律的高保真度數據集。其次，利用ANN的強大非線性擬合能力，建立了隧道配置/巖土參數與關鍵滑移面形態之間的直接映射關系。此外，引入排列特征重要性（PFI）和Shapley加性解釋（SHAP）分析，系統地量化了每個輸入變量對隧道穩定性和主要滑移面演變的貢獻，從而提高了模型的可解釋性和實際工程應用價值。最后，基于模型的預測，使用三次B樣條曲線重建隧道的臨界滑移面，并利用Hausdorff距離量化重建過程中的誤差傳播。通過與Nguyen-Minh等人（2024）的先進IGA-UB結果的比較分析，嚴格驗證了所提出框架在預測復雜失效模式方面的穩健性和準確性。通過將先進的數值模擬與可解釋的機器學習相結合，本研究提出了一種可靠且可解釋的隧道穩定性和失效特性預測方法，證明了其在隧道設計中的準確性和實用性。