1.一种富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，包括以下步骤：S1、激光粒度仪实时监测：采用管路式在线激光粒度仪在线动态扫描确定富水砂卵石地层沉井式竖井掘进过程中的泥浆砂粒的体积浓度S砂-激光；在所述步骤S1中，管路式在线激光粒度仪串联在沉井泥浆主返浆管路直管段距离沉井井底2~5m处，管路式在线激光粒度仪通过0.075mm等效孔径筛分算法，实时扫描≥0.075mm砂粒的体积浓度S砂-激光，监测频次为1次/秒；

所述管路式在线激光粒度仪安装于沉井主返浆管路两个法兰之间，通过法兰开孔插入式探头，前端加装0.5mm过滤器用于避免大颗粒堵塞；

通过管路式在线激光粒度仪采集的砂粒的体积浓度S砂-激光数据实时生成砂粒浓度曲线及增速，当S砂-激光>5%且时，触发一级黄色预警，并同步启动步骤S2离线精准校准流程和S3井底观测窗可视化验证；

在所述步骤S1中同步监测泥浆流量，当含砂量升高而流量骤降并大于20%时，判断为管路堵塞前兆，从而避免误判为涌砂；

S2、离线精准校准：采用双出口采样器离线校核，计算获得真实砂粒占比计算S砂-真实，修正管路式在线激光粒度仪数据偏差；将S砂-真实与同期管路式在线激光粒度仪测量的实时浓度S砂-激光对比，计算偏差系数K=S砂-真实/S砂-激光；

当|K-1|>5%时，在管路式在线激光粒度仪数据分析软件中，增加黏土胶体吸附修正因子，降低因胶体附着导致的砂粒浓度虚高；

S3、井底观测窗可视化验证：在沉井井底安装观测窗，通过观测窗直观确认，通过机器学习算法自动统计砂粒数量，触发辅助验证信号；

S4、风险联动判别：当S砂-真实>5%且观测窗确认砂粒异常流动时，综合判定为涌水涌砂风险，自动启动应急注浆，同时调整泥浆密度至1.2~1.25g/cm3；

确定风险等级，S砂-真实>8%为高风险，5%

通过物联网平台集成传感器数据，采用BIM技术构建施工区域三维模型，实时映射监测参数；利用机器学习算法识别异常数据模式，自动触发分级预警，并同步推送至施工管理系统。

2.根据权利要求1所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，在所述步骤S2中，在泥浆主返浆管路的地面段安装自动取样阀，采用双出口采样器进行双样本采集，分别为过滤样本和原始样本。

3.根据权利要求2所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，所述双出口采样器设置两个出口，分别为出口A和出口B；

出口A为过滤通道，内部包括0.075mm滤网，通过出口A采集过滤样本-即输出砂粒样本，采集的过滤样本体积为100ml，通过0.075mm不锈钢滤网过滤＜0.075mm粉粒/黏粒，直接截留过滤样本中粒径≥0.075mm的砂粒，然后倒入量筒静置30min，测量沉淀体积V1，并用清水清洗2次去除黏土胶体，然后通过显微镜观测砂粒纯度；

出口B为原泥浆通道，内部无滤网，通过出口B采集原始样本-即输出原始样本，采集的原始样本体积为50ml，将采集的原始样本倒入蒸发皿，在105℃烘箱烘干至恒重，计算总固体质量m总；

根据过滤样本和原始样本测试数据按下式计算真实砂粒占比S砂-真实：

公式1

式中，为砂卵石地层勘察报告中的天然密度；

通过步骤S2每日校准2次，修正步骤S1管路式在线激光粒度仪数据偏差。

4.根据权利要求3所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，通过步骤S2获得的真实砂粒占比S砂-真实采用如下方法校准激光数据，修正黏土胶体干扰：将S砂-真实与同期管路式在线激光粒度仪测量的实时浓度S砂-激光对比，计算偏差系数K=S砂-真实/S砂-激光；

使用双出口采样器样本的纯净砂粒作为标准物质，定期校准激光设备的光散射参数，确保粒径筛分精度。

5.根据权利要求1所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，在所述步骤S3中，在沉井井底刃脚上方1.5m处设置直径300mm承压透明观测窗，外侧加装可拆卸防护格栅，配备1080P水下摄像头，搭配近红外补光；

所述承压透明观测窗安装于沉井井筒地下水的上游方位；

通过水下摄像头进行沉井井底泥浆砂含量可视化观测确认，分别进行人工观测和AI图像识别；

进行人工观测时，确保每班2次目视检查，若发现粒径在0.25mm以上砂粒定向流动且流速＞0.5m/s或清水夹带砂流，判定为地层失稳征兆；

进行AI图像识别时，通过机器学习算法自动统计画面中≥0.075mm 砂粒数量，当检测量＞10个/秒时，触发辅助验证信号。

6.根据权利要求5所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，在AI图像识别中，采用中值滤波或高斯滤波去除图像噪声，结合 Otsu 阈值分割分离泥浆背景与砂粒；采用 YOLOv5n 进行泥浆中砂颗粒图像识别，先对采集到的泥浆图像进行去噪、分割预处理操作，接着将预处理后的图像输入到已在包含不同泥浆浓度、光照条件下标注有粒径≥0.075mm 砂粒图像数据集上训练好的YOLOv5n模型中，模型通过特征提取、区域建议生成及边界框回归步骤，快速准确地识别出图像中砂颗粒的位置、大小，并输出每个砂颗粒的检测置信度，以此统计砂颗粒数量，为后续风险判定提供依据。

7.根据权利要求5所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，所述承压透明观测窗下方30cm处布置有DN50取样管。

8.根据权利要求1所述的富水砂卵石地层沉井式竖井掘进泥浆含砂量确定方法，其特征在于，所述S砂-真实的砂含量阈值在实际工程中通过试掘进试验确定，具体包括如下步骤：

1）确定正常挖掘泥浆砂含量，通过管路式在线激光粒度仪和双出口采样器对沉井式竖井掘进机在富水砂卵石地层内正常切削阶段进行数据采集，经数轮开挖周期，分别计算出正常切削过程中砂粒浓度的平均值和，通过加权平均的方法确定正常切削过程的泥浆砂含量，α为两种测试方法的权重，可以根据两种测量方法的精度和可靠性进行分配；

2）确定失稳涌入砂泥浆砂含量阈值，根据S砂-正常分别确定中风险泥浆砂含量阈值S砂-中=(2~5)S砂-正常和高风险泥浆砂含量阈值S砂-高=(5~10)S砂-正常。