機器學習方法在盾構隧道工程中的應用研究現狀與展望

陳湘生　曾仕琪　韓文龍　蘇棟

摘要：隨著盾構隧道工程信息化水平的提升，隧道掘進設備作業過程監測技術日益完善，記錄的工程數據蘊含了掘進設備內部信息及其與外部地層的相互作用關系。機器學習因其數據分析能力強，無需先驗的理論公式和專家知識，相較于傳統的建模統計分析方法具有更大的應用空間。通過機器學習方法對收集的信息與數據進行深度挖掘并分析其內在聯系，有助于提升盾構隧道工程建設的效率和安全保障水平。簡述機器學習方法的基本原理，總結和分析機器學習方法在盾構工程中的應用研究狀況，綜述基于機器學習的盾構設備狀態分析、盾構設備性能預測、圍巖參數反演、地表變形預測和隧道病害診斷等5個方面的進展，并分析當前研究的不足。最后，分析盾構隧道工程向智能化方向發展需重點攻克的難題。

關鍵詞：盾構隧道；機器學習；隧道施工；大數據；人工智能

中圖分類號：U455.43? ? ?文獻標志碼：A? ? ?文章編號：2096-6717（2024）01-0001-13

Review and prospect of machine learning method in shield tunnel construction

CHEN Xiangshenga，b，c， ZENG Shiqia， HAN Wenlonga， SU Donga，b，c

（a. College of Civil and Transportation Engineering; b. Key Laboratory for Resilient Infrastructures of Coastal Cities （MOE）; c. Shenzhen Key Laboratory of Green， Efficient and Intelligent Construction of Underground Metro Station， Shenzhen University， Shenzhen 518060， Guangdong， P. R. China）

Abstract： With the development of engineering information level and the monitoring technology in the field of shield tunnel， the recorded engineering data contains the internal information of tunneling equipment and its interaction with the external stratum. Machine learning has more application space than traditional modeling statistical analysis methods because of its strong data analysis ability and no requirement on prior theoretical formula and expert knowledge. Improving the efficiency and safety level of shield tunnel construction is helpful to deeply mine the collected information and data and analyze their internal relationship through machine learning method. This paper briefly describes the basic principle of machine learning methods， summarizes and analyzes its application in shield tunnel engineering. In particular， the progress on the equipment status analysis， shield performance prediction， geological parameters analysis， prediction of ground surface deformation and examination of tunnel hazard based on the machine learning method are summarized. Finally， the key problems to be solved so as to realize the intelligent shield tunnel engineering are analyzed and forecasted.

Keywords： shield tunnel； machine learning； tunnel construction； big data； artificial intelligence

隨著經濟水平的不斷發展，交通運輸需求日益增長，而隧道能有效利用地下空間、節約地面土地資源，在交通運輸基礎設施（包括鐵路、公路和城市軌道交通）建設中的比重越來越大。盾構工法因具有對地面影響小、掘進速度快、作業面安全等優勢，在隧道建設中被廣泛采用。隨著人工智能技術的涌現與發展，盾構隧道工程建設也從過去追求高速、機械化向高質量、智能化方向發展。

在“大數據”背景下，盾構隧道建設呈現出高容量數據存儲能力、高效實時數據處理能力和高強多源異構適應性的“三高”需求，機器學習（Machine Learning，ML）方法開始成為分析隧道工程建設“大數據”的新工具。機器學習的吸引力源自它獨特的信息處理能力，如具有非線性、高并行性及高容錯性的學習和泛化能力[1]。機器學習通過足量的樣本輸入對數據特征進行學習，再對數據進行回歸擬合分析，進而對具有相似模式的新輸入進行有效分析和預測[2]。自20世紀80年代初以來，就有學者嘗試使用機器學習相關方法來解決實際工程問題[3-4]，隨著相關研究成果的積累和技術的發展，機器學習算法已能在一定程度上提高盾構隧道工程的智能分析與決策水平，增強對掘進過程中設備狀態以及施工風險的預測與控制，促進地下空間工程向智能、安全、綠色方向發展[5]。

回顧并總結機器學習方法在盾構隧道工程中的設備狀態分析、盾構性能預測、地質參數研究、地表變形預測和隧道病害預測等5個方面的應用研究現狀，分析相關研究的進展和不足，并對機器學習方法在盾構隧道工程中的應用研究前景進行分析與展望，旨在推動機器學習方法在盾構隧道工程中的應用研究。

1 機器學習方法基本原理

基于人工智能的數據分析算法發展歷程如圖1所示。作為人工智能的核心，機器學習是一種通過先構建算法模型、再根據輸入數據自動解析數據內在聯系的技術，其可洞察輸入數據中的關聯關系，幫助使用者更好地做出預測并進行決策。隨著研究的深入，機器學習的研究者發現可以讓人工神經網絡（Artificial Neural Network，ANN）自行學習如何抓取數據的特征，這種方式尤其適用于文字、圖像和聲音等數據，于是演變出了一種新的機器學習方法——深度學習（Deep Learning，DL）。深度學習以人工神經網絡算法為基礎，根據學習過程中的樣本數據自適應地構建（訓練）出基本規則，極大地拓展了機器學習算法的智能性。如今，機器學習及相關算法憑借其智能特性被廣泛應用于數據挖掘、計算機視覺與圖像處理、預見性維護等領域。

機器學習的核心原理是通過輸入信息訓練計算機模仿人與動物“從經驗中學習成長”的天性，其基于直接從數據中“學習”信息的計算方法，而不依賴于預設的方程模型。當訓練樣本數量增加時，訓練出的模型性能相應提升，從而能更好地解決實際問題。機器學習算法可分為4種基本類型：監督學習（Supervised Learning，SL）、非監督學習（Unsupervised Learning，UL）、半監督學習（Semi-Supervised Learning，SSL）和強化學習（Reinforcement Learning，RL）[7]。

1）監督學習：通過人工預設的訓練特征和輸出結果來訓練模型，使模型具有預測未來輸出的能力[7]。常見的算法有：決策樹、人工神經網絡、支持向量機、樸素貝葉斯、隨機森林等。監督學習主要用于分類和回歸問題[8]。

2）非監督學習：從輸入信息中解析出隱藏在數據中的內在結構[9]。常見的算法有：聚類算法、降維算法等，主要用于解決聚類和降維問題。

3）半監督學習：將監督學習與非監督學習相結合的一種學習方法。一般半監督學習的目標是找到一個函數迎合（回歸任務），然后用分類任務的信息去優化回歸函數。

4）強化學習：訓練模型通過與輸入信息的反復交互來學習處理任務。這種學習方法使模型面對動態環境能夠做出一系列決策，從而使任務獎勵期望最大化。

機器學習模型的建立通常包含以下幾個步驟：收集數據、預處理數據和提取特征、訓練模型、調整模型[10]。

1）收集數據。收集數據的常見方法是運用信號處理或聚類技術來匯聚數據，如通過模擬仿真或傳感器測量獲得目標設備或系統的相關數據。

2）預處理數據和提取特征。在提取特征之前，大多數數據集都需要進行預處理，包括刪除異常值和異常趨勢、處理丟失的數據以及對數據進行歸一化。特征提取是機器學習最重要的步驟之一，它將原始數據轉變成適合機器學習算法的信息。特征提取消除了各類測量數據中的冗余現象，有助于學習階段的泛化，而泛化是避免對特定樣本過擬合的關鍵。

3）訓練模型。主要步驟包括選擇訓練和驗證的數據、選擇訓練的算法、反復訓練和評估分類模型。在盾構隧道工程中常用的模型有盾構設備狀態預測模型、地表沉降預測模型及隧道病害預測模型等。

4）調整模型。通過技術手段提高模型性能，常用方法包括調節模型參數、添加或修改訓練數據、變換或提取新特征。

盾構隧道工程中常使用的機器學習基本算法有人工神經網絡（Artificial Neural Network，ANN）、支持向量機（Support Vector Machine，SVM）、回歸樹（Regression Tree，RT）、隨機森林（Random Forests，RF）等，常使用的深度學習算法有卷積神經網絡（Convolutional Neural Networks，CNN）、循環神經網絡（Recurrent Neural Networks， RNN）、生成對抗網絡（Generative Adversarial Network，GAN）等。同時，以上算法與其他人工智能方法相結合并改進得到的復合人工智能方法可使機器學習模型有更高的準確率。

2 機器學習方法在盾構隧道工程中的應用研究現狀

在盾構掘進過程中，可以采集大量的數據資料，如圍巖參數、盾構狀態及施工數據等，部分數據能反映盾構掘進設備與周圍環境的相互作用規律。通過這些數據訓練得到的機器學習模型不僅有助于解決盾構工程中信息處理不足、集成化不足、分析水平差等問題，還能對工程相關信息進行匯總并解析其中的關聯性，從而對盾構隧道的設計、施工與運維發揮重要的作用。

基于機器學習的盾構工程管理應用是通過對盾構隧道建設中的相關工程數據進行整理存儲和分類關聯，基于不同機器學習方式進行分析，將所得分析模型形成相關數據庫，再使用編程軟件構建機器學習應用管理信息平臺（如圖2）。目前，機器學習方法在盾構隧道工程中的應用主要包括盾構設備狀態分析與掘進性能預測、地質參數反演與地表變形預測、隧道病害監測與預測等[11]。

2.1 基于機器學習的盾構設備狀態分析與掘進性能預測

盾構機的設備狀態和掘進性能對隧道建設的施工效率、質量和安全有著決定性影響，而機器學習方法在盾構掘進機運行情況識別與相關性能預測兩個方面具有較好的適應能力和較大的應用空間。

2.1.1 基于機器學習的盾構設備狀態分析

盾構機組成復雜，在施工過程中容易出現各種故障；且因其在地下空間挖掘前進，出現故障時排查異常困難。刀盤作為盾構機的主要組成部分，是盾構設備故障的主要來源。針對刀盤故障問題，研究人員重點研究了基于機器學習算法的刀盤故障診斷方法。Jin等[12]建立一個排除無效和異常數據的函數來識別盾構機運行狀態，開發了基于多算法優化的隧道掘進機刀盤扭矩實時預測方法。Guo等[13]提出了一種將多個稀疏自編碼器（Sparse Autoencoder，SA）與長短期記憶神經網絡（Long-Short Term Memory，LSTM）相結合的基于時間序列預測刀盤故障的方法。Mahmoodzadeh等[14]使用高斯過程回歸（Gaussian Process Regression，GPR）、支持向量機、決策樹和K近鄰（K-Nearest Neighbor，KNN）4種機器學習方法，基于實測數據來預測TBM刀具的壽命。Han等[15]提出了一種基于BP神經網絡（Back Propagation Neural Network，BPNN）的復雜機械設備故障預測模型。Elbaz等[16]將基于神經網絡的數據預處理方法與遺傳算法（Genetic Algorithm，GA）相結合，來預測刀具的壽命。Zou等[17]把盾構開挖參數輸入能自動檢索特征的算法中，然后將自動檢索出的特征輸出作為反向傳播網絡的輸入完成預測，從而對盾構機將出現的故障進行診斷。

由于隧道盾構機是實時運作，如果對監測數據分析只體現靜態關聯性，難以對實際工程進行管控指導。因此，需要對數據動態特征進行匯總解析，研究基于時序特征的狀態分析方法。Rumelhart等[18]在20世紀80年代以人工神經網絡結構為基礎提出了循環神經網絡（Recurrent Neural Network，RNN），循環神經網絡中的復式結構具有類似計算機內存的短時存儲功能，可利用這一特性來處理與時間變化相關的問題[19]，該方法近年也被應用于隧道掘進機故障診斷研究中。Gao等[20]基于盾構施工過程中采集得到的實際運行數據，采用循環神經網絡、長短期記憶神經網絡和門控循環單元網絡（Gated Recurrent Unit Networks，GRU）3種模型實時預測盾構運行參數和性能，結果表明，循環神經網絡模型的效果最好。Sun等[21]應用長短時網絡，將盾構機傳感器的時間序列數據作為初始數據來預測和診斷泥餅形成、刀具磨損、泥漿管堵塞和地面沉降等。Huang等[22]基于吉林松花江引水隧道數據，選擇與刀盤扭矩最密切相關的10個特征量作為輸入變量，提出了一種基于長短期記憶網絡的隧道掘進刀盤扭矩實時預測方法。Qin等[23]提出了一種結合卷積神經網絡和長短期記憶神經網絡來提取隱式特征和序列特征的方法，可根據設備運行狀態參數來預測盾構設備的刀盤扭矩。

盾構設備監測信息復雜、特征繁多，基于未調整的原始數據無法訓練出高精度的預測模型，因此，機器學習模型預測的準確率在很大程度上取決于數據預處理的效果。循環神經網絡對時序特征有著極強的學習能力，被廣泛應用于盾構設備狀態的分析中，但其存在訓練優化慢、計算能力需求大等不足，在盾構設備狀態分析與預測中仍有很大的拓展空間。

2.1.2 基于機器學習的盾構掘進性能預測

在盾構施工過程管理中，盾構機的推進速率、刀盤荷載及土倉壓力等性能指標對工期管理和成本把控具有重要意義。傳統研究主要通過理論模型、室內試驗和模擬仿真等預測盾構機的性能，但通常僅能分析某一方面的性能?；诂F場實測數據，運用回歸分析、模糊數學或者神經網絡等機器學習算法，可綜合分析盾構施工過程中的設備狀況、性能指標與圍巖參數的內在聯系等，從而達到較高的預測精度。

針對盾構的掘進效率問題，研究人員基于圍巖信息等數據，利用機器學習方法訓練掘進效率分析模型。Salimi等[24]對伊朗兩個硬巖隧道項目盾構工程現場監測數據進行分析，研果表明，支持向量機算法在盾構性能預測中具有較好的效果。Fattahi等[25]比較了支持向量回歸和差分進化算法（Differential Evolution Algorithm，DE）、人工蜂群算法（Artificial Bee Colony Algorithm，ABC）和重力搜索算法（Gravitational Search Algorithm，GSA）等算法對盾構性能預測精度的影響，發現不同算法的預測結果差異較小。Stypulkowski等[26]建立并評估了基于巖土參數與設備操作參數的盾構推進預測神經網絡回歸模型，發現相關數據有巨大預測潛力。Afradi等[27]使用人工神經網絡和支持向量機方法預測了伊朗Beheshtabad輸水隧道施工中的盾構掘進貫入度，研究結果表明，支持向量機的預測結果較人工神經網絡的結果更精確。Fattahi等[28]提出使用模擬退火算法（Simulated Annealing，SA）、螢火蟲算法（Firefly Algorithm，FA）、入侵雜草優化算法（Invasive Weed Optimization，IWO）和洗牌蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）等優化算法改進的人工神經網絡模型，提高了間接預測盾構推進效率算法的計算效率。Gao等[29]基于杭州第二水源工程輸水隧道監測數據，分別采用了長短期記憶神經網絡、循環神經元網絡和傳統的時間序列模型（Time series analysis，TSA）來預測盾構掘進貫入度，結果表明長短期記憶神經網絡的預測性能更好。

更多基于機器學習算法的盾構掘進性能預測研究和應用案例見表1。從表1可知，大多數學者主要基于地質數據進行掘進效率預測，部分學者也基于盾構機的工作參數，如轉速、功率、推力等指標進行研究，但參數相對較少。目前大多數研究選用小時作為研究時間單位，但其尺度過大，不足以反映盾構設備掘進的時間變化特性，影響了預測的精度。

現場采集數據的速度往往大于現有機器學習方法的分析速度，為解決這一問題，近年來計算能力更加高效的算法，如深度神經網絡（Deep Neural Network，DNN）[23，39]及動態回歸樹[40]等，也逐漸用于建立基于現場數據的機器學習預測模型。Yagiz等[41]應用人工神經網絡和非線性多元回歸模型（Multiple Nonlinear Regression Analysis，MNRA）來預測隧道掘進機的性能。Xu等[42]基于馬來西亞某隧道工程的現場監測和室內試驗數據，使用監督機器學習算法來預測隧道掘進效率。Armaghani等[43]基于馬來西亞彭亨—雪蘭莪排水隧道的實測數據對盾構推進速度進行了預測分析，結果表明，粒子群算法（Particle Swarm Optimization，PSO）與人工神經網絡相結合的模型預測性能更強。Feng等[44]基于中國東北地區引松供水隧道工程中采集到的數據，使用深度信念神經網絡（Deep Belief Neural Network，DBNN）對盾構掘進效率進行預測分析，結果表明深度信念神經網絡預測能力強、操作簡單。Mahdevari等[45]基于支持向量機，開發了一種新型回歸模型來預測硬巖條件下盾構機的掘進效率。Sun等[46]在圍巖勘察信息的基礎上，研究隧道掘進機的運行行為（尤其是動力行為），并采用隨機森林算法對其推進速度進行預測。Li等[47]基于盾構掘進過程中的監測數據，利用長短期記憶網絡對盾構機實時總推力和刀盤工作變化規律狀態進行提前預測，研究表明，這一方法比傳統理論模型有更好的預測能力。

研究人員也基于機器學習算法，對土倉/泥水壓力、姿態控制等性能指標進行預測研究。對于泥水平衡式盾構機[48]，泥水壓力是控制盾構隧道施工沉降與變形的關鍵。Wang等[49]先通過典型關聯分析法去除隧道工作面壓力監測信息中的噪聲，然后通過長短期記憶網絡對泥水平衡盾構機在含有泥巖的混合地層條件下的漿液壓力進行預測，保證了預測的精準度。Li等[50]采用循環神經網絡挖掘泥漿壓力和其他參數之間的復雜關系，預測施工過程中所需的泥漿壓力值，顯著提高了隧道掘進中泥漿系統的魯棒性。Zhou等[51]提出一種基于進化神經網絡的泥漿氣室壓力預測控制方法，以保證泥水平衡盾構隧道開挖面的穩定性。

在盾構姿態預測與控制方面，Zhou等[52]提出了基于小波變換噪聲濾波器、卷積神經網絡特征提取器和長短期記憶預測器的盾構隧道姿態和位置的預測框架，用于確定盾構機的姿態和位置。Wang等[53]建立了基于小波變換和雙向長短期記憶法的動態調節模型來預測盾構機前進速度和扭矩，研究結果表明，該模型具有較高的預測準確度。Wang等[54]針對盾構掘進過程中軸線姿態偏差難以準確預測和修正的問題，提出了一種基于盾構掘進數據驅動的軸線姿態偏差預測和修正方法。Zhang等[55]采用主成分分析法研究掘進輸入參數的相互關聯，并應用門控循環神經網絡算法實時預測盾構的掘進姿態。

以上研究表明，目前機器學習方法對盾構機關鍵性能（如掘進效率、土倉/泥水壓力、姿態調整等）預測的應用取得了一定的進展，多數預測模型輸入信息以地層勘察數據為主，以盾構掘進過程中的設備參數為輔。通常先進行不同輸入與預測結果的相關性分析，進而篩選出最具相關性的輸入特征，再將該特征導入合適的機器學習回歸算法訓練預測模型。

實際工程驗證表明，基于這一思路建立的預測模型比直接用非線性回歸算法訓練的預測模型的準確度更高。

2.2 基于機器學習的地質參數反演與地表變形預測

盾構掘進過程中的監測數據包含了地質工況及周邊環境的動態變化信息（如圖3），研究人員可通過相應機器學習方法構建模型，對盾構隧道工程地質信息進行反演識別，并對盾構掘進引起的地表變形進行預測。

2.2.1 基于機器學習的地質參數反演

盾構隧道等地下工程存在于地下巖土體中，巖土材料具有非均質、非連續、非線性等特點，傳統的勘察方法成本高，獲取的巖土參數信息有限，而理論和數值計算方法不能很好地解決盾構掘進擾動影響下的地層巖土參數問題[56]。機器學習算法可以利用施工過程的監測數據進行反演分析，計算地質體的實時“等效參數”[57]，成為解決相關問題的重要方法。Liang等[58]提出了一種基于模糊反向傳播神經網絡的新反向分析方法，并使用該方法由現場測量的位移來反演地下圍巖力學參數和初始應力。Suwansawat等[59]提出了基于人工神經網絡確定盾構掘進施工參數、地表變形和圍巖參數相關性的方法。郝哲等[60]提出了一種利用微分法和人工神經網絡方法相結合的反演巖體力學參數的方法，該方法先對訓練參數進行優化，再使用位移數據訓練人工神經網絡，從而對圍巖力學參數進行反演分析。高攀科等[61]針對一般BP神經網絡中部分數據有缺陷的情況，提出了一種基于改進BP神經網絡的軟弱巖石位移反分析方法。

在盾構掘進過程中，準確獲取掌子面地質信息有助于設置最佳盾構作業參數，使盾構機獲得更好的掘進效率。然而，由于盾構機的封閉性設計及較窄的作業面使操作人員無法直接觀察周圍環境，利用機器學習方法間接識別地質條件成為研究熱點之一。Yu等[62]為了充分利用所有收集到的現場數據來提高地質構造識別模型的性能，提出了一種新的約束密集卷積自編碼器和基于深度神經網絡的半監督學習方法。Zhang等[63]提出一種綜合程序來預測隧道掘進機的地質條件（即巖體類型），該程序基于盾構作業的4類數據，即刀盤速度、刀盤扭矩、推力和推進速率，采用層次平衡迭代歸約和聚類算法進行分析。Yang等[64]建立基于盾構機作業數據的地質條件自動預測模型，利用K聚類算法進行聚類分析，再根據地質數據識別地質類型。Erharter等[65]基于在建設中的布倫納隧道收集到的數據，對比了多層感知器和長短期記憶神經網絡在巖體特性自動分類中的性能表現，結果表明，長短期記憶神經網絡識別效果更貼合實際工況。Liu等[66]提出基于分類回歸樹和集成學習模型相結合的方法來預測圍巖分類，對松花江輸水隧道建設的監測數據進行分析，結果表明該混合方法的準確率較高。Kim等[67]提出一種具有6個隱藏層的深度神經網絡方法，基于盾構掘進過程中的監測數據對地質類型進行分析與分類。Shi等[68]用深度神經網絡方法與傳統數據挖掘方法分別對地質類型進行預測，結果表明，深度神經網絡方法可以更準確地估計開挖前的地質條件。Yu等[69]為充分利用盾構掘進過程中產生的海量未標注數據和有限標注數據，提出一種基于深度神經網絡半監督方法建立的巖體類型預測模型。Zhao等[70]提出了一種基于實時數據驅動的智能預測隧道地質條件的方法，該方法基于前饋多輸出人工神經網絡算法，預測結果優于常見的隨機森林、支持向量機等方法。

以上研究表明，基于機器學習方法的圍巖參數反演和地質識別在盾構隧道工程中有廣泛的應用前景。然而，目前反演的信息主要是地層的巖土類型與空間分布，能夠實現巖土類型與力學參數同時反演和預測的研究還有待進一步開展。

2.2.2 基于機器學習的地表變形預測

盾構機在施工過程中會與地層發生較強的相互作用（如圖4），對盾構掘進過程控制不當會導致地層產生較大變形，對周邊環境產生危害。因此，地表變形預測與控制是保證隧道掘進安全的重要措施之一。為減少盾構施工引起的地表變形及對周邊環境的負面影響，研究人員基于機器學習方法研究掘進參數與地表變形之間的內在關聯，以期達到實時精準預測地表變形的效果。

基于機器學習的地表變形預測研究中，孫鈞等[71]利用人工神經網絡技術研究了城市地鐵盾構隧道施工擾動引起的地表變形和沉降機理，建立的人工神經網絡模型可以準確預測工作面前方5 m的地表沉降。Suwansawat等[59]提出了一種基于人工神經網絡的方法預測地表沉降問題，該方法具有將輸入映射到輸出模式的能力，并將所有影響參數納入到地表沉降預測中。Kohestani等[72]對比了隨機森林方法和人工神經網絡方法預測盾構隧道引起的最大地表沉降，結果表明隨機森林預測精度更高。Pourtaghi等[73]為了最大限度地降低隧道開挖的風險，提出了一種基于小波網絡與人工神經網絡相結合的最大地表沉降預測方法。Zhang等[55]提出了基于隨機森林算法的土壓平衡盾構沉降智能控制方式，可以預測隧道施工引起的沉降，且在沉降超過容許值時優化盾構運行參數。Chen等[74]比較了回歸神經網絡和隨機森林及其他4種常見數據挖掘方法預測隧道引起沉降的效果，結果表明，6種機器學習算法中回歸神經網絡和隨機森林方法的表現最好。Cao等[75]提出了一種在小樣本情況下對地面沉降進行預測的深度學習模型，該方法通過長短記憶神經網絡對每個分量進行預測并疊加以獲得最終的預測結果。Zhang等[76]綜述了相關機器學習算法及其在地下工程中的應用，對比了包括極限梯度提升、多元自適應回歸樣條、人工神經網絡和支持向量機等算法在預測支撐開挖引起的最大側向變形的準確性。更多基于機器學習方法進行地層變形預測的研究參見表2。

通過對基于機器學習的地質參數反演和地表變形預測研究的綜述可知，盾構施工長期在復雜環境下進行，監測系統采集的數據大部分是相似的無特征信息。傳感器在施工現場不僅布設困難，而且容易受到現場施工作業影響（如設備損壞、丟失和供電中斷等問題），從而導致監控數據無效或缺失[77]。同時，大量標記無效的樣本數據會導致機器學習算法的訓練樣本數據不足，給地質參數反演和地表變形預測帶來困難。因此，采用在實驗室中的模擬工況下采集的實驗數據來訓練機器學習模型，對實驗數據與監測數據之間的數值及特征差異進行分析，再通過遷移學習技術來應用實驗數據訓練模型，在實測數據樣本不足的情況下，這是一種可行的修正預測模型的方法，但目前相關的成功案例還鮮見報道。

2.3 基于機器學習的隧道病害監測與預測

隧道健康狀態是隧道建設過程及后期運營階段的重要監測內容。目前，研究人員已經開展了基于機器學習算法的隧道病害監測研究，并通過分析隧道健康情況，建立了隧道病害預測模型，服務盾構隧道的管養。Cha等[84]利用深層結構卷積神經網絡自動學習圖像特征的能力，結合滑動窗口技術實現對混凝土裂縫的檢測識別。在探地雷達的信號處理方面，深度學習也發揮著巨大作用。Besaw等[85]利用深度信念網絡從探地雷達反射信號中提取出復雜數據的有效特征，提供了一種雷達數據異常檢測和分類的新方法。Makantasis等[86]采用卷積神經網絡分層構造高層次特征，實現隧道病害類型的自動識別。Chen等[87]基于東北地區引松供水盾構隧道工程的監測數據，開發與深度置信網絡相結合的時間序列預測方法，可預測隧道墻體的倒塌危害。

對于隧道運營期監測數據的處理，采用傳統機器學習方法的缺點在于需要手動定義目標的特征，對于復雜場景中的數據來說，目標的特征并不具體，很難定量描述。深度學習的發展改變了此現狀，它通過卷積神經網絡等算法進行特征提取，有效實現監測和檢測數據中異常信息的分類和位置信息的獲取。由于隧道襯砌結構病害特征的相似性以及結構的復雜性，在隧道襯砌檢測方面，目前用深度學習實現多種病害分類的相關研究較少。

3 機器學習方法在盾構隧道工程中的應用難點與發展方向

學者們在基于機器學習方法（如圖5）的盾構設備狀態分析與掘進性能預測、地質參數反演與地表變形預測、隧道病害監測與預測等方面（如圖6）取得了一定的研究成果，提升了盾構隧道工程的勘察、設計、施工與運營水平，但該方法仍有進一步研究和發展的空間，在實際工程中的普遍推廣也存在一些困難。

3.1 應用難點與不足

目前，機器學習方法在盾構隧道工程中應用的主要難點與不足主要表現在以下幾個方面。

1）機器學習的預測實用性因盾構工程實時采集信息能力不足而受限。實時監測數據能極大增強機器學習算法的即時預測能力，但盾構設備本身構造復雜，施工環境惡劣，隧道掘進過程中難以為大量監測儀器提供合適的安裝空間；盾構設備狹長且位于地層中，監測設備采集到的數據難以實時傳送到收集終端，這些因素都限制了機器學習預測方法的普及和推廣。

2）盾構隧道工程實測信息的數據模態、樣本類別、信息結構等特征差異大，現階段主要是通過數據類型轉化及人工修正等方式來進行數據歸一化，但處理過程需要大量的人工標注，主觀性大，可能會導致數據內部某些潛在特征被忽視。因此，需要深入挖掘數據背后的產生機制，識別異常樣本的特征，探明關鍵性因素并進行人工標注，但目前面向機器學習的多源異構數據處理方法還有待進一步研究。

3）相較于傳統的數值解析法或經驗公式法，基于盾構隧道工程實測數據的機器學習預測模型通常具有更高的擬合精度，但要達到高精度，需要耗費大量運算時間與計算能力進行模型訓練。因此，限制機器學習算法在盾構工程中大面積推廣應用的一大原因就是現場計算能力。在隧道掘進現場，由于數據采集或監測設備提供的平臺計算能力不足，難以滿足利用實測數據訓練機器學習算法的需求，因此，需探索與云計算或硬件加速等相結合的技術。

3.2 未來發展方向

機器學習方法是基于現有數據分析理論上的更高層次的分析方法，其在盾構隧道工程中的應用主要包括裝備運行狀態識別、關鍵參數關聯分析、刀具故障預測、地層參數識別等，相關研究可提高施工管理水平、減少盾構施工對鄰近環境的影響。隨著5G傳感、物聯網、云計算、北斗通信等新技術的快速迭代，盾構機實測數據的存儲數量和質量、實時性都將得到持續發展，這對機器學習方法來說是“如虎添翼”。然而，機器學習算法要真正達到在實際工程中廣泛應用的水平，未來還需在以下方面進行探索和發展。

1）海量多源數據的匯聚。不同廠家生產的隧道掘進機監控設備存在差異，采集的信息不同源且不兼容?？赏ㄟ^遠程服務器根據對應的端口協議匯總數據，以此集成不同工程、不同設備、不同隧道的監測信息，通過大數據訓練來增強機器學習模型的泛化能力，而這需打破現有數據的管理壁壘。

2）基于云計算和5G技術的機器學習算法開發。盾構隧道工程相關的機器學習模型訓練計算成本高，因此，現有大多數機器學習分析模型是采集數據后在實驗室平臺進行訓練。與云計算相結合的遠程訓練模式是滿足工地實時計算需求的可行途徑，即工地監測端負責數據匯總，上傳至云端進行機器學習訓練、優化、預測，再將結果返回至工地端。在云計算模式下，與5G無線通信技術相結合的機器學習算法是盾構工程需要探索的方向。

3）盾構隧道工程智能管控平臺構建。隨著盾構隧道掘進數據的不斷累積，以及智能算法能力的不斷提升，可以構建以機器學習方法為核心的盾構隧道工程智能管理模式和平臺（如圖7所示），逐步實現盾構隧道工程在設計、施工及運營環節的信息匯聚、智能決策和智能管控，促進隧道工程由信息化往智能化、自動化方向邁進。

4 結論

作為人工智能方法的重要組成部分，機器學習是工程信息化的重要發展方向。機器學習算法能夠深入挖掘盾構隧道監測大數據的隱含特征，為盾構裝備狀態識別與性能預測、地質識別與地表變形預測，隧道健康監測與預警等方面提供技術支持。筆者總結了當前機器學習技術在盾構隧道工程中應用研究的主要進展與不足，并結合當前實際技術水平展望后續應用研究的主要方向，以期為隧道工程智能化發展添磚加瓦。

參考文獻

[1]? JAIN A K， MAO J C， MOHIUDDIN K M. Artificial neural networks： A tutorial [J]. Computer， 1996， 29（3）： 31-44.

[2]?; JAVAD G， NARGES T. Application of artificial neural networks to the prediction of tunnel boring machine penetration rate [J]. Mining Science and Technology （China）， 2010， 20（5）： 727-733.

[3]? NEAUPANE K M， ADHIKARI N R. Prediction of tunneling-induced ground movement with the multi-layer perceptron [J]. Tunnelling and Underground Space Technology， 2006， 21（2）： 151-159.

[4]? ATTEWELL P， WOODMAN J P. Predicting the dynamics of ground settlement and its derivitives caused by tunnelling in soil [J]. Ground Engineering， 1982， 15（8）： 13-22.

[5]? 陳丹， 劉喆， 劉建友， 等. 鐵路盾構隧道智能建造技術現狀與展望[J]. 隧道建設（中英文）， 2021， 41（6）： 923-932.

CHEN D， LIU Z， LIU J Y， et al. State-of-art and prospects for intelligent construction technology for railway shield tunneling [J]. Tunnel Construction， 2021， 41（6）： 923-932. （in Chinese）

[6]? ZHANG W G， LI H R， LI Y Q， et al. Application of deep learning algorithms in geotechnical engineering： A short critical review [J]. Artificial Intelligence Review， 2021， 54（8）： 5633-5673.

[7]? 翟嘉琪， 楊希祥， 程玉強， 等. 機器學習在故障檢測與診斷領域應用綜述[J]. 計算機測量與控制， 2021， 29（3）： 1-9.

ZHAI J Q， YANG X X， CHENG Y Q， et al. Overview of application of fault detection and diagnosis based on machine learning [J]. Computer Measurement ＆ Control， 2021， 29（3）： 1-9. （in Chinese）

[8]? 李杰其， 胡良兵. 基于機器學習的設備預測性維護方法綜述[J]. 計算機工程與應用， 2020， 56（21）： 11-19.

LI J Q， HU L B. Review of machine learning for predictive maintenance [J]. Computer Engineering and Applications， 2020， 56（21）： 11-19. （in Chinese）

[9]? 施清清， 周伯儒， 倪申. 基于機器學習的空調系統管路焊堵自動檢測研究[J]. 計量與測試技術， 2019， 46（4）： 31-33.

SHI Q Q， ZHOU B R， NI S. Research on automatic detection of pipeline welding blockage in air conditioning system based on machine learning [J]. Metrology ＆ Measurement Technique， 2019， 46（4）： 31-33. （in Chinese）

[10]? GOMES SOARES S， ARAúJO R. An on-line weighted ensemble of regressor models to handle concept drifts [J]. Engineering Applications of Artificial Intelligence， 2015， 37： 392-406.

[11]? 孫振川， 錢彤途， 任穎瑩， 等. 隧道掘進機工程大數據管理平臺關鍵技術及應用研究[J]. 隧道建設（中英文）， 2020， 40（6）： 783-792.

SUN Z C， QIAN T T， REN Y Y， et al. Study on key technologies and application of engineering big data management platform of tunnel boring machine [J]. Tunnel Construction， 2020， 40（6）： 783-792. （in Chinese）

[12]? JIN Y R， QIN C J， TAO J F， et al. An accurate and adaptative cutterhead torque prediction method for shield tunneling machines via adaptative residual long-short term memory network [J]. Mechanical Systems and Signal Processing， 2022， 165： 108312.

[13]? GUO J W， LAO Z P， HOU M， et al. Mechanical fault time series prediction by using EFMSAE-LSTM neural network [J]. Measurement， 2021， 173： 108566.

[14]? MAHMOODZADEH A， MOHAMMADI M， HASHIM IBRAHIM H， et al. Machine learning forecasting models of disc cutters life of tunnel boring machine [J]. Automation in Construction， 2021， 128： 103779.

[15]? HAN H， GAO X. Fault prediction of shield machine based on rough set and BP neural network [C]//2017 4th International Conference on Information Science and Control Engineering （ICISCE）. July 21-23， 2017， Changsha， China. IEEE， 2017： 994-998.

[16]? ELBAZ K， SHEN S L， ZHOU A N， et al. Prediction of disc cutter life during shield tunneling with AI via the incorporation of a genetic algorithm into a GMDH-type neural network [J]. Engineering， 2021， 7（2）： 238-251.

[17]? ZOU L， LIANG L. Fault diagnosis of shield machine based on SOM-BP neural network fusion [C]//2018 International Conference on Sensing， Diagnostics， Prognostics， and Control （SDPC）. August 15-17， 2018， Xi'an， China. IEEE， 2018： 232-237.

[18]? RUMELHART D E ， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors [J]. Nature， 1986， 323（6088）： 533-536.

[19]? ZHANG L， YI Z. Selectable and unselectable sets of neurons in recurrent neural networks with saturated piecewise linear transfer function [J]. IEEE Transactions on Neural Networks， 2011， 22（7）： 1021-1031.

[20]? GAO X J， SHI M L， SONG X G， et al. Recurrent neural networks for real-time prediction of TBM operating parameters [J]. Automation in Construction， 2019， 98： 225-235.

[21]? SUN Z H， ZHENG H Y， SHI B H. Faults prediction and diagnoses of shield machine based on LSTM [C]//2019 Chinese Control and Decision Conference （CCDC）. June 3-5， 2019， Nanchang， China. IEEE， 2019： 5254-5259.

[22]? HUANG X， ZHANG Q T， LIU Q S， et al. A real-time prediction method for tunnel boring machine cutter-head torque using bidirectional long short-term memory networks optimized by multi-algorithm [J]. Journal of Rock Mechanics and Geotechnical Engineering， 2022， 14（3）： 798-812.

[23]? QIN C J， SHI G， TAO J F， et al. Precise cutterhead torque prediction for shield tunneling machines using a novel hybrid deep neural network [J]. Mechanical Systems and Signal Processing， 2021， 151： 107386.

[24]? SALIMI A， ROSTAMI J， MOORMANN C， et al. Application of non-linear regression analysis and artificial intelligence algorithms for performance prediction of hard rock TBMs [J]. Tunnelling and Underground Space Technology， 2016， 58： 236-246.

[25]? FATTAHI H， BABANOURI N. Applying optimized support vector regression models for prediction of tunnel boring machine performance [J]. Geotechnical and Geological Engineering， 2017， 35（5）： 2205-2217.

[26]? STYPULKOWSKI J B， BERNARDEAU F G， JAKUBOWSKI J. Descriptive statistical analysis of TBM performance at Abu Hamour Tunnel Phase I [J]. Arabian Journal of Geosciences， 2018， 11（9）： 1-11.

[27]? AFRADI A， EBRAHIMABADI A， HALLAJIAN T. Prediction of the penetration rate and number of consumed disc cutters of tunnel boring machines （TBMs） using artificial neural network （ANN） and support vector machine （SVM）—Case study： Beheshtabad water conveyance tunnel in Iran [J]. Asian Journal of Water， Environment and Pollution， 2019， 16（1）： 49-57.

[28]? FATTAHI H， BAZDAR H. Applying improved artificial neural network models to evaluate drilling rate index [J]. Tunnelling and Underground Space Technology， 2017， 70： 114-124.

[29]? GAO B Y， WANG R R， LIN C J， et al. TBM penetration rate prediction based on the long short-term memory neural network [J]. Underground Space， 2021， 6（6）： 718-731.

[30]? FATTAHI H. Adaptive neuro fuzzy inference system based on fuzzy c-means clustering algorithm， a technique for estimation of TBM penetration rate [J]. Iran University of Science & Technology， 2016， 6： 159-171.

[31]? ARMAGHANI D J， MOHAMAD E T， NARAYANASAMY M S， et al. Development of hybrid intelligent models for predicting TBM penetration rate in hard rock condition [J]. Tunnelling and Underground Space Technology， 2017， 63： 29-43.

[32]? SAMAEI M， RANJBARNIA M， NOURANI V， et al. Performance prediction of tunnel boring machine through developing high accuracy equations： A case study in adverse geological condition [J]. Measurement， 2020， 152： 107244.

[33]? EFTEKHARI M， BAGHBANAN A， BAYATI M. Predicting penetration rate of a tunnel boring machine using artificial neural network [C]//Isrm International Symposium-6th Asian Rock Mechanics Symposium： Onepetro， 2010.

[34]? ORAEE K， KHORAMI M， HOSSEINI N. Prediction of the penetration rate of TBM using adaptive neuro fuzzy inference system （ANFIS） [C]//Proceeding of Sme Annual Meeting and Exhibit， 2012： 297-302.

[35]? TORABI S R， SHIRAZI H， HAJALI H， et al. Study of the influence of geotechnical parameters on the TBM performance in Tehran-Shomal highway project using ANN and SPSS [J]. Arabian Journal of Geosciences， 2013， 6（4）： 1215-1227.

[36]? SHAO C J， LI X L， SU H Y. Performance prediction of hard rock TBM based on extreme learning machine [M]//Intelligent Robotics and Applications. Berlin， Heidelberg： Springer， 2013： 409-416.

[37]? MARTINS F F， MIRANDA T. Prediction of hard rock TBM penetration rate based on data mining techniques [C]//Proceedings of the 18th International Conference on Soil Mechanics and Geotechnical Engineering， Paris， 2013， 2： 1751-1754.

[38]? PHAM H V， YUJI F， KAMEI K. Hybrid artificial neural networks for TBM performance prediction in complex underground conditions [C]//2011 IEEE/SICE International Symposium on System Integration （SII）. December 20-22， 2011， Kyoto， Japan. IEEE， 2011： 1149-1154.

[39]? KOOPIALIPOOR M， TOOTOONCHI H， JAHED ARMAGHANI D， et al. Application of deep neural networks in predicting the penetration rate of tunnel boring machines [J]. Bulletin of Engineering Geology and the Environment， 2019， 78（8）： 6347-6360.

[40]? SALIMI A， FARADONBEH R S， MONJEZI M， et al. TBM performance estimation using a classification and regression tree （CART） technique [J]. Bulletin of Engineering Geology and the Environment， 2018， 77（1）： 429-440.

[41]? YAGIZ S， GOKCEOGLU C， SEZER E， et al. Application of two non-linear prediction tools to the estimation of tunnel boring machine performance [J]. Engineering Applications of Artificial Intelligence， 2009， 22（4/5）： 808-814.

[42]? XU H， ZHOU J， ASTERIS P G， et al. Supervised machine learning techniques to the prediction of tunnel boring machine penetration rate [J]. Applied Sciences， 2019， 9（18）： 3715.

[43]? ARMAGHANI D J， KOOPIALIPOOR M， MARTO A， et al. Application of several optimization techniques for estimating TBM advance rate in granitic rocks [J]. Journal of Rock Mechanics and Geotechnical Engineering， 2019， 11（4）： 779-789.

[44]? FENG S X， CHEN Z Y， LUO H， et al. Tunnel boring machines （TBM） performance prediction： A case study using big data and deep learning [J]. Tunnelling and Underground Space Technology， 2021， 110： 103636.

[45]? MAHDEVARI S， SHAHRIAR K， YAGIZ S， et al. A support vector regression model for predicting tunnel boring machine penetration rates [J]. International Journal of Rock Mechanics and Mining Sciences， 2014， 72： 214-229.

[46]? SUN W， SHI M L， ZHANG C， et al. Dynamic load prediction of tunnel boring machine （TBM） based on heterogeneous in-situ data [J]. Automation in Construction， 2018， 92： 23-34.

[47]? LI J H， LI P X， GUO D， et al. Advanced prediction of tunnel boring machine performance based on big data [J]. Geoscience Frontiers， 2021， 12（1）： 331-338.

[48]? 王瀟. 盾構施工噴涌及地表變形的預警預測方法研究[D]. 北京： 北京交通大學， 2020.

WANG X. Research on method of pre-warning and prediction for spewing and ground surface movements in shield construction [D]. Beijing： Beijing Jiaotong University， 2020. （in Chinese）

[49]? WANG Q， XIE X Y， SHAHROUR I， et al. Use of deep learning， denoising technic and cross-correlation analysis for the prediction of the shield machine slurry pressure in mixed ground conditions [J]. Automation in Construction， 2021， 128： 103741.

[50]? LI X F， GONG G F. Predictive control of slurry pressure balance in shield tunneling using diagonal recurrent neural network and evolved particle swarm optimization [J]. Automation in Construction， 2019， 107： 102928.

[51]? ZHOU C， DING L Y， HE R. PSO-based Elman neural network model for predictive control of air chamber pressure in slurry shield tunneling under Yangtze River [J]. Automation in Construction， 2013， 36： 208-217.

[52]? ZHOU C， XU H C， DING L Y， et al. Dynamic prediction for attitude and position in shield tunneling： A deep learning method [J]. Automation in Construction， 2019， 105： 102840.

[53]? WANG R H， LI D Q， CHEN E J， et al. Dynamic prediction of mechanized shield tunneling performance [J]. Automation in Construction， 2021， 132： 103958.

[54]? WANG P， KONG X G， GUO Z K， et al. Prediction of axis attitude deviation and deviation correction method based on data driven during shield tunneling [J]. IEEE Access， 7： 163487-163501.

[55]? ZHANG P， CHEN R P， WU H N. Real-time analysis and regulation of EPB shield steering using random forest [J]. Automation in Construction， 2019， 106： 102860.

[56]? 劉靖. 小仟隧道圍巖參數智能反分析及施工應用研究[D]. 北京： 北京交通大學， 2018.

LIU J. Research on intelligent back analysis of rock parameters and construction application of Xiao Qian tunnel [D]. Beijing： Beijing Jiaotong University， 2018. （in Chinese）

[57]? 韓小川. 夏村隧道施工監控量測與圍巖參數位移反分析[D]. 南昌： 南昌工程學院， 2015.

HAN X C. Xiacun tunnel construction monitoring and back analysis of rock parameters from measured displacements [D]. Nanchang： Nanchang Institute of Technology， 2015. （in Chinese）

[58]? LIANG Y C， FENG D P， LIU G R， et al. Neural identification of rock parameters using fuzzy adaptive learning parameters [J]. Computers & Structures， 2003， 81（24/25）： 2373-2382.

[59]? SUWANSAWAT S， EINSTEIN H H. Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling [J]. Tunnelling and Underground Space Technology， 2006， 21（2）： 133-150.

[60]? 郝哲， 劉斌. 基于差分法及神經網絡的硐室圍巖力學參數反分析[J]. 巖土力學， 2003， 24（Sup2）： 77-80.

HAO Z， LIU B. Back analysis of mechanics parameters of rocks surrounding openings on the basis of calculus of difference and neural network [J]. Rock and Soil Mechanics， 2003， 24（Sup2）： 77-80. （in Chinese）

[61]? 高攀科， 謝永利. 隧道軟弱圍巖的改進BP神經網絡位移反分析[J]. 鄭州大學學報（工學版）， 2013， 34（1）： 23-26.

GAO P K， XIE Y L. Displacement back analysis of tunnels in soft and weak rocks based on improved BP neural network method [J]. Journal of Zhengzhou University （Engineering Science）， 2013， 34（1）： 23-26. （in Chinese）

[62]? YU H G， TAO J F， QIN C J， et al. A novel constrained dense convolutional autoencoder and DNN-based semi-supervised method for shield machine tunnel geological formation recognition [J]. Mechanical Systems and Signal Processing， 2022， 165： 108353.

[63]? ZHANG Q L， LIU Z Y， TAN J R. Prediction of geological conditions for a tunnel boring machine using big operational data [J]. Automation in Construction， 2019， 100： 73-83.

[64]? YANG H Q， SONG K L， ZHOU J Y. Automated recognition model of geomechanical information based on operational data of tunneling boring machines [J]. Rock Mechanics and Rock Engineering， 2022， 55（3）： 1499-1516.

[65]? ERHARTER G H， MARCHER T， REINHOLD C. Rock mechanics for natural resources and infrastructure development [M]： CRC Press， 2019： 2426-2432.

[66]? LIU Q S， WANG X Y， HUANG X， et al. Prediction model of rock mass class using classification and regression tree integrated AdaBoost algorithm based on TBM driving data [J]. Tunnelling and Underground Space Technology， 2020， 106： 103595.

[67]? KIM T H， KWAK N S， KIM T K， et al. A TBM data-based ground prediction using deep neural network [J]. Journal of Korean Tunnelling and Underground Space Association， 2021， 23（1）： 13-24.

[68]? SHI M L， SUN W， ZHANG T C， et al. Geology prediction based on operation data of TBM： Comparison between deep neural network and soft computing methods [C]//2019 1st International Conference on Industrial Artificial Intelligence （IAI）. July 23-27， 2019， Shenyang， China. IEEE， 2019： 1-5.

[69]? YU H G， TAO J F， QIN C J， et al. Rock mass type prediction for tunnel boring machine using a novel semi-supervised method [J]. Measurement， 2021， 179： 109545.

[70]? ZHAO J H， SHI M L， HU G， et al. A data-driven framework for tunnel geological-type prediction based on TBM operating data [J]. IEEE Access， 2019， 7： 66703-66713.

[71]? 孫鈞， 袁金榮. 盾構施工擾動與地層移動及其智能神經網絡預測[J]. 巖土工程學報， 2001， 23（3）： 261-267.

SUN J， YUAN J R. Soil disturbance and ground movement under shield tunnelling and its intelligent prediction by using ANN technology [J]. Chinese Journal of Geotechnical Engineering， 2001， 23（3）： 261-267. （in Chinese）

[72]? KOHESTANI V R， BAZARGAN-LARI M R， MARNANI J A. Prediction of maximum surface settlement caused by earth pressure balance shield tunneling using random forest [J]. Journal of AI and Data Mining， 2017， 5： 127-135.

[73]? POURTAGHI A， LOTFOLLAHI-YAGHIN M A. Wavenet ability assessment in comparison to ANN for predicting the maximum surface settlement caused by tunneling [J]. Tunnelling and Underground Space Technology， 2012， 28： 257-271.

[74]? CHEN R P， ZHANG P， WU H N， et al. Prediction of shield tunneling-induced ground settlement using machine learning techniques [J]. Frontiers of Structural and Civil Engineering， 2019， 13（6）： 1363-1378.

[75]? CAO Y， ZHOU X K， YAN K. Deep learning neural network model for tunnel ground surface settlement prediction based on sensor data [J]. Mathematical Problems in Engineering， 2021， 2021： 9488892.

[76]? ZHANG W G， ZHANG R H， WU C Z， et al. State-of-the-art review of soft computing applications in underground excavations [J]. Geoscience Frontiers， 2020， 11（4）： 1095-1106.

[77]? 趙勇， 王敏， 高文旗， 等. 分布式光纖傳感新技術在盾構隧道結構變形監測中的應用[J]. 公路， 2017， 62（7）： 326-329.

ZHAO Y， WANG M， GAO W Q， et al. Application of distributed optical fiber sensing technology in deformation monitoring of shield tunnel [J]. Highway， 2017， 62（7）： 326-329. （in Chinese）

[78]? OCAK I， SEKER S E. Calculation of surface settlements caused by EPBM tunneling using artificial neural network， SVM， and Gaussian processes [J]. Environmental Earth Sciences， 2013， 70（3）： 1263-1276.

[79]? WANG F， GOU B C， QIN Y W. Modeling tunneling-induced ground surface settlement development using a wavelet smooth relevance vector machine [J]. Computers and Geotechnics， 2013， 54： 125-132.

[80]? HASANIPANAH M， NOORIAN-BIDGOLI M， JAHED ARMAGHANI D， et al. Feasibility of PSO-ANN model for predicting surface settlement caused by tunneling [J]. Engineering with Computers， 2016， 32（4）： 705-715.

[81]? GOH A T C， ZHANG W G， ZHANG Y M， et al. Determination of earth pressure balance tunnel-related maximum surface settlement： A multivariate adaptive regression splines approach [J]. Bulletin of Engineering Geology and the Environment， 2018， 77（2）： 489-500.

[82]? MAHMOODZADEH A， MOHAMMADI M， DARAEI A， et al. Forecasting maximum surface settlement caused by urban tunneling [J]. Automation in Construction， 2020， 120： 103375.

[83]? ZHANG K， LYU H M， SHEN S L， et al. Evolutionary hybrid neural network approach to predict shield tunneling-induced ground settlements [J]. Tunnelling and Underground Space Technology， 2020， 106： 103594.

[84]? CHA Y J， CHOI W， BüYüK?ZTüRK O. Deep learning-based crack damage detection using convolutional neural networks [J]. Computer-Aided Civil and Infrastructure Engineering， 2017， 32（5）： 361-378.

[85]? BESAW L E， STIMAC P J. Deep learning algorithms for detecting explosive hazards in ground penetrating radar data [C]//SPIE Defense + Security. Proc SPIE 9072， Detection and Sensing of Mines， Explosive Objects， and Obscured Targets XIX， Baltimore， Maryland， USA. 2014， 9072： 224-234.

[86]? MAKANTASIS K， PROTOPAPADAKIS E， DOULAMIS A， et al. Deep convolutional neural networks for efficient vision based tunnel inspection [C]//2015 IEEE International Conference on Intelligent Computer Communication and Processing. September 3-5， 2015， Cluj-Napoca， Romania. IEEE， 2015： 335-342.

[87]? CHEN Z Y， ZHANG Y P， LI J B， et al. Diagnosing tunnel collapse sections based on TBM tunneling big data and deep learning： a case study on the Yinsong Project， China [J]. Tunnelling and Underground Space Technology， 2021， 108： 103700.

（編輯? 胡英奎）

收稿日期：2021?12?31

基金項目：深圳市自然科學基金（JCYJ20210324094607020）；國家自然科學基金（51938008）；廣東省重點領域研發計劃（2019B111105001）

作者簡介：陳湘生（1956- ），男，教授，博士生導師，中國工程院院士，主要從事隧道及地下工程研究，E-mail：xschen@szu.edu.cn。

通信作者：蘇棟（通信作者），男，教授，博士生導師，E-mail：sudong@szu.edu.cn。

Received： 2021?12?31

Foundation items： Natural Science Foundation of Shenzhen （No. JCYJ20210324094607020）; National Natural Science Foundation of China （No. 51938008）; Key Research and Development Project of Guangdong Province （No. 2019B111105001）

Author brief： CHEN Xiangsheng （1956- ）， professor， doctorial supervisor， member of the Chinese Academy of Engineering， main research interests： tunneling and underground engineering， E-mail： xschen@szu.edu.cn.

corresponding author：SU Dong （corresponding author）， professor， doctorial supervisor， E-mail： sudong@szu.edu.cn.