機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究現(xiàn)狀與展望

陳湘生　曾仕琪　韓文龍　蘇棟

摘要：隨著盾構(gòu)隧道工程信息化水平的提升，隧道掘進(jìn)設(shè)備作業(yè)過程監(jiān)測(cè)技術(shù)日益完善，記錄的工程數(shù)據(jù)蘊(yùn)含了掘進(jìn)設(shè)備內(nèi)部信息及其與外部地層的相互作用關(guān)系。機(jī)器學(xué)習(xí)因其數(shù)據(jù)分析能力強(qiáng)，無(wú)需先驗(yàn)的理論公式和專家知識(shí)，相較于傳統(tǒng)的建模統(tǒng)計(jì)分析方法具有更大的應(yīng)用空間。通過機(jī)器學(xué)習(xí)方法對(duì)收集的信息與數(shù)據(jù)進(jìn)行深度挖掘并分析其內(nèi)在聯(lián)系，有助于提升盾構(gòu)隧道工程建設(shè)的效率和安全保障水平。簡(jiǎn)述機(jī)器學(xué)習(xí)方法的基本原理，總結(jié)和分析機(jī)器學(xué)習(xí)方法在盾構(gòu)工程中的應(yīng)用研究狀況，綜述基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析、盾構(gòu)設(shè)備性能預(yù)測(cè)、圍巖參數(shù)反演、地表變形預(yù)測(cè)和隧道病害診斷等5個(gè)方面的進(jìn)展，并分析當(dāng)前研究的不足。最后，分析盾構(gòu)隧道工程向智能化方向發(fā)展需重點(diǎn)攻克的難題。

關(guān)鍵詞：盾構(gòu)隧道；機(jī)器學(xué)習(xí)；隧道施工；大數(shù)據(jù)；人工智能

中圖分類號(hào)：U455.43? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：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(jīng)濟(jì)水平的不斷發(fā)展，交通運(yùn)輸需求日益增長(zhǎng)，而隧道能有效利用地下空間、節(jié)約地面土地資源，在交通運(yùn)輸基礎(chǔ)設(shè)施（包括鐵路、公路和城市軌道交通）建設(shè)中的比重越來(lái)越大。盾構(gòu)工法因具有對(duì)地面影響小、掘進(jìn)速度快、作業(yè)面安全等優(yōu)勢(shì)，在隧道建設(shè)中被廣泛采用。隨著人工智能技術(shù)的涌現(xiàn)與發(fā)展，盾構(gòu)隧道工程建設(shè)也從過去追求高速、機(jī)械化向高質(zhì)量、智能化方向發(fā)展。

在“大數(shù)據(jù)”背景下，盾構(gòu)隧道建設(shè)呈現(xiàn)出高容量數(shù)據(jù)存儲(chǔ)能力、高效實(shí)時(shí)數(shù)據(jù)處理能力和高強(qiáng)多源異構(gòu)適應(yīng)性的“三高”需求，機(jī)器學(xué)習(xí)（Machine Learning，ML）方法開始成為分析隧道工程建設(shè)“大數(shù)據(jù)”的新工具。機(jī)器學(xué)習(xí)的吸引力源自它獨(dú)特的信息處理能力，如具有非線性、高并行性及高容錯(cuò)性的學(xué)習(xí)和泛化能力[1]。機(jī)器學(xué)習(xí)通過足量的樣本輸入對(duì)數(shù)據(jù)特征進(jìn)行學(xué)習(xí)，再對(duì)數(shù)據(jù)進(jìn)行回歸擬合分析，進(jìn)而對(duì)具有相似模式的新輸入進(jìn)行有效分析和預(yù)測(cè)[2]。自20世紀(jì)80年代初以來(lái)，就有學(xué)者嘗試使用機(jī)器學(xué)習(xí)相關(guān)方法來(lái)解決實(shí)際工程問題[3-4]，隨著相關(guān)研究成果的積累和技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)算法已能在一定程度上提高盾構(gòu)隧道工程的智能分析與決策水平，增強(qiáng)對(duì)掘進(jìn)過程中設(shè)備狀態(tài)以及施工風(fēng)險(xiǎn)的預(yù)測(cè)與控制，促進(jìn)地下空間工程向智能、安全、綠色方向發(fā)展[5]。

回顧并總結(jié)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的設(shè)備狀態(tài)分析、盾構(gòu)性能預(yù)測(cè)、地質(zhì)參數(shù)研究、地表變形預(yù)測(cè)和隧道病害預(yù)測(cè)等5個(gè)方面的應(yīng)用研究現(xiàn)狀，分析相關(guān)研究的進(jìn)展和不足，并對(duì)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究前景進(jìn)行分析與展望，旨在推動(dòng)機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究。

1 機(jī)器學(xué)習(xí)方法基本原理

基于人工智能的數(shù)據(jù)分析算法發(fā)展歷程如圖1所示。作為人工智能的核心，機(jī)器學(xué)習(xí)是一種通過先構(gòu)建算法模型、再根據(jù)輸入數(shù)據(jù)自動(dòng)解析數(shù)據(jù)內(nèi)在聯(lián)系的技術(shù)，其可洞察輸入數(shù)據(jù)中的關(guān)聯(lián)關(guān)系，幫助使用者更好地做出預(yù)測(cè)并進(jìn)行決策。隨著研究的深入，機(jī)器學(xué)習(xí)的研究者發(fā)現(xiàn)可以讓人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）自行學(xué)習(xí)如何抓取數(shù)據(jù)的特征，這種方式尤其適用于文字、圖像和聲音等數(shù)據(jù)，于是演變出了一種新的機(jī)器學(xué)習(xí)方法——深度學(xué)習(xí)（Deep Learning，DL）。深度學(xué)習(xí)以人工神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，根據(jù)學(xué)習(xí)過程中的樣本數(shù)據(jù)自適應(yīng)地構(gòu)建（訓(xùn)練）出基本規(guī)則，極大地拓展了機(jī)器學(xué)習(xí)算法的智能性。如今，機(jī)器學(xué)習(xí)及相關(guān)算法憑借其智能特性被廣泛應(yīng)用于數(shù)據(jù)挖掘、計(jì)算機(jī)視覺與圖像處理、預(yù)見性維護(hù)等領(lǐng)域。

機(jī)器學(xué)習(xí)的核心原理是通過輸入信息訓(xùn)練計(jì)算機(jī)模仿人與動(dòng)物“從經(jīng)驗(yàn)中學(xué)習(xí)成長(zhǎng)”的天性，其基于直接從數(shù)據(jù)中“學(xué)習(xí)”信息的計(jì)算方法，而不依賴于預(yù)設(shè)的方程模型。當(dāng)訓(xùn)練樣本數(shù)量增加時(shí)，訓(xùn)練出的模型性能相應(yīng)提升，從而能更好地解決實(shí)際問題。機(jī)器學(xué)習(xí)算法可分為4種基本類型：監(jiān)督學(xué)習(xí)（Supervised Learning，SL）、非監(jiān)督學(xué)習(xí)（Unsupervised Learning，UL）、半監(jiān)督學(xué)習(xí)（Semi-Supervised Learning，SSL）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）[7]。

1）監(jiān)督學(xué)習(xí)：通過人工預(yù)設(shè)的訓(xùn)練特征和輸出結(jié)果來(lái)訓(xùn)練模型，使模型具有預(yù)測(cè)未來(lái)輸出的能力[7]。常見的算法有：決策樹、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯、隨機(jī)森林等。監(jiān)督學(xué)習(xí)主要用于分類和回歸問題[8]。

2）非監(jiān)督學(xué)習(xí)：從輸入信息中解析出隱藏在數(shù)據(jù)中的內(nèi)在結(jié)構(gòu)[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(jiān)督學(xué)習(xí)：將監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法。一般半監(jiān)督學(xué)習(xí)的目標(biāo)是找到一個(gè)函數(shù)迎合（回歸任務(wù)），然后用分類任務(wù)的信息去優(yōu)化回歸函數(shù)。

4）強(qiáng)化學(xué)習(xí)：訓(xùn)練模型通過與輸入信息的反復(fù)交互來(lái)學(xué)習(xí)處理任務(wù)。這種學(xué)習(xí)方法使模型面對(duì)動(dòng)態(tài)環(huán)境能夠做出一系列決策，從而使任務(wù)獎(jiǎng)勵(lì)期望最大化。

機(jī)器學(xué)習(xí)模型的建立通常包含以下幾個(gè)步驟：收集數(shù)據(jù)、預(yù)處理數(shù)據(jù)和提取特征、訓(xùn)練模型、調(diào)整模型[10]。

1）收集數(shù)據(jù)。收集數(shù)據(jù)的常見方法是運(yùn)用信號(hào)處理或聚類技術(shù)來(lái)匯聚數(shù)據(jù)，如通過模擬仿真或傳感器測(cè)量獲得目標(biāo)設(shè)備或系統(tǒng)的相關(guān)數(shù)據(jù)。

2）預(yù)處理數(shù)據(jù)和提取特征。在提取特征之前，大多數(shù)數(shù)據(jù)集都需要進(jìn)行預(yù)處理，包括刪除異常值和異常趨勢(shì)、處理丟失的數(shù)據(jù)以及對(duì)數(shù)據(jù)進(jìn)行歸一化。特征提取是機(jī)器學(xué)習(xí)最重要的步驟之一，它將原始數(shù)據(jù)轉(zhuǎn)變成適合機(jī)器學(xué)習(xí)算法的信息。特征提取消除了各類測(cè)量數(shù)據(jù)中的冗余現(xiàn)象，有助于學(xué)習(xí)階段的泛化，而泛化是避免對(duì)特定樣本過擬合的關(guān)鍵。

3）訓(xùn)練模型。主要步驟包括選擇訓(xùn)練和驗(yàn)證的數(shù)據(jù)、選擇訓(xùn)練的算法、反復(fù)訓(xùn)練和評(píng)估分類模型。在盾構(gòu)隧道工程中常用的模型有盾構(gòu)設(shè)備狀態(tài)預(yù)測(cè)模型、地表沉降預(yù)測(cè)模型及隧道病害預(yù)測(cè)模型等。

4）調(diào)整模型。通過技術(shù)手段提高模型性能，常用方法包括調(diào)節(jié)模型參數(shù)、添加或修改訓(xùn)練數(shù)據(jù)、變換或提取新特征。

盾構(gòu)隧道工程中常使用的機(jī)器學(xué)習(xí)基本算法有人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Support Vector Machine，SVM）、回歸樹（Regression Tree，RT）、隨機(jī)森林（Random Forests，RF）等，常使用的深度學(xué)習(xí)算法有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks， RNN）、生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）等。同時(shí)，以上算法與其他人工智能方法相結(jié)合并改進(jìn)得到的復(fù)合人工智能方法可使機(jī)器學(xué)習(xí)模型有更高的準(zhǔn)確率。

2 機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用研究現(xiàn)狀

在盾構(gòu)掘進(jìn)過程中，可以采集大量的數(shù)據(jù)資料，如圍巖參數(shù)、盾構(gòu)狀態(tài)及施工數(shù)據(jù)等，部分?jǐn)?shù)據(jù)能反映盾構(gòu)掘進(jìn)設(shè)備與周圍環(huán)境的相互作用規(guī)律。通過這些數(shù)據(jù)訓(xùn)練得到的機(jī)器學(xué)習(xí)模型不僅有助于解決盾構(gòu)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(duì)工程相關(guān)信息進(jìn)行匯總并解析其中的關(guān)聯(lián)性，從而對(duì)盾構(gòu)隧道的設(shè)計(jì)、施工與運(yùn)維發(fā)揮重要的作用。

基于機(jī)器學(xué)習(xí)的盾構(gòu)工程管理應(yīng)用是通過對(duì)盾構(gòu)隧道建設(shè)中的相關(guān)工程數(shù)據(jù)進(jìn)行整理存儲(chǔ)和分類關(guān)聯(lián)，基于不同機(jī)器學(xué)習(xí)方式進(jìn)行分析，將所得分析模型形成相關(guān)數(shù)據(jù)庫(kù)，再使用編程軟件構(gòu)建機(jī)器學(xué)習(xí)應(yīng)用管理信息平臺(tái)（如圖2）。目前，機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用主要包括盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)、地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)、隧道病害監(jiān)測(cè)與預(yù)測(cè)等[11]。

2.1 基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)

盾構(gòu)機(jī)的設(shè)備狀態(tài)和掘進(jìn)性能對(duì)隧道建設(shè)的施工效率、質(zhì)量和安全有著決定性影響，而機(jī)器學(xué)習(xí)方法在盾構(gòu)掘進(jìn)機(jī)運(yùn)行情況識(shí)別與相關(guān)性能預(yù)測(cè)兩個(gè)方面具有較好的適應(yīng)能力和較大的應(yīng)用空間。

2.1.1 基于機(jī)器學(xué)習(xí)的盾構(gòu)設(shè)備狀態(tài)分析

盾構(gòu)機(jī)組成復(fù)雜，在施工過程中容易出現(xiàn)各種故障；且因其在地下空間挖掘前進(jìn)，出現(xiàn)故障時(shí)排查異常困難。刀盤作為盾構(gòu)機(jī)的主要組成部分，是盾構(gòu)設(shè)備故障的主要來(lái)源。針對(duì)刀盤故障問題，研究人員重點(diǎn)研究了基于機(jī)器學(xué)習(xí)算法的刀盤故障診斷方法。Jin等[12]建立一個(gè)排除無(wú)效和異常數(shù)據(jù)的函數(shù)來(lái)識(shí)別盾構(gòu)機(jī)運(yùn)行狀態(tài)，開發(fā)了基于多算法優(yōu)化的隧道掘進(jìn)機(jī)刀盤扭矩實(shí)時(shí)預(yù)測(cè)方法。Guo等[13]提出了一種將多個(gè)稀疏自編碼器（Sparse Autoencoder，SA）與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）相結(jié)合的基于時(shí)間序列預(yù)測(cè)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(jī)、決策樹和K近鄰（K-Nearest Neighbor，KNN）4種機(jī)器學(xué)習(xí)方法，基于實(shí)測(cè)數(shù)據(jù)來(lái)預(yù)測(cè)TBM刀具的壽命。Han等[15]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）的復(fù)雜機(jī)械設(shè)備故障預(yù)測(cè)模型。Elbaz等[16]將基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理方法與遺傳算法（Genetic Algorithm，GA）相結(jié)合，來(lái)預(yù)測(cè)刀具的壽命。Zou等[17]把盾構(gòu)開挖參數(shù)輸入能自動(dòng)檢索特征的算法中，然后將自動(dòng)檢索出的特征輸出作為反向傳播網(wǎng)絡(luò)的輸入完成預(yù)測(cè)，從而對(duì)盾構(gòu)機(jī)將出現(xiàn)的故障進(jìn)行診斷。

由于隧道盾構(gòu)機(jī)是實(shí)時(shí)運(yùn)作，如果對(duì)監(jiān)測(cè)數(shù)據(jù)分析只體現(xiàn)靜態(tài)關(guān)聯(lián)性，難以對(duì)實(shí)際工程進(jìn)行管控指導(dǎo)。因此，需要對(duì)數(shù)據(jù)動(dòng)態(tài)特征進(jìn)行匯總解析，研究基于時(shí)序特征的狀態(tài)分析方法。Rumelhart等[18]在20世紀(jì)80年代以人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)提出了循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），循環(huán)神經(jīng)網(wǎng)絡(luò)中的復(fù)式結(jié)構(gòu)具有類似計(jì)算機(jī)內(nèi)存的短時(shí)存儲(chǔ)功能，可利用這一特性來(lái)處理與時(shí)間變化相關(guān)的問題[19]，該方法近年也被應(yīng)用于隧道掘進(jìn)機(jī)故障診斷研究中。Gao等[20]基于盾構(gòu)施工過程中采集得到的實(shí)際運(yùn)行數(shù)據(jù)，采用循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)（Gated Recurrent Unit Networks，GRU）3種模型實(shí)時(shí)預(yù)測(cè)盾構(gòu)運(yùn)行參數(shù)和性能，結(jié)果表明，循環(huán)神經(jīng)網(wǎng)絡(luò)模型的效果最好。Sun等[21]應(yīng)用長(zhǎng)短時(shí)網(wǎng)絡(luò)，將盾構(gòu)機(jī)傳感器的時(shí)間序列數(shù)據(jù)作為初始數(shù)據(jù)來(lái)預(yù)測(cè)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(shù)據(jù)，選擇與刀盤扭矩最密切相關(guān)的10個(gè)特征量作為輸入變量，提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)的隧道掘進(jìn)刀盤扭矩實(shí)時(shí)預(yù)測(cè)方法。Qin等[23]提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)來(lái)提取隱式特征和序列特征的方法，可根據(jù)設(shè)備運(yùn)行狀態(tài)參數(shù)來(lái)預(yù)測(cè)盾構(gòu)設(shè)備的刀盤扭矩。

盾構(gòu)設(shè)備監(jiān)測(cè)信息復(fù)雜、特征繁多，基于未調(diào)整的原始數(shù)據(jù)無(wú)法訓(xùn)練出高精度的預(yù)測(cè)模型，因此，機(jī)器學(xué)習(xí)模型預(yù)測(cè)的準(zhǔn)確率在很大程度上取決于數(shù)據(jù)預(yù)處理的效果。循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)序特征有著極強(qiáng)的學(xué)習(xí)能力，被廣泛應(yīng)用于盾構(gòu)設(shè)備狀態(tài)的分析中，但其存在訓(xùn)練優(yōu)化慢、計(jì)算能力需求大等不足，在盾構(gòu)設(shè)備狀態(tài)分析與預(yù)測(cè)中仍有很大的拓展空間。

2.1.2 基于機(jī)器學(xué)習(xí)的盾構(gòu)掘進(jìn)性能預(yù)測(cè)

在盾構(gòu)施工過程管理中，盾構(gòu)機(jī)的推進(jìn)速率、刀盤荷載及土倉(cāng)壓力等性能指標(biāo)對(duì)工期管理和成本把控具有重要意義。傳統(tǒng)研究主要通過理論模型、室內(nèi)試驗(yàn)和模擬仿真等預(yù)測(cè)盾構(gòu)機(jī)的性能，但通常僅能分析某一方面的性能。基于現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，運(yùn)用回歸分析、模糊數(shù)學(xué)或者神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，可綜合分析盾構(gòu)施工過程中的設(shè)備狀況、性能指標(biāo)與圍巖參數(shù)的內(nèi)在聯(lián)系等，從而達(dá)到較高的預(yù)測(cè)精度。

針對(duì)盾構(gòu)的掘進(jìn)效率問題，研究人員基于圍巖信息等數(shù)據(jù)，利用機(jī)器學(xué)習(xí)方法訓(xùn)練掘進(jìn)效率分析模型。Salimi等[24]對(duì)伊朗兩個(gè)硬巖隧道項(xiàng)目盾構(gòu)工程現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，研果表明，支持向量機(jī)算法在盾構(gòu)性能預(yù)測(cè)中具有較好的效果。Fattahi等[25]比較了支持向量回歸和差分進(jìn)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(duì)盾構(gòu)性能預(yù)測(cè)精度的影響，發(fā)現(xiàn)不同算法的預(yù)測(cè)結(jié)果差異較小。Stypulkowski等[26]建立并評(píng)估了基于巖土參數(shù)與設(shè)備操作參數(shù)的盾構(gòu)推進(jìn)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)回歸模型，發(fā)現(xiàn)相關(guān)數(shù)據(jù)有巨大預(yù)測(cè)潛力。Afradi等[27]使用人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法預(yù)測(cè)了伊朗Beheshtabad輸水隧道施工中的盾構(gòu)掘進(jìn)貫入度，研究結(jié)果表明，支持向量機(jī)的預(yù)測(cè)結(jié)果較人工神經(jīng)網(wǎng)絡(luò)的結(jié)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，F(xiàn)A）、入侵雜草優(yōu)化算法（Invasive Weed Optimization，IWO）和洗牌蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）等優(yōu)化算法改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型，提高了間接預(yù)測(cè)盾構(gòu)推進(jìn)效率算法的計(jì)算效率。Gao等[29]基于杭州第二水源工程輸水隧道監(jiān)測(cè)數(shù)據(jù)，分別采用了長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)元網(wǎng)絡(luò)和傳統(tǒng)的時(shí)間序列模型（Time series analysis，TSA）來(lái)預(yù)測(cè)盾構(gòu)掘進(jìn)貫入度，結(jié)果表明長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能更好。

更多基于機(jī)器學(xué)習(xí)算法的盾構(gòu)掘進(jìn)性能預(yù)測(cè)研究和應(yīng)用案例見表1。從表1可知，大多數(shù)學(xué)者主要基于地質(zhì)數(shù)據(jù)進(jìn)行掘進(jìn)效率預(yù)測(cè)，部分學(xué)者也基于盾構(gòu)機(jī)的工作參數(shù)，如轉(zhuǎn)速、功率、推力等指標(biāo)進(jìn)行研究，但參數(shù)相對(duì)較少。目前大多數(shù)研究選用小時(shí)作為研究時(shí)間單位，但其尺度過大，不足以反映盾構(gòu)設(shè)備掘進(jìn)的時(shí)間變化特性，影響了預(yù)測(cè)的精度。

現(xiàn)場(chǎng)采集數(shù)據(jù)的速度往往大于現(xiàn)有機(jī)器學(xué)習(xí)方法的分析速度，為解決這一問題，近年來(lái)計(jì)算能力更加高效的算法，如深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）[23，39]及動(dòng)態(tài)回歸樹[40]等，也逐漸用于建立基于現(xiàn)場(chǎng)數(shù)據(jù)的機(jī)器學(xué)習(xí)預(yù)測(cè)模型。Yagiz等[41]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)和非線性多元回歸模型（Multiple Nonlinear Regression Analysis，MNRA）來(lái)預(yù)測(cè)隧道掘進(jìn)機(jī)的性能。Xu等[42]基于馬來(lái)西亞某隧道工程的現(xiàn)場(chǎng)監(jiān)測(cè)和室內(nèi)試驗(yàn)數(shù)據(jù)，使用監(jiān)督機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)隧道掘進(jìn)效率。Armaghani等[43]基于馬來(lái)西亞彭亨—雪蘭莪排水隧道的實(shí)測(cè)數(shù)據(jù)對(duì)盾構(gòu)推進(jìn)速度進(jìn)行了預(yù)測(cè)分析，結(jié)果表明，粒子群算法（Particle Swarm Optimization，PSO）與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型預(yù)測(cè)性能更強(qiáng)。Feng等[44]基于中國(guó)東北地區(qū)引松供水隧道工程中采集到的數(shù)據(jù)，使用深度信念神經(jīng)網(wǎng)絡(luò)（Deep Belief Neural Network，DBNN）對(duì)盾構(gòu)掘進(jìn)效率進(jìn)行預(yù)測(cè)分析，結(jié)果表明深度信念神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力強(qiáng)、操作簡(jiǎn)單。Mahdevari等[45]基于支持向量機(jī)，開發(fā)了一種新型回歸模型來(lái)預(yù)測(cè)硬巖條件下盾構(gòu)機(jī)的掘進(jìn)效率。Sun等[46]在圍巖勘察信息的基礎(chǔ)上，研究隧道掘進(jìn)機(jī)的運(yùn)行行為（尤其是動(dòng)力行為），并采用隨機(jī)森林算法對(duì)其推進(jìn)速度進(jìn)行預(yù)測(cè)。Li等[47]基于盾構(gòu)掘進(jìn)過程中的監(jiān)測(cè)數(shù)據(jù)，利用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)盾構(gòu)機(jī)實(shí)時(shí)總推力和刀盤工作變化規(guī)律狀態(tài)進(jìn)行提前預(yù)測(cè)，研究表明，這一方法比傳統(tǒng)理論模型有更好的預(yù)測(cè)能力。

研究人員也基于機(jī)器學(xué)習(xí)算法，對(duì)土倉(cāng)/泥水壓力、姿態(tài)控制等性能指標(biāo)進(jìn)行預(yù)測(cè)研究。對(duì)于泥水平衡式盾構(gòu)機(jī)[48]，泥水壓力是控制盾構(gòu)隧道施工沉降與變形的關(guān)鍵。Wang等[49]先通過典型關(guān)聯(lián)分析法去除隧道工作面壓力監(jiān)測(cè)信息中的噪聲，然后通過長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)泥水平衡盾構(gòu)機(jī)在含有泥巖的混合地層條件下的漿液壓力進(jìn)行預(yù)測(cè)，保證了預(yù)測(cè)的精準(zhǔn)度。Li等[50]采用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘泥漿壓力和其他參數(shù)之間的復(fù)雜關(guān)系，預(yù)測(cè)施工過程中所需的泥漿壓力值，顯著提高了隧道掘進(jìn)中泥漿系統(tǒng)的魯棒性。Zhou等[51]提出一種基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的泥漿氣室壓力預(yù)測(cè)控制方法，以保證泥水平衡盾構(gòu)隧道開挖面的穩(wěn)定性。

在盾構(gòu)姿態(tài)預(yù)測(cè)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(jīng)網(wǎng)絡(luò)特征提取器和長(zhǎng)短期記憶預(yù)測(cè)器的盾構(gòu)隧道姿態(tài)和位置的預(yù)測(cè)框架，用于確定盾構(gòu)機(jī)的姿態(tài)和位置。Wang等[53]建立了基于小波變換和雙向長(zhǎng)短期記憶法的動(dòng)態(tài)調(diào)節(jié)模型來(lái)預(yù)測(cè)盾構(gòu)機(jī)前進(jìn)速度和扭矩，研究結(jié)果表明，該模型具有較高的預(yù)測(cè)準(zhǔn)確度。Wang等[54]針對(duì)盾構(gòu)掘進(jìn)過程中軸線姿態(tài)偏差難以準(zhǔn)確預(yù)測(cè)和修正的問題，提出了一種基于盾構(gòu)掘進(jìn)數(shù)據(jù)驅(qū)動(dòng)的軸線姿態(tài)偏差預(yù)測(cè)和修正方法。Zhang等[55]采用主成分分析法研究掘進(jìn)輸入?yún)?shù)的相互關(guān)聯(lián)，并應(yīng)用門控循環(huán)神經(jīng)網(wǎng)絡(luò)算法實(shí)時(shí)預(yù)測(cè)盾構(gòu)的掘進(jìn)姿態(tài)。

以上研究表明，目前機(jī)器學(xué)習(xí)方法對(duì)盾構(gòu)機(jī)關(guān)鍵性能（如掘進(jìn)效率、土倉(cāng)/泥水壓力、姿態(tài)調(diào)整等）預(yù)測(cè)的應(yīng)用取得了一定的進(jìn)展，多數(shù)預(yù)測(cè)模型輸入信息以地層勘察數(shù)據(jù)為主，以盾構(gòu)掘進(jìn)過程中的設(shè)備參數(shù)為輔。通常先進(jìn)行不同輸入與預(yù)測(cè)結(jié)果的相關(guān)性分析，進(jìn)而篩選出最具相關(guān)性的輸入特征，再將該特征導(dǎo)入合適的機(jī)器學(xué)習(xí)回歸算法訓(xùn)練預(yù)測(cè)模型。

實(shí)際工程驗(yàn)證表明，基于這一思路建立的預(yù)測(cè)模型比直接用非線性回歸算法訓(xùn)練的預(yù)測(cè)模型的準(zhǔn)確度更高。

2.2 基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)

盾構(gòu)掘進(jìn)過程中的監(jiān)測(cè)數(shù)據(jù)包含了地質(zhì)工況及周邊環(huán)境的動(dòng)態(tài)變化信息（如圖3），研究人員可通過相應(yīng)機(jī)器學(xué)習(xí)方法構(gòu)建模型，對(duì)盾構(gòu)隧道工程地質(zhì)信息進(jìn)行反演識(shí)別，并對(duì)盾構(gòu)掘進(jìn)引起的地表變形進(jìn)行預(yù)測(cè)。

2.2.1 基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演

盾構(gòu)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(zhì)、非連續(xù)、非線性等特點(diǎn)，傳統(tǒng)的勘察方法成本高，獲取的巖土參數(shù)信息有限，而理論和數(shù)值計(jì)算方法不能很好地解決盾構(gòu)掘進(jìn)擾動(dòng)影響下的地層巖土參數(shù)問題[56]。機(jī)器學(xué)習(xí)算法可以利用施工過程的監(jiān)測(cè)數(shù)據(jù)進(jìn)行反演分析，計(jì)算地質(zhì)體的實(shí)時(shí)“等效參數(shù)”[57]，成為解決相關(guān)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(jīng)網(wǎng)絡(luò)的新反向分析方法，并使用該方法由現(xiàn)場(chǎng)測(cè)量的位移來(lái)反演地下圍巖力學(xué)參數(shù)和初始應(yīng)力。Suwansawat等[59]提出了基于人工神經(jīng)網(wǎng)絡(luò)確定盾構(gòu)掘進(jìn)施工參數(shù)、地表變形和圍巖參數(shù)相關(guān)性的方法。郝哲等[60]提出了一種利用微分法和人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的反演巖體力學(xué)參數(shù)的方法，該方法先對(duì)訓(xùn)練參數(shù)進(jìn)行優(yōu)化，再使用位移數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，從而對(duì)圍巖力學(xué)參數(shù)進(jìn)行反演分析。高攀科等[61]針對(duì)一般BP神經(jīng)網(wǎng)絡(luò)中部分?jǐn)?shù)據(jù)有缺陷的情況，提出了一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軟弱巖石位移反分析方法。

在盾構(gòu)掘進(jìn)過程中，準(zhǔn)確獲取掌子面地質(zhì)信息有助于設(shè)置最佳盾構(gòu)作業(yè)參數(shù)，使盾構(gòu)機(jī)獲得更好的掘進(jìn)效率。然而，由于盾構(gòu)機(jī)的封閉性設(shè)計(jì)及較窄的作業(yè)面使操作人員無(wú)法直接觀察周圍環(huán)境，利用機(jī)器學(xué)習(xí)方法間接識(shí)別地質(zhì)條件成為研究熱點(diǎn)之一。Yu等[62]為了充分利用所有收集到的現(xiàn)場(chǎng)數(shù)據(jù)來(lái)提高地質(zhì)構(gòu)造識(shí)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(jīng)網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法。Zhang等[63]提出一種綜合程序來(lái)預(yù)測(cè)隧道掘進(jìn)機(jī)的地質(zhì)條件（即巖體類型），該程序基于盾構(gòu)作業(yè)的4類數(shù)據(jù)，即刀盤速度、刀盤扭矩、推力和推進(jìn)速率，采用層次平衡迭代歸約和聚類算法進(jìn)行分析。Yang等[64]建立基于盾構(gòu)機(jī)作業(yè)數(shù)據(jù)的地質(zhì)條件自動(dòng)預(yù)測(cè)模型，利用K聚類算法進(jìn)行聚類分析，再根據(jù)地質(zhì)數(shù)據(jù)識(shí)別地質(zhì)類型。Erharter等[65]基于在建設(shè)中的布倫納隧道收集到的數(shù)據(jù)，對(duì)比了多層感知器和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)在巖體特性自動(dòng)分類中的性能表現(xiàn)，結(jié)果表明，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)識(shí)別效果更貼合實(shí)際工況。Liu等[66]提出基于分類回歸樹和集成學(xué)習(xí)模型相結(jié)合的方法來(lái)預(yù)測(cè)圍巖分類，對(duì)松花江輸水隧道建設(shè)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，結(jié)果表明該混合方法的準(zhǔn)確率較高。Kim等[67]提出一種具有6個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)方法，基于盾構(gòu)掘進(jìn)過程中的監(jiān)測(cè)數(shù)據(jù)對(duì)地質(zhì)類型進(jìn)行分析與分類。Shi等[68]用深度神經(jīng)網(wǎng)絡(luò)方法與傳統(tǒng)數(shù)據(jù)挖掘方法分別對(duì)地質(zhì)類型進(jìn)行預(yù)測(cè)，結(jié)果表明，深度神經(jīng)網(wǎng)絡(luò)方法可以更準(zhǔn)確地估計(jì)開挖前的地質(zhì)條件。Yu等[69]為充分利用盾構(gòu)掘進(jìn)過程中產(chǎn)生的海量未標(biāo)注數(shù)據(jù)和有限標(biāo)注數(shù)據(jù)，提出一種基于深度神經(jīng)網(wǎng)絡(luò)半監(jiān)督方法建立的巖體類型預(yù)測(cè)模型。Zhao等[70]提出了一種基于實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)的智能預(yù)測(cè)隧道地質(zhì)條件的方法，該方法基于前饋多輸出人工神經(jīng)網(wǎng)絡(luò)算法，預(yù)測(cè)結(jié)果優(yōu)于常見的隨機(jī)森林、支持向量機(jī)等方法。

以上研究表明，基于機(jī)器學(xué)習(xí)方法的圍巖參數(shù)反演和地質(zhì)識(shí)別在盾構(gòu)隧道工程中有廣泛的應(yīng)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?qū)崿F(xiàn)巖土類型與力學(xué)參數(shù)同時(shí)反演和預(yù)測(cè)的研究還有待進(jìn)一步開展。

2.2.2 基于機(jī)器學(xué)習(xí)的地表變形預(yù)測(cè)

盾構(gòu)機(jī)在施工過程中會(huì)與地層發(fā)生較強(qiáng)的相互作用（如圖4），對(duì)盾構(gòu)掘進(jìn)過程控制不當(dāng)會(huì)導(dǎo)致地層產(chǎn)生較大變形，對(duì)周邊環(huán)境產(chǎn)生危害。因此，地表變形預(yù)測(cè)與控制是保證隧道掘進(jìn)安全的重要措施之一。為減少盾構(gòu)施工引起的地表變形及對(duì)周邊環(huán)境的負(fù)面影響，研究人員基于機(jī)器學(xué)習(xí)方法研究掘進(jìn)參數(shù)與地表變形之間的內(nèi)在關(guān)聯(lián)，以期達(dá)到實(shí)時(shí)精準(zhǔn)預(yù)測(cè)地表變形的效果。

基于機(jī)器學(xué)習(xí)的地表變形預(yù)測(cè)研究中，孫鈞等[71]利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究了城市地鐵盾構(gòu)隧道施工擾動(dòng)引起的地表變形和沉降機(jī)理，建立的人工神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確預(yù)測(cè)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(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)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(shù)納入到地表沉降預(yù)測(cè)中。Kohestani等[72]對(duì)比了隨機(jī)森林方法和人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)盾構(gòu)隧道引起的最大地表沉降，結(jié)果表明隨機(jī)森林預(yù)測(cè)精度更高。Pourtaghi等[73]為了最大限度地降低隧道開挖的風(fēng)險(xiǎn)，提出了一種基于小波網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的最大地表沉降預(yù)測(cè)方法。Zhang等[55]提出了基于隨機(jī)森林算法的土壓平衡盾構(gòu)沉降智能控制方式，可以預(yù)測(cè)隧道施工引起的沉降，且在沉降超過容許值時(shí)優(yōu)化盾構(gòu)運(yùn)行參數(shù)。Chen等[74]比較了回歸神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林及其他4種常見數(shù)據(jù)挖掘方法預(yù)測(cè)隧道引起沉降的效果，結(jié)果表明，6種機(jī)器學(xué)習(xí)算法中回歸神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林方法的表現(xiàn)最好。Cao等[75]提出了一種在小樣本情況下對(duì)地面沉降進(jìn)行預(yù)測(cè)的深度學(xué)習(xí)模型，該方法通過長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)分量進(jìn)行預(yù)測(cè)并疊加以獲得最終的預(yù)測(cè)結(jié)果。Zhang等[76]綜述了相關(guān)機(jī)器學(xué)習(xí)算法及其在地下工程中的應(yīng)用，對(duì)比了包括極限梯度提升、多元自適應(yīng)回歸樣條、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等算法在預(yù)測(cè)支撐開挖引起的最大側(cè)向變形的準(zhǔn)確性。更多基于機(jī)器學(xué)習(xí)方法進(jìn)行地層變形預(yù)測(cè)的研究參見表2。

通過對(duì)基于機(jī)器學(xué)習(xí)的地質(zhì)參數(shù)反演和地表變形預(yù)測(cè)研究的綜述可知，盾構(gòu)施工長(zhǎng)期在復(fù)雜環(huán)境下進(jìn)行，監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)大部分是相似的無(wú)特征信息。傳感器在施工現(xiàn)場(chǎng)不僅布設(shè)困難，而且容易受到現(xiàn)場(chǎng)施工作業(yè)影響（如設(shè)備損壞、丟失和供電中斷等問題），從而導(dǎo)致監(jiān)控?cái)?shù)據(jù)無(wú)效或缺失[77]。同時(shí)，大量標(biāo)記無(wú)效的樣本數(shù)據(jù)會(huì)導(dǎo)致機(jī)器學(xué)習(xí)算法的訓(xùn)練樣本數(shù)據(jù)不足，給地質(zhì)參數(shù)反演和地表變形預(yù)測(cè)帶來(lái)困難。因此，采用在實(shí)驗(yàn)室中的模擬工況下采集的實(shí)驗(yàn)數(shù)據(jù)來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型，對(duì)實(shí)驗(yàn)數(shù)據(jù)與監(jiān)測(cè)數(shù)據(jù)之間的數(shù)值及特征差異進(jìn)行分析，再通過遷移學(xué)習(xí)技術(shù)來(lái)應(yīng)用實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練模型，在實(shí)測(cè)數(shù)據(jù)樣本不足的情況下，這是一種可行的修正預(yù)測(cè)模型的方法，但目前相關(guān)的成功案例還鮮見報(bào)道。

2.3 基于機(jī)器學(xué)習(xí)的隧道病害監(jiān)測(cè)與預(yù)測(cè)

隧道健康狀態(tài)是隧道建設(shè)過程及后期運(yùn)營(yíng)階段的重要監(jiān)測(cè)內(nèi)容。目前，研究人員已經(jīng)開展了基于機(jī)器學(xué)習(xí)算法的隧道病害監(jiān)測(cè)研究，并通過分析隧道健康情況，建立了隧道病害預(yù)測(cè)模型，服務(wù)盾構(gòu)隧道的管養(yǎng)。Cha等[84]利用深層結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)圖像特征的能力，結(jié)合滑動(dòng)窗口技術(shù)實(shí)現(xiàn)對(duì)混凝土裂縫的檢測(cè)識(shí)別。在探地雷達(dá)的信號(hào)處理方面，深度學(xué)習(xí)也發(fā)揮著巨大作用。Besaw等[85]利用深度信念網(wǎng)絡(luò)從探地雷達(dá)反射信號(hào)中提取出復(fù)雜數(shù)據(jù)的有效特征，提供了一種雷達(dá)數(shù)據(jù)異常檢測(cè)和分類的新方法。Makantasis等[86]采用卷積神經(jīng)網(wǎng)絡(luò)分層構(gòu)造高層次特征，實(shí)現(xiàn)隧道病害類型的自動(dòng)識(shí)別。Chen等[87]基于東北地區(qū)引松供水盾構(gòu)隧道工程的監(jiān)測(cè)數(shù)據(jù)，開發(fā)與深度置信網(wǎng)絡(luò)相結(jié)合的時(shí)間序列預(yù)測(cè)方法，可預(yù)測(cè)隧道墻體的倒塌危害。

對(duì)于隧道運(yùn)營(yíng)期監(jiān)測(cè)數(shù)據(jù)的處理，采用傳統(tǒng)機(jī)器學(xué)習(xí)方法的缺點(diǎn)在于需要手動(dòng)定義目標(biāo)的特征，對(duì)于復(fù)雜場(chǎng)景中的數(shù)據(jù)來(lái)說(shuō)，目標(biāo)的特征并不具體，很難定量描述。深度學(xué)習(xí)的發(fā)展改變了此現(xiàn)狀，它通過卷積神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行特征提取，有效實(shí)現(xiàn)監(jiān)測(cè)和檢測(cè)數(shù)據(jù)中異常信息的分類和位置信息的獲取。由于隧道襯砌結(jié)構(gòu)病害特征的相似性以及結(jié)構(gòu)的復(fù)雜性，在隧道襯砌檢測(cè)方面，目前用深度學(xué)習(xí)實(shí)現(xiàn)多種病害分類的相關(guān)研究較少。

3 機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中的應(yīng)用難點(diǎn)與發(fā)展方向

學(xué)者們?cè)诨跈C(jī)器學(xué)習(xí)方法（如圖5）的盾構(gòu)設(shè)備狀態(tài)分析與掘進(jìn)性能預(yù)測(cè)、地質(zhì)參數(shù)反演與地表變形預(yù)測(cè)、隧道病害監(jiān)測(cè)與預(yù)測(cè)等方面（如圖6）取得了一定的研究成果，提升了盾構(gòu)隧道工程的勘察、設(shè)計(jì)、施工與運(yùn)營(yíng)水平，但該方法仍有進(jìn)一步研究和發(fā)展的空間，在實(shí)際工程中的普遍推廣也存在一些困難。

3.1 應(yīng)用難點(diǎn)與不足

目前，機(jī)器學(xué)習(xí)方法在盾構(gòu)隧道工程中應(yīng)用的主要難點(diǎn)與不足主要表現(xiàn)在以下幾個(gè)方面。

1）機(jī)器學(xué)習(xí)的預(yù)測(cè)實(shí)用性因盾構(gòu)工程實(shí)時(shí)采集信息能力不足而受限。實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)能極大增強(qiáng)機(jī)器學(xué)習(xí)算法的即時(shí)預(yù)測(cè)能力，但盾構(gòu)設(shè)備本身構(gòu)造復(fù)雜，施工環(huán)境惡劣，隧道掘進(jìn)過程中難以為大量監(jiān)測(cè)儀器提供合適的安裝空間；盾構(gòu)設(shè)備狹長(zhǎng)且位于地層中，監(jiān)測(cè)設(shè)備采集到的數(shù)據(jù)難以實(shí)時(shí)傳送到收集終端，這些因素都限制了機(jī)器學(xué)習(xí)預(yù)測(cè)方法的普及和推廣。

2）盾構(gòu)隧道工程實(shí)測(cè)信息的數(shù)據(jù)模態(tài)、樣本類別、信息結(jié)構(gòu)等特征差異大，現(xiàn)階段主要是通過數(shù)據(jù)類型轉(zhuǎn)化及人工修正等方式來(lái)進(jìn)行數(shù)據(jù)歸一化，但處理過程需要大量的人工標(biāo)注，主觀性大，可能會(huì)導(dǎo)致數(shù)據(jù)內(nèi)部某些潛在特征被忽視。因此，需要深入挖掘數(shù)據(jù)背后的產(chǎn)生機(jī)制，識(shí)別異常樣本的特征，探明關(guān)鍵性因素并進(jìn)行人工標(biāo)注，但目前面向機(jī)器學(xué)習(xí)的多源異構(gòu)數(shù)據(jù)處理方法還有待進(jìn)一步研究。

3）相較于傳統(tǒng)的數(shù)值解析法或經(jīng)驗(yàn)公式法，基于盾構(gòu)隧道工程實(shí)測(cè)數(shù)據(jù)的機(jī)器學(xué)習(xí)預(yù)測(cè)模型通常具有更高的擬合精度，但要達(dá)到高精度，需要耗費(fèi)大量運(yùn)算時(shí)間與計(jì)算能力進(jìn)行模型訓(xùn)練。因此，限制機(jī)器學(xué)習(xí)算法在盾構(gòu)工程中大面積推廣應(yīng)用的一大原因就是現(xiàn)場(chǎng)計(jì)算能力。在隧道掘進(jìn)現(xiàn)場(chǎng)，由于數(shù)據(jù)采集或監(jiān)測(cè)設(shè)備提供的平臺(tái)計(jì)算能力不足，難以滿足利用實(shí)測(cè)數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)算法的需求，因此，需探索與云計(jì)算或硬件加速等相結(jié)合的技術(shù)。

3.2 未來(lái)發(fā)展方向

機(jī)器學(xué)習(xí)方法是基于現(xiàn)有數(shù)據(jù)分析理論上的更高層次的分析方法，其在盾構(gòu)隧道工程中的應(yīng)用主要包括裝備運(yùn)行狀態(tài)識(shí)別、關(guān)鍵參數(shù)關(guān)聯(lián)分析、刀具故障預(yù)測(cè)、地層參數(shù)識(shí)別等，相關(guān)研究可提高施工管理水平、減少盾構(gòu)施工對(duì)鄰近環(huán)境的影響。隨著5G傳感、物聯(lián)網(wǎng)、云計(jì)算、北斗通信等新技術(shù)的快速迭代，盾構(gòu)機(jī)實(shí)測(cè)數(shù)據(jù)的存儲(chǔ)數(shù)量和質(zhì)量、實(shí)時(shí)性都將得到持續(xù)發(fā)展，這對(duì)機(jī)器學(xué)習(xí)方法來(lái)說(shuō)是“如虎添翼”。然而，機(jī)器學(xué)習(xí)算法要真正達(dá)到在實(shí)際工程中廣泛應(yīng)用的水平，未來(lái)還需在以下方面進(jìn)行探索和發(fā)展。

1）海量多源數(shù)據(jù)的匯聚。不同廠家生產(chǎn)的隧道掘進(jìn)機(jī)監(jiān)控設(shè)備存在差異，采集的信息不同源且不兼容?？赏ㄟ^遠(yuǎn)程服務(wù)器根據(jù)對(duì)應(yīng)的端口協(xié)議匯總數(shù)據(jù)，以此集成不同工程、不同設(shè)備、不同隧道的監(jiān)測(cè)信息，通過大數(shù)據(jù)訓(xùn)練來(lái)增強(qiáng)機(jī)器學(xué)習(xí)模型的泛化能力，而這需打破現(xiàn)有數(shù)據(jù)的管理壁壘。

2）基于云計(jì)算和5G技術(shù)的機(jī)器學(xué)習(xí)算法開發(fā)。盾構(gòu)隧道工程相關(guān)的機(jī)器學(xué)習(xí)模型訓(xùn)練計(jì)算成本高，因此，現(xiàn)有大多數(shù)機(jī)器學(xué)習(xí)分析模型是采集數(shù)據(jù)后在實(shí)驗(yàn)室平臺(tái)進(jìn)行訓(xùn)練。與云計(jì)算相結(jié)合的遠(yuǎn)程訓(xùn)練模式是滿足工地實(shí)時(shí)計(jì)算需求的可行途徑，即工地監(jiān)測(cè)端負(fù)責(zé)數(shù)據(jù)匯總，上傳至云端進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練、優(yōu)化、預(yù)測(cè)，再將結(jié)果返回至工地端。在云計(jì)算模式下，與5G無(wú)線通信技術(shù)相結(jié)合的機(jī)器學(xué)習(xí)算法是盾構(gòu)工程需要探索的方向。

3）盾構(gòu)隧道工程智能管控平臺(tái)構(gòu)建。隨著盾構(gòu)隧道掘進(jìn)數(shù)據(jù)的不斷累積，以及智能算法能力的不斷提升，可以構(gòu)建以機(jī)器學(xué)習(xí)方法為核心的盾構(gòu)隧道工程智能管理模式和平臺(tái)（如圖7所示），逐步實(shí)現(xiàn)盾構(gòu)隧道工程在設(shè)計(jì)、施工及運(yùn)營(yíng)環(huán)節(jié)的信息匯聚、智能決策和智能管控，促進(jìn)隧道工程由信息化往智能化、自動(dòng)化方向邁進(jìn)。

4 結(jié)論

作為人工智能方法的重要組成部分，機(jī)器學(xué)習(xí)是工程信息化的重要發(fā)展方向。機(jī)器學(xué)習(xí)算法能夠深入挖掘盾構(gòu)隧道監(jiān)測(cè)大數(shù)據(jù)的隱含特征，為盾構(gòu)裝備狀態(tài)識(shí)別與性能預(yù)測(cè)、地質(zhì)識(shí)別與地表變形預(yù)測(cè)，隧道健康監(jiān)測(cè)與預(yù)警等方面提供技術(shù)支持。筆者總結(jié)了當(dāng)前機(jī)器學(xué)習(xí)技術(shù)在盾構(gòu)隧道工程中應(yīng)用研究的主要進(jìn)展與不足，并結(jié)合當(dāng)前實(shí)際技術(shù)水平展望后續(xù)應(yīng)用研究的主要方向，以期為隧道工程智能化發(fā)展添磚加瓦。

參考文獻(xiàn)

[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(gòu)隧道智能建造技術(shù)現(xiàn)狀與展望[J]. 隧道建設(shè)（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(qiáng)， 等. 機(jī)器學(xué)習(xí)在故障檢測(cè)與診斷領(lǐng)域應(yīng)用綜述[J]. 計(jì)算機(jī)測(cè)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(jī)器學(xué)習(xí)的設(shè)備預(yù)測(cè)性維護(hù)方法綜述[J]. 計(jì)算機(jī)工程與應(yīng)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(jī)器學(xué)習(xí)的空調(diào)系統(tǒng)管路焊堵自動(dòng)檢測(cè)研究[J]. 計(jì)量與測(cè)試技術(shù)， 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(jìn)機(jī)工程大數(shù)據(jù)管理平臺(tái)關(guān)鍵技術(shù)及應(yīng)用研究[J]. 隧道建設(shè)（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(gòu)施工噴涌及地表變形的預(yù)警預(yù)測(cè)方法研究[D]. 北京： 北京交通大學(xué)， 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(shù)智能反分析及施工應(yīng)用研究[D]. 北京： 北京交通大學(xué)， 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(jiān)控量測(cè)與圍巖參數(shù)位移反分析[D]. 南昌： 南昌工程學(xué)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(jīng)網(wǎng)絡(luò)的硐室圍巖力學(xué)參數(shù)反分析[J]. 巖土力學(xué)， 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(jìn)BP神經(jīng)網(wǎng)絡(luò)位移反分析[J]. 鄭州大學(xué)學(xué)報(bào)（工學(xué)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(gòu)施工擾動(dòng)與地層移動(dòng)及其智能神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J]. 巖土工程學(xué)報(bào)， 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(shù)在盾構(gòu)隧道結(jié)構(gòu)變形監(jiān)測(cè)中的應(yīng)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(xiàng)目：深圳市自然科學(xué)基金（JCYJ20210324094607020）；國(guó)家自然科學(xué)基金（51938008）；廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃（2019B111105001）

作者簡(jiǎn)介：陳湘生（1956- ），男，教授，博士生導(dǎo)師，中國(guó)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(dǎo)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.