融合交叉相关与空间相关性的贝叶斯机器学习盾构姿态数据驱动预测方法研究

本研究针对盾构隧道施工中姿态预测精度受岩土参数不确定性影响的问题，提出了一种能够同时考虑参数间交叉相关性和沿隧道轨迹空间相关性的贝叶斯机器学习新方法。该方法利用钻孔勘察和盾构机采集的全部信息，通过动态顺序更新预测，在南京实际工程中验证了其优越性，为盾构施工安全控制提供了更可靠的不确定性量化工具。

　　

在盾构隧道（shield tunnelling）掘进过程中，准确预测盾构机的姿态（shield attitudes）对于防止过大的姿态偏差至关重要。这项预测与岩土特性（geotechnical properties）和盾构操作参数（shield operational parameters）都密切相关，而岩土参数的不确定性（geotechnical uncertainty）是主要的风险来源。近期有研究提出了一种处理此类不确定性的贝叶斯机器学习（Bayesian machine learning）方法，但该方法忽略了岩土参数与盾构机参数之间存在的交叉相关性（cross-correlations）以及空间相关性（spatial correlations）。

本研究对先前的方法进行了扩展，使其能够处理盾构隧道工程中存在的交叉相关和空间相关数据。新提出的贝叶斯机器学习方法功能更为强大，它利用从钻孔勘察（borehole investigation）和盾构机收集到的所有可用信息进行预测，其预测条件不仅包括同一隧道环（tunnelling ring）处不同岩土和盾构参数之间的交叉相关性，还包括这些参数沿计划隧道轨迹（tunnelling trajectory）的空间相关性。此外，研究还提出了一种顺序预测方案（sequential prediction scheme），用于在接收到新数据后对盾构姿态进行动态更新（dynamic updates）。

所提出的方法在一个位于南京市的真实隧道项目中得到了验证。结果表明，该方法具有严格量化盾构姿态预测不确定性的优势，其性能优于常见的机器学习技术。同时考虑交叉相关性和空间相关性，显著提高了盾构姿态预测的准确性。进一步的参数分析（parametric analysis）探讨了训练数据集大小（training data set size）和空间相关距离（spatial correlation distance）对所提出方法性能的影响。