隧道工程在穿过复杂地质结构时经常遇到断层、喀斯特洞穴和地下水等不良地质特征(Li等人,2010年)。在这些灾害中,突水是最常见且最具挑战性的地质灾害之一。由于其突发性和高破坏性,突水已成为严重制约施工安全和进度的关键风险因素(Li等人,2021年;Liu等人,2022年)。此类事件可能导致周围岩石不稳定,增加支撑结构的负荷,并显著降低挖掘速度(Farhadian和Katibeh,2017年;Mahmoodzadeh等人,2021年)。此外,突水还可能改变局部水文地质状况(Liu等人,2022年),引发地面沉降,最终导致巨大的经济损失和人员伤亡(Wang等人,2022年)。因此,为了减轻富水隧道挖掘过程中的大规模突水现象,准确预测潜在的水流量对于评估岩体质量、施工决策和确保工程安全至关重要(Li等人,2010年;Shi等人,2017年)。
由于地质和水文地质条件的广泛变化,准确预测隧道挖掘过程中的水流量仍然具有挑战性。尽管如此,大量的研究工作已经开发出了从理论和经验模型到数值模拟的各种预测方法(Shi等人,2023年)。早期的研究主要依赖于分析解和专家判断(El Tani,2010年;El Tani,2003年;Goodman等人,1965年;Park等人,2008年;Xie等人,2019年;Zhang和Franklin,1993年)。然而,这些分析模型通常假设含水层是均匀各向同性的,导致实际流量率经常被高估(Farhadian和Katibeh,2017年)。由于忽略了节理岩体的各向异性、异质性和不连续性,这些模型的适用性仅限于过于理想化的条件,无法有效预测复杂地质环境中的水流量。
目前的隧道水流量预测通常结合了传统的地质调查、钻孔探测和经验模型(Shi等人,2017年)。方法上的进步包括改进的基于钻探的监测技术(Liu,2022年)以及采用无线传感器系统结合证据理论和模糊集理论(Wang等人,2021年)。尽管这些方法有用,但传统的经验方法仍存在局限性。例如,Kang等人(2019年)指出,适用于浅层隧道的方法(如降雨入渗和径流模量模型)不能直接应用于深隧道条件。其他技术,包括因子分析、数值方法和非线性理论,也被应用于突水预测(Luo等人,2022年)。
在突水风险评估领域,Li和Li(2014年)使用层次分析法(AHP)通过专家主观经验来确定模型权重。Wang等人(2012年)应用模糊-AHP组合对突水风险进行定量分类。Li等人(2015年)开发了用于此过程的突水风险评估软件。Peng等人(2020年)引入了云模型,通过标准化过程和专家经验相结合来改进评估。最近的研究还包括直觉模糊理论(Wang等人,2019年)和改进的TOPSIS模型(Kong和Zhang,2024年)。然而,这些方法在很大程度上依赖于主观专家判断,并且缺乏突水行为与其控制变量之间的稳健定量关联。
数值方法取得了显著进展,等效多孔介质模型和离散裂隙网络(DFN)模型被广泛用于模拟隧道水流量。Yao等人(2012年)使用RFPA2D和COMSOL评估突水风险,而Shi等人(2023年)构建了一个随机3D DFN渗流模型,通过流量平衡计算估计每个隧道段的流量。基于数值结果的半解析方法也被提出用于估计地下水下降和隧道水流量(Shahbazi等人,2021年;Su等人,2017年)。其他研究使用MODFLOW预测地下水流量(Golian等人,2018年;Li等人,2024年)。尽管数值模拟提供了关于各种地质条件下地下水-岩石相互作用的详细见解,但它们需要基于大量地质数据构建现实的概念模型。由于地下结构的固有复杂性和异质性,获得足够准确和空间详细的地质数据仍然是一个主要限制(Mao等人,2023年)。
由于传统的水文地质假设往往简化了异质介质,地下水-岩石系统可以被视为一个非线性且可能混沌的过程(Fu等人,2024年)。人工智能(AI)和机器学习(ML)技术的快速发展(Fu等人,2026年;Yu等人,2021年;Yu等人,2023年)为解决隧道水流量预测中的复杂性提供了新的机会。已经探索了多种ML和统计模型:高斯过程回归(GPR)、人工神经网络(ANN)和支持向量回归(SVR)(Li等人,2017年);多重回归分析(Farhadian和Katibeh,2017年);用于喀斯特隧道风险评估的改进云模型方法(Lin等人,2020年);基于可靠性的GA-BP神经网络(Li等人,2020年);以及广泛的模型比较(Mahmoodzadeh等人,2021年)。最近的进展还包括基因表达编程(GEP)模型(Mahmoodzadeh等人,2023年)、超参数优化的随机森林方案(Zhang等人,2024年;Zhou等人,2023年)和集成优化框架(Samadi等人,2025年)。
准确预测隧道水流量在理论和实践上都具有重大意义(Li等人,2010年)。尽管ML方法比传统预测方法具有明显优势(Cui等人,2024年;Cui等人,2024年),但实际工程应用提出了更高的要求。现场数据往往有限且噪声较大,阻碍了模型的稳健训练。水文地质过程和参数交互难以明确嵌入标准ML框架中,许多模型在面对未见过的地质条件时缺乏适应性。此外,许多ML算法的黑箱性质降低了其解释性,限制了它们在工程决策中的实用性。这些挑战凸显了当前研究工作与实际需求之间的显著差距,指出了未来方法学发展的关键领域。
为了解决这些实际挑战,本研究提出了一个基于SMOGN数据增强和AHP改进的OP-LightGBM模型的改进隧道水流量预测框架。首先,使用基于SMOGN的欠采样和重采样技术来平衡和丰富回归数据集。接下来,应用基于Optuna的超参数优化来提高模型性能,同时通过将模型派生的重要性指标与基于AHP的专家评估相结合来客观重新校准特征权重。此外,将SHAP可解释性分析集成到基于云的Web服务中,以提供实时预测和透明的决策支持信息。加入了增量学习策略,以扩展模型在不同工程项目和地质场景中的适用性。总体而言,这一系统框架为隧道水流量预测建立了一种新的方法论路径,具有理论相关性和实际价值。