充足的地质数据对岩土工程的安全至关重要，尤其是在盾构隧道施工中。缺乏全面的地质知识可能导致严重的问题，如隧道渗漏和坍塌（Deng, 2024）。目前，目标区域的地质数据主要来自项目边界内的钻孔。专家们根据他们的专业经验解释这些数据以生成二维地质剖面。然而，这一过程高度依赖于个人的专业知识，具有主观性，并且难以标准化，特别是在长距离盾构隧道项目中，很难确保生成剖面的质量一致。此外，尽管在施工过程中可以采用探前技术（如探洞、电磁方法和地震反射）来获取前向地质信息，但这些方法只能提供对特定地下方面的局部了解，而且容易受到盾构机的电磁干扰以及空间限制的影响，从而限制了有效观测。因此，钻孔数据仍然是建立地质模型的主要基础（Gong, 2020, Qin, 2023）。
目前，已经开发了多种地质模型，使用了诸如克里金插值（Marinoni, 2003, Zhang and Zhu, 2018, Jia et al., 2020, Liu et al., 2023, Lv et al., 2024, Miao and Wang, 2024）和逆距离加权插值（Liu et al., 2020）等技术。对这些技术的改进，包括引入拓扑关系、机器学习和“相关距离”概念，提高了它们的插值预测能力。此外，还进行了不同地质数据处理和空间插值方法的比较（Zuo, 2020, Ijaz et al., 2023），以验证所提出方法的有效性。除了插值之外，其他研究人员还采用了马尔可夫链蒙特卡洛（Deng et al., 2020, Zhao et al., 2021, Yang et al., 2023）和贝叶斯监督学习（Hu et al., 2020）等方法从钻孔地质构造中提取相关参数。他们还使用最大似然估计进行校正，并针对简单的数据集验证了这些方法。多点统计模拟（Lajaunie et al., 1997, dell’Arciprete et al., 2012, Silva and Deutsch, 2014, Chen et al., 2015）也被用于快速构建地质模型。
随着机器学习浪潮的兴起，一些学者（Zhou et al., 2019, Ashraf et al., 2021, Jia et al., 2021, Shi and Wang, 2021, Xie et al., 2023）采用了各种机器学习方法（例如ANN、XGBoost等）进行地质剖面预测。通常，这些方法需要来自特定区域的地质图像数据进行训练，并结合钻孔数据进行预测，大多数研究使用的是相对简单的数据集。为了从有限的地质数据构建完整的地质模型，Shi和Wang（2022）提出了一种IC-XGBoost预测方法，该方法从有限的钻孔数据和反映先验知识的地质图像中提取地质信息来构建地质模型。近年来，其他学者采用了CNN和GAN（Zhang et al., 2021, Lyu et al., 2024, Shi et al., 2024, Wang et al., 2024）进行建模。这些方法能够有效地从训练图像中学习地层信息，并取得了有希望的结果，但它们通常要求训练数据和测试数据具有相同的地质类型，并且很少考虑算法超参数的优化。此外，一些研究人员（Pan et al., 2023）开发了一个DTW-Kmedoids时间序列聚类框架，以实现隧道掘进机前的自动土壤感知，尽管感知的土壤范围仅限于隧道轴线附近。
对现有文献的分析表明，当前的研究主要采用基于概率统计的随机模拟方法，同时结合机器学习方法，后者成为主流趋势。尽管机器学习方法具有强大的非线性拟合能力，但其在岩土工程和地质工程中的应用仍然不成熟。主要原因在于可用训练数据的严重稀缺（Jessell et al., 2022, Shi and Wang, 2022）以及大多数研究依赖于相对有限的算法和数据集。这些方法通常假设训练集和测试集具有相同的分布特征和地质特征，这带来了很大的限制。因此，在不同地质条件下，这类预测模型的可靠性需要进一步验证。
为了解决上述限制，本研究提出了一种基于机器学习的迭代预测方法，该方法结合了岩土类型和物理性质参数。目的是利用机器学习技术快速构建二维地质剖面，同时减少对人工专业知识的依赖，从而为工程设计和施工风险评估提供辅助决策支持。与传统方法不同，所提出的方法只需要少量的区域训练数据，并且不要求训练集和测试集具有相同的地质类型。采用了四种广泛使用且具有高度泛化能力的算法——ANN、RNN、RF和XGBoost——来评估这些机器学习算法在一般和复杂条件下的地质预测性能。根据预测结果，提出了未来研究的建议。
由于岩土工程和地质工程中数据的稀缺，机器学习算法在该领域的应用仍然不发达，没有一种算法在预测建模中表现出明显的优越性。因此，本研究中选择的四种算法——ANN、RNN、RF和XGBoost——为未来的研究提供了有希望的方向。首先，采用了ANN和RNN这两种基础的深度学习架构，来建立钻孔数据和空间地质类别之间的复杂映射。特别是RNN的引入，研究了其在迭代预测过程中捕捉逐步依赖性的潜力。尽管问题是空间上的而非时间上的，但迭代机制——其中一步的输出指导下一步的输入——反映了序列学习的特征。其次，RF和XGBoost分别代表基于Bagging和Boosting的经典集成学习方法，具有强大的抗噪声能力和强大的泛化性能。
由于超参数选择显著影响机器学习算法的预测准确性，但在训练过程中无法主动优化。因此，找到合适的优化算法至关重要。在各种优化算法中，PSO被认为是使用最广泛和最有效的方法之一（Yang and Shami, 2020）。PSO在优化多种机器学习超参数方面表现出色（Li et al., 2021），有助于识别适合不同算法的超参数，从而提高预测准确性。
粒子群优化（PSO）算法已被广泛用于基于隧道参数预测盾构掘进前的地质类别，或预测盾构掘进过程中引起的地面沉降等参数（Bo et al., 2024, Kong et al., 2023 Ye et al., 2024b; Li et al., 2025; Liu et al., 2025a）。此外，一些学者还将PSO与机器学习算法结合用于石油勘探和地球物理勘探的预测（Tong et al., 2024; Zhang et al., 2024a）。然而，在地质建模领域，大多数研究人员关注机器学习预测方法的选择和预测过程的解释（Lyu et al., 2024; Liu et al., 2025b），而较少应用优化算法，如PSO。因此，分析PSO优化算法的作用是本研究的一个重要组成部分。
本研究的其余部分总结如下：第2节介绍了所采用的四种机器学习算法和一种优化算法的基本原理。第3节详细介绍了所提出的迭代预测模型的工作流程，包括使用的图像数据、模型训练原理和评估指标。第4节分析了模型在一般条件下的预测性能以及使用PSO算法获得的优化结果。第5节评估了模型在复杂条件下的预测性能，即其泛化能力，并评估了模型对特定土壤类型的预测性能。最后，本研究总结了研究发现并为未来研究提供了建议。
