非平稳环境下TBM地质预测的自适应贝叶斯持续学习(Bayesian Continual Learning)与动态不确定性量化(Uncertainty Quantification)框架

《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》：Bayesian continual learning and dynamic uncertainty quantification framework for TBM geological prediction in non-stationary environments

　　

在非平稳环境中，长距离隧道掘进机(Tunnel Boring Machine, TBM)施工期间的地质预测面临地层条件变化、双线隧道分布差异及传感器噪声等挑战，导致静态预测模型部署后可靠性下降。本研究基于深圳某双线城际铁路隧道的真实运行数据，开发了一种用于地质信息预测的贝叶斯持续学习(Bayesian Continual Learning, BCL)框架。研究人员将环级(ring-level)机器参数组织为序贯学习片段(episodes)，以表征地质演化、未知地质状态、跨线转移及噪声数据流。该框架结合贝叶斯推断与模型更新策略，将反映模型认知局限的认知不确定性(Epistemic Uncertainty, E-UC)与反映数据固有噪声的偶然不确定性(Aleatoric Uncertainty, A-UC)进行分离。静态测试中，模型对已知地质状态的准确率达84.76%，而直接跨线迁移使准确率降至45.40%。未知地质状态使平均E-UC提升约2.3倍，表明不确定性可标记陌生工况，但无更新则无法恢复预测性能。动态测试中，在序贯地质演化过程中，经验回放(Experience Replay)缓解了灾难性遗忘(Catastrophic Forgetting)，将最终准确率从朴素微调(Naive Fine-tuning)的28.7%提升至77.2%。对于跨线转移，经验回放实现了79.9%的准确率及最低E-UC。弹性权重整合(Elastic Weight Consolidation, EWC)更适用于新出现的地质状态，准确率达82.1%，且对未知状态的E-UC保留高于已知状态。强噪声下，所有更新策略均保持>85%准确率，且A-UC主导总不确定性。结果表明，贝叶斯持续学习可将基于不确定性的预警与后续模型更新相链接，支持TBM施工期间的不确定性感知地质判别与模型维护。

论文解读：非平稳环境下TBM地质预测的自适应贝叶斯持续学习与动态不确定性量化框架

研究背景与意义

在长距离机械化隧道施工中，隧道掘进机(TBM)需要对掌子面周边地层条件进行及时感知，以保障安全与效率。然而，TBM掘进并非平稳过程：沿隧道轴线会交替穿越软硬岩层、复合面、局部地质异常及不同含水/力学性质区段；双线隧道因空间地质变异性与施工序列差异，左右线操作响应亦不同；加之刀具磨损、施工扰动及传感器噪声，机器参数与地质信息间的映射关系会动态漂移。传统数据驱动模型多基于静态学习假设（训练与测试同分布）或离线重训，部署后面对非平稳数据流易失效。虽然贝叶斯不确定性量化可评估预测可靠性（区分认知不确定性E-UC与偶然不确定性A-UC），但既有研究多停留在静态诊断——能警示不可靠预测，却未解决模型如何自适应更新。持续学习(Continual Learning, CL)可序贯更新且缓解灾难性遗忘，但在工业时序建模中多关注确定性误差，较少关联不确定性演化与地质新颖性识别。为此，研究人员以深圳某双线城际铁路（DK43+711至DK46+811）真实环级运行数据为对象，在《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》发表此文，建立贝叶斯持续学习(Bayesian Continual Learning, BCL)框架，将概率不确定性量化与序贯模型更新耦合，支持TBM施工中的不确定性感知与模型维护。

主要关键技术方法

研究人员采用双线盾构真实环级运营数据集，将地质信息标签视为反映TBM–地层相互作用的操作代理状态（而非严格岩性真值）。基于变分推断(Variational Inference, VI)构建概率贝叶斯(Probabilistic Bayesian, PB)神经网络，以近似网络权重后验分布，实现参数级不确定性分解为认知不确定性(E-UC)与偶然不确定性(A-UC)。将环级数据组织为序贯学习片段(episodes)，模拟地质演化、未知状态、跨线域偏移及噪声注入。静态基准实验(U-Group)在已知/未知地质、跨线转移、噪声场景下标定PB模型不确定性响应；动态适应实验(C-Group)引入四类持续学习策略：朴素微调(Naive Fine-tuning)、经验回放(Experience Replay)、弹性权重整合(Elastic Weight Consolidation, EWC)及联合策略，分别面向域增量学习(Domain-Incremental Learning, D-IL)与类增量学习(Class-Incremental Learning, C-IL)场景，追踪准确率、遗忘度及不确定性分量演化。

研究结果

工程背景与时空异质性

依托深圳城际铁路双线隧道段，覆土11.5–91.2 m，最大坡度26‰，采用φ9.13 m土压平衡(EPB)双模式盾构。数据流具天然环级时序与双线域差异，为持续学习提供真实非平稳场景。

概率贝叶斯框架与不确定性分解

研究人员以PB神经网络结合VI，将数据集D={(x_i, y_i)}_i=1^N映射为权重后验p(ω|D)，通过变分分布q_θ(ω)逼近，预测不确定性分解为：E-UC（模型知识不足，对未知地质/域偏移敏感）与A-UC（数据噪声/模糊性）。该分解为后续动态更新提供预警信号。

实验设置与预处理策略

静态U-Group实验基于PB框架，设计已知地质(U-I)、未知地质(U-II)、跨线域偏移(U-III)、噪声注入(U-IV)场景，确立静态基线，揭示单纯不确定性警告无法恢复性能，需引入增量更新。

贝叶斯持续学习实验设计

动态C-Group构建四场景：C-I序贯地质演化、C-II新现地质状态（类增量）、C-III跨线转移、C-IV渐进传感器噪声。C-I/C-III/C-IV为域增量任务，C-II为类增量任务，评估不同CL策略下准确率、遗忘与不确定性演化。

从静态不确定性预警到动态模型适应

U-Group与C-Group联合显示：静态PB模型在已知状态(U-I)达84.76%准确率且E-UC低；跨线直接迁移(U-III)降至45.40%，未知状态(U-II)使E-UC升约2.3倍，表明E-UC可标记域/状态新颖性。动态实验中：序贯演化(C-I)下，经验回放将最终准确率从朴素微调28.7%提至77.2%，缓解遗忘；跨线转移(C-III)下，经验回放达79.9%准确率及最低E-UC；新现状态(C-II)下，弹性权重整合(EWC)更优，达82.1%准确率，且未知态E-UC高于已知态，兼顾保护与敏感；强噪声(C-IV)下，各策略均>85%准确率，A-UC主导总不确定性，说明模型可分离噪声与认知不足。

讨论与结论翻译总结

研究人员讨论指出：BCL框架将不确定性预警与模型更新链路化，适合长距离TBM非平稳数据流。经验回放适于连续地质漂移与跨线迁移；弹性权重整合适于新地质状态需保护旧知识与保守不确定性响应时。边界在于：地质信息标签为操作代理状态，且当前框架未耦合物理机理。

结论部分翻译总结

长距离TBM地质预测受序贯地质变化、跨线分布偏移及传感器噪声影响，降低静态数据驱动模型可靠性。研究人员提出融合不确定性量化的贝叶斯持续学习框架，基于双线隧道真实数据得出：

(1) 静态PB模型在已知地质信息状态下可达较高准确率，E-UC低；但长距离隧道中分布漂移使直接迁移性能下降，未知状态抬升E-UC。

(2) 动态更新中，经验回放缓解序贯地质演化的灾难性遗忘，提升准确率；跨线转移下经验回放兼顾高准确率与低E-UC。

(3) 弹性权重整合更适配新现地质状态，保持高准确率并对未知状态保留较高E-UC。

(4) 强噪声下更新策略维持高精度，A-UC主导总不确定性。

综上，贝叶斯持续学习可联动不确定性预警与模型适应，为TBM施工提供不确定性感知的地质判别与模型维护路径。