深埋隧道岩爆预测中缺失监测数据的多模态融合插值方法

《Buildings》：Multimodal Fusion Interpolation Method for Missing Monitoring Data in Deep-Buried Tunnel Rockburst Prediction

　　

缺失监测数据降低了深埋隧道工程中岩爆预警的可靠性。研究人员提出了一种多模态融合插值框架，该框架结合了基于长短期记忆网络(LSTM)的时间估计、皮尔逊(Pearson)/斯皮尔曼(Spearman)/最大信息系数(MIC)相关性分析，以及基于鲸鱼优化算法(WOA)的缺失监测指标权重分配。研究采用了中国西南部某隧道连续251个样本的案例数据集，以检验该方法的工程可行性。插值后的数据进一步用于门控循环单元(GRU)、卷积神经网络-长短期记忆网络(CNN-LSTM)、N-BEATS和深度全连接预测模型。结果表明，在该案例研究中，插值数据集改善了下游岩爆预测。由于数据集仅限于一个隧道项目，结论目前仅限于类似的深埋隧道条件，不应被解释为普遍优越性的证明。

研究背景方面，岩爆是深埋地下工程中突发、高破坏性与难预测的地质灾害，其早期预警依赖地质、施工与微震信息的综合判读。现场监测中因传感器失效、电缆受损、涌水、供电不稳与传输中断等常导致数据缺失；传统均值、中位数、线性、样条或K近邻插值虽可作基线，却难以刻画多源岩爆监测数据中时间耦合与跨指标耦合关系，从而降低预警可靠性。为此，研究人员开展一项以单隧道案例为基础的研究，探索将时间信息与跨指标相关性联合用于提升不完整监测记录可用性的路径，并提出一种面向工程实用的多模态数据融合插值策略，而非通用缺失值填补模型。论文发表于《Buildings》。

关键技术方法上，研究人员以中国西南部某深埋隧道连续251个样本（含时间T、掘进进度L、支护强度SU.STR、地下水位W、结构面数STR.P、微震事件数MSN、累计微震能量释放MES及岩爆等级）为队列，按时间顺序划分训练1–160、验证161–201、测试202–251。采用IQR、Z-score、改进Z-score、百分位与孤立森林五法比对离群点（约13.15%用于构造受控缺失场景）；以Pearson、Spearman与MIC构建综合关联评分筛选辅助指标；以LSTM作时间序列估计，WOA优化“时间项—相关项”整体融合权重；下游以GRU、CNN-LSTM、N-BEATS与深度全连接网络做岩爆分级预测，并以准确率、精确率、召回率、F1评估。

研究结果部分，2 多模态岩爆数据特性分析中，研究人员指出六指标量纲与分布差异显著，MSN与MES峰度>100呈强右偏，W因零累积右偏，L近对称，STR.P呈阶梯离散；缺失类型涵盖随机点、连续块与传感器特异性缺失，但本研究将其作为受控案例场景而非现场全貌。3 多模态数据时间序列相关模型里，3.1节经五法离群检测标定受控缺失比例；3.2节多维相关分析显示Pearson均数0.1217、Spearman均数0.1092，线性与单调关联总体偏弱，MSN-MES单调关系最强且符合物理认知，MIC补充非线性/非单调协同，由此形成综合关联评分S=α|r_P|+β|r_S|+γMIC（α、β、γ为相关模块内系数，非WOA优化的最终插值权重）；3.3节构建融合插值?_t=ω_L·LSTM_t+Σ_jω_j·X_j,t+ε，约束Σω=1、ω≥0，LSTM捕短时波动、相关项补中长趋势、WOA学整体时序—相关平衡，全流程参数仅由训练集估计并锁定时序应用于验证/测试集。4 岩爆风险预测模型集成中，4.1节建三维预警指标体系（地质环境：W、STR.P；应力状态：L、SU.STR；微震响应：MSN、MES），明确地下水软化在特定机制下可能抑制应变型岩爆而非必然增险，支护强度作工程态指标须谨慎看待内生性；4.2节GRU双层（128→64单元，dropout 0.3）以六完填指标作输入，验证集早停选权。5 讨论中，CNN-LSTM（48滤波+48/24 LSTM）、N-BEATS（5栈128单元）、深度全连接（256/128/64）同管道比对，插值数据下四模型指标均>0.75，GRU最优（accuracy 0.960、F1 0.940、recall 0.960），说明插值数据在多架构可用，但限于单数据集与单缺失设定。6 结论翻译浓缩为：研究人员将缺失插值转为权重优化问题，融LSTM时序与Pearson/Spearman/MIC相关并由WOA调权，案例内提升下游预测可用性；建六指标三维预警体系；GRU获当前最佳但样本少、单隧道，属初步工程证据非普适精度证明；方法仍需多隧道、多地质与多缺失机制验证。

讨论部分总结：研究人员强调离群比例13.15%仅为受控评价用途，不等于现场缺失率；相关模块α/β/γ与WOA最终融合权分属两层不直接等价；单项目251样本使深度学习性能解释受限；插值改善的是“序列连续性与下游可用性”而非断言优于一切填补法；未来需扩队列与缺失模式。结论部分原文要点为——(1)转插值为权重优化，统合三相关分；(2)LSTM+三相关+WOA案例可行；(3)六指标三维预警体系；(4)GRU当前最优但仅初步工程证据，须外推验证。