利用具有不对称风险校准的机器学习进行地铁盾构隧道施工中的地表沉降预测与预警

《Transportation Geotechnics》：Surface settlement prediction-to-warning using machine learning with asymmetric-risk calibration for metro shield tunnelling

　　

摘要

盾构隧道施工引起的地表沉降对城市基础设施构成威胁。现有的机器学习研究主要集中在提高点预测的准确性上，而从连续沉降预测到工程预警决策的转化，以及预警不足和预警过度所带来的不对称后果，尚未得到充分解决。本文提出了一种可解释的、具有不对称风险特征的机器学习框架，用于基于风险的沉降预警，该框架集成了预测、制图、评估、校准和SHAP分析等功能。该框架在济南轨道交通M1线的数据上进行验证，基线模型具备良好的预测能力，但存在不可接受的预警不足问题。通过优化预警不足的惩罚系数和安全裕度，所提出的不对称风险校准LightGBM（ARC-LightGBM）模型消除了测试集中的预警不足现象，同时保持了87.0%的预警准确率和13.0%的预警过度率。SHAP分析表明，螺旋输送机转速和泥浆排放系数是主要的预测因素，这表明模型能够捕捉到挖掘与泥浆排放之间的平衡关系以及控制沉降发展的地下介质变化机制。这一框架为盾构隧道沉降风险管理提供了一种可解释的决策支持工具。

引言

盾构隧道施工已成为城市地铁系统、公用隧道和地下交通走廊中最广泛采用的建设方法之一[1]、[2]。与明挖法相比，盾构隧道施工在减少地表扰动、提高机械化程度以及适应密集建筑区的需求方面具有优势[3]、[4]。然而，盾构隧道施工不可避免地会引起地层扰动和随后的地表沉降，这可能损坏相邻结构，在极端情况下甚至会导致道路塌陷[5]、[6]。因此，准确的沉降预测和可靠的预警对于盾构隧道施工中的风险预防和决策支持至关重要[7]。

传统的沉降控制方法结合了理论-经验公式[8]、[9]和数值模拟[10]、[11]。尽管这些方法提供了关于盾构施工引起地面变形机制的物理见解，但它们依赖于简化的假设、精确的土壤参数以及大量的校准工作[12]、[13]。实际中盾构施工参数和地质条件的不断变化限制了纯经验或数值预测的及时性和适应性[7]、[14]。近年来，数字化施工和自动化监测的普及产生了大量的隧道施工和监测数据集[15]、[16]、[17]。机器学习（ML）凭借其强大的数据分析和多因素非线性耦合能力，在各个领域得到了广泛应用[18]、[19]、[20]，包括分析隧道施工参数与地表沉降之间的非线性关系[7]、[21]、[22]。

许多数据驱动的算法[7]、[23]被应用于隧道施工引起的沉降预测。代表性研究（表1）探讨了极端梯度提升（XGBoost）、人工神经网络（ANNs）、支持向量机（SVMs）、多变量自适应回归样条（MARS）、随机森林（RFs）、反向传播神经网络（BPNNs）和深度神经网络（DNNs）在模拟地质条件、隧道几何形状、施工参数和地表沉降之间非线性关系方面的应用[24]、[25]。张等人[26]基于极端梯度提升（XGBoost）、人工神经网络（ANN）、支持向量机（SVM）和多变量自适应回归样条（MARS）开发了地表沉降预测模型。杨等人[27]开发了一种多头自注意力增强型的BiLSTM模型，并将其性能与双向长短期记忆（BiLSTM）、门控循环单元（GRU）和随机森林（RF）进行了比较。这些研究表明，机器学习和深度学习模型能够表征复杂的非线性关系并提高沉降预测的准确性。然而，沉降预测的最终目标不仅仅是减少数值误差，还包括实现及时、可靠的预警决策。大多数现有研究更侧重于预测准确性，仅通过确定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）等点指标来评估模型性能[7]、[18]、[28]。尽管这些指标很重要，但它们忽略了预测的不确定性，使得点预测不适合直接用于工程安全决策[29]。这一挑战激发了跨多个学科的层次化预警框架的发展[30]、[31]、[32]。苏等人[30]提出了一个基于微地震监测和SVM的四级岩石坍塌预警系统，而罗等人[31]则开发了一个基于岩石强度的临界变形阈值预警系统。这些方法提高了工程应用的可行性，突显了在盾构隧道施工中进行智能地表沉降预警的紧迫性。

值得注意的是，接近预警阈值的沉降预测可能会改变预警级别，并触发不同的施工响应。预测错误也会产生不对称的安全影响：预警不足会导致干预延迟和安全风险，而预警过度则仅会增加监测或控制成本。将这些错误同等对待违反了“安全第一”的原则，在数据驱动的研究中这一问题尚未得到解决[38]、[39]。此外，模型的可解释性对工程实践至关重要。高精度但不可解释的模型在参数调整方面提供的指导有限[40]、[41]。为了支持决策制定，模型应能够识别影响沉降风险的主要因素，这可以通过SHAP分析来实现[42]、[43]。

本文提出了一种用于盾构施工沉降预警的可解释的、具有不对称风险特征的机器学习框架。主要贡献包括：(1) 完整的从预测到预警的框架；(2) 以预警为导向的评估指标；(3) 不对称风险校准策略；(4) 通过SHAP分析提供可解释的决策支持。该框架已在济南轨道交通M1线上得到了验证和实施，取得了优异的结果。

部分摘录

框架设计

如图1所示，所提出的可解释的、具有不对称风险特征的机器学习框架分为五个连续的层次。整个工作流程如下：

第1层：数据输入和特征分析。该层收集多源现场数据，包括地质数据、几何数据以及盾构施工参数。进行特征依赖性和相关性分析，以了解数据分布并识别关键输入变量。

第2层：连续预测

项目背景

本案例研究聚焦于济南轨道交通M1线的东仓站至山东大学站区间，这条线路贯穿济南市中心的东西向走廊。隧道位于梨下的街道沿线，下方有道路建筑和密集的城市基础设施，包括敏感的燃气设施和人口密集区。

基线模型预测和预警性能

首先对基线模型进行了连续地表沉降预测的评估。附录A1和附录A2列出了所有模型使用的Optuna-TPE搜索空间和最终采用的超参数。图5使用测量值与预测值的散点图和定量回归指标比较了不同模型的预测性能。如图5a所示，大多数基于树的集成模型产生的预测结果接近1:1的参考值

讨论

在盾构隧道施工中，预警决策对阈值边界非常敏感。当预测的沉降值接近预警阈值时，即使是微小的预测误差也可能改变预警级别，从而触发不同的施工响应[30]、[31]。在本研究中，LightGBM取得了最佳的连续预测性能，测试R²值为0.958，RMSE值为0.160厘米。然而，在进行风险校准之前，其对风险样本的预警不足率仍然

结论

本研究提出了一种用于盾构隧道施工期间基于风险的地面沉降预警的可解释的、具有不对称风险特征的机器学习框架。该框架集成了沉降预测、预警级别映射、面向决策的评估、安全裕度校准和SHAP分析功能。基于济南轨道交通M1线的现场数据集，主要结论如下：

• 高回归精度并不一定能保证预警的可靠性。在九种

CRediT作者贡献声明

王潘：撰写初稿、验证、方法论研究。王静：监督、项目管理、资金获取。巴xingzhi：验证、监督、项目管理、方法论研究、资金获取。徐金坤：验证、数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文研究的财务利益或个人关系。

致谢

本研究得到了新高等教育机构：20个高水平创新团队（自主研发）资助计划（编号NO.202534007）、山东大学自主研发和自制仪器设备培育项目（编号NO.zy20250201）、国家重点研发计划（编号2023YFB2603600、2023YFB2603604）、国家自然科学基金青年学者基础研究计划（博士生项目）（编号525B2143）以及国家自然科学基金的支持。

王潘 | 王静 | 巴xingzhi | 徐金坤山东大学隧道工程国家重点实验室，中国济南250061