城市道路基础设施在确保大都市区的运输效率、经济活动和公共安全方面发挥着至关重要的作用。在这些道路网络下方，安装了各种地下公用设施，如自来水、污水、雨水和天然气管道。当这些管道恶化、腐蚀或破裂时，可能会发生土壤侵蚀和道路沉降。此类事件往往导致严重的交通中断、财产损失，甚至人员伤亡。全球近期的城市灾害表明，由管道损坏引起的道路沉降是现代城市日益关注的问题 [1], [2], [3], [4], [5], [6]。
预测此类沉降仍然是土木工程师和城市管理人员面临的主要挑战，因为控制机制涉及管道状况、土壤特性、地下水波动和交通荷载之间的复杂相互作用 [5], [7]。传统的检查和监测方法，如目视检查和本地球物理技术，往往成本高、劳动密集且空间有限 [8], [9], [10]。
以往的研究通过数值模拟 [5], [11], [12]、实验室实验 [7], [11], [13], [14], [15], [16] 以及基于统计或缺陷的风险评估 [17], [18] 调查了地面塌陷和沉降。这些方法为理解土壤行为、侵蚀过程以及各种荷载和水力条件下空洞演化提供了重要见解。表 1 对这些研究类别进行了简要比较。数值模拟揭示了空洞形成和应力重新分布的机制，但受限于简化假设和对土壤参数的敏感性。实验室实验阐明了密度、地下水位、细颗粒含量和循环力如何影响塌陷，但其适用性受到尺度效应和理想化试验条件的限制。统计和基于缺陷的评估框架支持下水道维护决策，但依赖主观加权且不纳入岩土或水文信息。如表 1 总结所示，现有方法提供了有价值的机理理解，但无法整合多源城市数据集或在城市规模评估沉降可能性，这突显了需要更全面的数据驱动危害评估框架。
机器学习已被广泛应用于各种岩土和基础设施工程任务中，证明了其捕捉土壤、环境和结构变量之间复杂非线性关系的能力。代表性应用包括液化潜力评估 [19]、土壤分类 [20]、边坡稳定性预测 [21], [22]、铁路道砟状况评估 [23]、基础设施风险 [24] 长期轨道变形预测 [25] 以及稳定土强度估计 [26]。这些研究总结在表 2 中，表明 ML 模型可以有效地处理异构输入特征并在不同工程领域提供可靠的预测输出。尽管这些应用证实了 ML 技术的多功能性，但大多数先前的研究侧重于单一领域问题，并未纳入管道特征、岩土条件、水文设置和交通因素的综合影响。这一差距突显了需要一个集成的、多源的机器学习框架，专门用于预测由地下管道恶化引起的道路沉降。
ML 也已应用于预测与管道损坏相关的道路沉降 [27], [28]。以往的研究主要使用梯度提升和基于树的模型，根据管道相关属性（如管道年龄、直径、长度或网络密度）对沉降或塌陷敏感性进行分类。尽管这些研究表明了 ML 技术在识别易沉降区域方面的潜力，但其预测特征几乎完全集中在管道信息上。很少纳入控制土 - 结构 - 水相互作用的重要岩土、水文和交通相关因素。此外，基于网格的空间聚合可能会掩盖地下条件的局部变化。这些局限性降低了现有模型捕捉根本控制管道引起的道路沉降机制的能力。
为解决这些差距，本研究开发了一种基于 ML 的预测框架，用于由地下管道损坏引起的城市道路沉降。通过整合包括管道、地质、水文、交通和案例记录在内的多源数据，所提出的方法提高了预测准确性和鲁棒性。具体而言，本研究旨在（1）建立捕捉导致沉降的复杂相互作用的数据驱动模型，以及（2）展示其在城市基础设施管理中的适用性。
本研究的关键贡献如下。首先，提出了一种集成的基于 ML 的框架，系统结合多样化的城市数据集用于沉降预测。其次，框架的预测性能通过案例研究进行了验证，显示出比传统方法显著改进。第三，研究结果为政策制定者和基础设施管理人员提供了可操作的见解，以优先安排管道检查和道路维护，从而增强城市抵御沉降危害的韧性。
本文其余部分组织如下。第 2 节介绍了总体方法论和危害评估框架以及 ML 算法和评估指标。第 3 节介绍了数据收集、特征选择和预处理程序。第 4 节描述了建模过程，包括模型训练、超参数调优、性能比较和特征重要性分析。第 5 节报告了危害评估结果和现场案例验证。最后，第 6 节总结了研究和实践的启示。
