面向不完全信息的智能深基坑支护结构选型数据驱动双层案例推理框架

《Eng》：A Data-Driven Two-Layer Case-Based Reasoning Framework for Intelligent Deep Excavation Retaining Structure Selection Under Incomplete Information

　　

在早期工程项目中，不完全地质数据会影响深基坑支护结构的选型。研究人员提出了一种自适应双层案例推理(CBR)框架以解决该问题。首先构建案例库，在相似度度量中引入特征交互项以捕捉地质参数间的非线性耦合，并采用梯度提升决策树(GBDT)实现客观、数据驱动的特征权重分配。第一层实现基于逻辑合取与自适应容差阈值的门控机制，在信息缺失时于两条推理路径间自动切换，避免无效硬匹配；第二层应用K-means++聚类与局部归纳推理以缓解数据稀疏导致的偏差。实验表明，在参数不完整与噪声干扰条件下，该方法Top-3推荐准确率显著优于传统模型与机器学习基线模型，且抗干扰性强，为复杂数据场景下的支护结构选型提供坚实方法基础。

研究背景方面，深基坑工程涉及岩土力学、结构工程、水文地质与环境控制等交叉领域，设计过程高度不确定且多约束，属典型复杂系统工程。传统支护设计依赖工程师经验与简化理论模型，辅以有限元或极限平衡法安全校核；随着城市地下空间开发加速与环境复杂化，经验判断与单一计算模型难以应对多源信息耦合、工况动态变化与决策因素非线性等挑战。早期研究多采用层次分析法(AHP)或模糊综合评价等多准则决策方法，或依赖数值模拟，但存在主观性强、计算成本高、难反映复杂地质等局限。近年机器学习(如支持向量机、随机森林、深度神经网络)被引入智能开挖设计，但纯数据驱动模型具“黑盒”特性，缺乏物理意义，直接用于生成整体支护方案易违背工程常识且不可解释。案例推理(CBR)契合工程师经验类比认知，具内在可解释性与工程适用性，但传统CBR仍面临三方面核心挑战：特征权重赋值主观静态（常靠AHP或专家经验，难随库演化更新）；相似度度量忽略特征耦合（如欧氏距离隐含独立假设，而“大开挖深度+厚软土”会产生非线性风险放大）；不完全信息下鲁棒性不足（早期可研阶段地下水或土层参数缺失常见，传统算法易失效且无降级容错）。为弥合智能算法与工程实践鸿沟，研究人员提出面向不完全信息的双层CBR方法并构建智能设计支撑平台。

为开展研究，研究人员用到的主要关键技术方法包括：从500余条原始记录中清洗筛选出371条高质量深基坑案例，提取7个核心输入特征（开挖深度、安全等级、开挖面积、开挖周长、平面形状、地下水类型、支撑道数）与1个输出目标（支护结构形式），连续变量Z-score标准化、类别变量独热编码；以GBDT（100棵弱学习器、最大树深6、学习率0.1、子采样0.8，5折交叉验证）按分裂增益计算特征全局权重；在加权欧氏距离基础上引入二阶特征交互项（λ=0.2经网格搜索确定）构造广义相似距，并对缺失特征仅取有效维交集计算；构建双层混合架构——第一层精确匹配层设特征完整度≥85%且含开挖深度与地下水类型时激活，采用逻辑合取动态查询与三级容差校准（默认Δ_abs=0.5 m、ε=5%，同类案例对差异中位数再校准，工程师可经验覆盖），以同类案例对相似距分布90百分位0.6043为高可靠阈值、均值0.3854区分高中置信；第二层聚类归纳推理层用K-means++（轮廓系数定K=5）聚历史案例得质心，目标工况归最近簇后在簇内以“归一化距离+历史方案综合参考值E_s（含安全等级基线B_L与数据完整度η_D）”加权打分选Top-3。评估采用留一法（每次剔除目标案例），设完整信息、缺参（缺1–3非核心特征）、数据偏置（±10%扰动深度/面积/周长）、复合恶劣四类场景各25例。

研究结果部分，按论文主体小节浓缩如下：

问题定义与数据准备：将支护选型形式化为CBR映射，给定新工程特征向量从史例库检索最相似子集推荐支护形式。371例来自学术文献约200、企业档案约150、现场调研与专业出版物，覆盖软土/砂土/膨胀土及地铁站/建筑地下室等，具代表性；7特征消除多重共线，支撑道数作输入先验而非预测目标以防信息泄漏，缺失时框架自动降级推理。

方法学框架：GBDT权重分配环节，Spearman秩相关显示特征间符合力学逻辑（深度与支撑道数r=0.41，安全等级与深度r=?0.55）但特征与目标平均绝对相关仅0.18，证非线性主导；GBDT归一化权重中地下水类型0.2175最高、支撑道数0.1934次之、开挖面积0.1708、周长0.1666、深度0.0976、平面形状0.0951、安全等级0.0591，避主观偏置，部署期固定但可周期重训。特征交互项相似度环节，将原始特征映至含x_ix_j二阶项空间，连续×连续保留乘性耦合，独热类别×连续退化为条件门控（如地下水类型=承压水时放大深度贡献），λ=0.2最优（Top-3准确率较去交互项85%升至94%）；缺失时仅用A_T∩A_H维，|A|<6不激活精确层并标低置信，|A|<4直跳归纳层。双层混合机制中，第一层精确匹配以完整度≥85%且含两核心参为门控，动态查询Q为关键特征（深度/地下水/安全级）逻辑合取，深度用Δ_abs与ε取大者容差，类别变量严等；以1371对同标签史例相似距90百分位0.6043为可靠阈值、均值0.3854分高/中置信，超阈或候选空则转第二层。第二层K-means++聚为5簇，目标投最近质心μ_k*，簇内再用带交互项相似距初排，以Score=α·(1?D_n)+(1?α)·E_s终选（E_s=B_L·η_D，B_L按Ⅰ/Ⅱ/Ⅲ级取0.9/0.6/0.2），输出Top-3含相似分与依据。

实验结果：留一法百例测试整体Top-3准确率94%。完整信息下第一层触发100%、准确率100%；缺参场景第二层干预56%、准确率92%；±10%偏置下第二层仅20%、准确率92%；复合场景第二层触发68%、准确率92%。比对RF/SVM/KNN：RF完整96%但缺参0%，SVM完整88%缺参0%，KNN完整84%偏置60%，均不及本框架。典型案例1（上海浦东11.5 m软黏土Ⅰ级）精确匹配荐800 mm地下连续墙+两道砼撑，与实际一致；案例2（16.25 m异形、缺地下水）转归纳层归“深大基坑”簇荐排桩内支撑+止水帷幕，与实际一致。

系统实现：B/S架构微服务化，数据持久层、算法服务层（封装双层CBR为独立微服务，API收发）、业务展示层解耦，支持结构化特征与非结构化图件协同。

讨论与消融：去第二层后整体准确率由94%降至53%（缺参24%、复合20%）；去交互项整体由94%降至85%且偏置场景掉点最甚；去GBDT权重改等权整体80%。证第二层补全路径、交互项抑噪、GBDT权重抑次维干扰三者不可或缺。

结论部分翻译浓缩：针对深基坑支护选型倚重经验、传统CBR难量化设计参数非线性耦合，研究提出融合二阶特征交互与GBDT权重的智能决策模型，经实工程验证：引入二阶交互项使整体准确率由85%升至94%，显式捕捉“几何×地质”协同放大；GBDT按分裂增益定权，地下水类型0.2175与支撑道数0.1934统计贡献最高，安全等级虽GBDT权仅0.0591但通过第一层类别硬筛决断，形成“软权重+硬规则”互补，较等权CBR（80%）升至94%；局限在于史例库代表性制约罕见地质（如深岩溶）泛化、交互项未嵌土体弹塑性本构、阈值因配对观测非独立具近似性、N=371下校准阈值需随库容重标；未来将扩多源库并探物理信息神经网络(PINNs)把变形控制力学边界作正则项嵌入。论文发表于《Eng》。