基于人工智能的深度挖掘观测方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：AI-empowered observational method for deep excavations

　　

华明天|余旺|段青丽|黄永健

摘要

观测方法（OM）为管理深基坑开挖相关的成本和风险提供了有效的框架；然而，实际应用常常受到现场调查数据有限、地下介质复杂性以及设计阶段预测与现场观测结果差异的阻碍。为应对这些挑战，本研究提出了一种基于人工智能的OM框架，该框架在设计阶段整合了概率不确定性量化与传播机制，并在施工过程中利用现场监测数据实时更新数值模型预测结果。通过机器学习从稀疏数据中推断出复杂的地层结构和空间变化的土壤参数场，从而明确捕捉地层及参数的不确定性。这些地质材料的不确定性，连同与开挖支护系统和施工过程相关的不确定性，通过随机有限元分析进行传播，生成OM所需的高分辨率、阶段依赖的开挖响应分布。在施工过程中，贝叶斯字典学习（BDL）逐步吸收多源监测数据，以概率方式更新多种类型的开挖响应。该框架通过一个深基坑开挖案例进行了验证。从有限的调查数据中可靠地推断出了高分辨率的地质模型（例如，地层精度达到86.2%）。早期监测数据的同化在十秒内将后续阶段的预测精度提高了24.5%至89.5%，同时降低了不确定性，增强了在复杂地质条件下进行深基坑开挖时实际OM应用的决策能力。