【文献阅读】地下土壤-结构相互作用中岩土工程驱动的人工智能技术最新进展

作者：

S.C.Jong（Griffith University, School of Engineering and Built Environment, 170 Kessels Road, Nathan, Queensland 4111, Australia）

D.E.L. Ong（Griffith University, School of Engineering and Built Environment, 170 Kessels Road, Nathan, Queensland 4111, Australia）

E. Oh（Griffith University, School of Engineering and Built Environment, 1 Parklands Drive, Gold Coast Campus, Southport, Queensland 4215, Australia）

期刊：Tunnelling and Underground Space Technology

原文链接：https://doi.org/10.1016/j.tust.2021.103946

一般来说，人工智能是一个广泛的概念，其目标是在机器中开发类似人类的智能，这可以通过使用学习算法来模拟人脑的学习方式来实现。机器学习是人工智能的一个分支，它允许机器在不需要显式编程的情况下开发类似人类的智能。术语“AI”和“机器学习”有时可以互换使用。更具体地说，可以理解，人工智能技术是一种机器学习方法，可以自动检测数据中的模式，并利用发现的模式来改进对未来趋势的预测或促进更好的决策过程。

机器学习一般可分为：（i）监督学习；和（ii）无监督学习。监督学习也称为预测学习，其目标是使用一组训练数据生成从输入到输出的映射，而无监督学习旨在探索数据中有意义的模式，这可以称为知识发现。监督学习和无监督学习之间的主要区别在于，在监督学习中，可以将模型预测与数据中的观测值进行比较，以告知所开发模型在推断相关参数时的准确性。通过计算误差并进行调整以获得误差最小的映射，将模型输出与预期输出进行比较。另一方面，在无监督学习中，数据通常被分为不同的簇，其中“有意义的模式”是从提供的输入数据中学习的。无法对照观测值检查模型预测，因为它们没有提供给模型。由于学习的目的是在没有相应输出的输入数据中发现有意义的模式，因此无法对模型输出和预期输出进行比较，因此，该问题被定义为“无监督”问题。在岩土工程领域，通常采用监督学习来解决手头的问题。

在本节中，简要讨论了岩土工程中常用的人工智能技术，以提供对其特征的一般理解。这些技术包括人工神经网络（ANN）、遗传规划（GP）、进化多项式回归（EPR）、多元自适应回归样条（MARS）、粒子群优化（PSO）、自适应神经模糊推理系统（ANFIS）、贝叶斯方法、支持向量机（SVM）、决策树（DT）、随机森林（RF）和逻辑回归（LR）。

本节回顾并讨论了人工智能在地下土壤-结构相互作用研究中的成功应用。应用范围涉及多个方面，包括土壤和岩石特征、桩基、深基坑和隧道工程。进一步强调并讨论了一些文献中的重要发现，以评估处理不同地下岩土工程问题的技术性能/准确性。这将为读者提供所用方法的置信水平或可靠性的间接测量。

从过去十年来作者为人工智能在地下工程中的应用汇编的文献中（见表1），可以发现第2节中讨论的大多数技术已应用于地下工程的不同部分（见图5）。所有技术均已应用于研究土壤和岩石特性以及桩基，但迄今为止尚未发现应用的LR除外。在深基坑和隧道开挖中，除EPR外，还使用了广泛的技术。此外，图6显示了基于汇编文献的不同技术的总引用次数（直到写作时）。显然，ANN和Bayesian方法是地下施工中应用最广泛的技术，其次是MARS、GP和SVM等其他技术。当比较2011年至2015年和2016年至今的总引文时（分别见图7和8），结果表明，尽管观察到“下降”，但ANN和贝叶斯方法的应用仍然被高度引用。在现有技术中，GP和MARS仍然较为流行，而基于EPR、PSO和SVM的引文在过去五年中有所下降。引文减少的一个可能原因是出版时间。对于过去五年内出版的文献，与2016年之前出版的作品相比，它被认为是“非常新的”，因此被引用的次数相对较少。另一方面，基于DT、RF和LR的引文在过去五年中有所增加，表明基于这些方法的地下建筑应用越来越多。

图5 AI在地下土壤结构相互作用中的应用

图6 2011年至2021年（截至撰写本文时）人工智能在地下土壤结构相互作用中的应用汇编文献的总引用次数

图7 2011-2015年与2016-2021年（截至撰写本文时）人工智能在地下土壤结构相互作用中的应用汇编文献的总引用次数（WoS）比较。

图8 2011-2015年人工智能在地下土壤结构相互作用中的应用文献的总引用次数（Scopus）与2016-2021年（截至撰写本文时）的比较

总之，假设研究人员具有编程知识和技能，所有人工智能技术通常都是健壮的，可以很容易有效地应用于广泛的岩土工程问题。通过对比分析，揭示了人工智能在地下建筑中应用的近期趋势。尤其是人工神经网络和贝叶斯方法在地下岩土工程研究中很受欢迎。近五年来，DT、RF和LR等方法在该领域也越来越流行。

3.1.土壤/岩石特性表征

土壤和岩石的特性是任何岩土工程设计工作的基础，但并非没有实验室试验中面临的挑战以及需要调节和改善的劣质土壤条件。因此，人工智能技术有助于根据收集的数据进行有用的推断，以便预测各种参数的特征设计值，从而提高对现场特定地面行为的理解。人工智能技术在土壤和岩石特性研究中有许多成功的应用。

通过回顾发现，贝叶斯方法是研究土壤和岩石特性的一种流行方法。这可能是因为贝叶斯方法将土壤参数视为模型中的随机变量，从而可以概率地捕捉参数的分布。因此，可以在模型中考虑并量化土壤特性固有的不确定性。除了随机变量建模外，贝叶斯方法最近通过考虑场地特征的空间变异性，成功地扩展到了随机场建模。可以使用贝叶斯方法对地下土壤地层进行概率分类，从而合理量化相关的不确定性。这有助于解决从现场特征中收集到的稀疏和有限测量值的岩土工程问题。

除了贝叶斯方法外，ANN和SVM等技术也常用于土壤和岩石特性的研究。这是因为ANN和SVM模型在有效解决非线性高维问题方面非常稳健。然而，由于ANN无法表示输入参数和输出之间的函数关系，因此采用了GP等方法进行解释，因为GP模型能够以树形结构或数学方程的形式表示输出，使用户很容易理解结果。

表2总结了从收集的文献中得出的一些重要结论。在评估模型拟合度时，使用了一种广泛使用的性能指标，即确定系数R2，来比较模型性能。表2显示，所有技术都能以可接受的精度直接或间接估计土壤/岩石参数，从SVM模型报告的R2 0.73到贝叶斯方法报告的精度高达90%。贝叶斯方法还可以考虑场地特征的空间变异性，并量化参数不确定性，这是其他技术无法实现的。值得注意的是，贝叶斯方法可以有效地处理不完整/缺失和有限的数据，并且在一些应用中提出的贝叶斯框架适用于不同地质条件的项目，而其他技术，如ANN，SVM和GP需要新的数据，以便更好地将模型推广到不同的地质情况。

3.2桩基

桩基础的复杂行为是地下土壤-结构相互作用的另一个方面，已被广泛研究。许多人工智能技术已成功应用于桩基行为建模，包括：（i）极限承载力预测，（ii）桩沉降估计，以及（iii）荷载沉降响应研究。

研究发现，能够找到复杂数据映射以及生成简单数学表示的人工智能技术在桩基研究中很流行。ANN和ANFIS是“黑箱”模型，可有效处理具有非线性特征的高维数据集，而GP、MARS和EPR等技术可以提供结构良好的数学表达式，便于解释结果。如桩承载力、桩荷载-沉降响应中讨论的研究所示，以试验和现场试验的形式发布的大量案例研究的可用性允许为桩基分析编制综合数据库。因此，人工智能技术，如自适应和可推广的人工神经网络，可能更适合。随着多年来人工智能技术的改进，趋势转向了其他方法，如GP、MARS和EPR，这些方法既可以处理数据复杂性，又可以提供用户容易理解的简单数学表达式。

在桩基中，R2通常用于评估模型性能。因此，图9总结了文献中的一些结果，以比较不同技术的准确性。图9显示了作者收集的一些文献报告的R2。从图中可以看出，人工智能技术通常在预测中表现良好，所有文献中都报告R2大于0.80。根据比较，我们注意到ANFIS和MARS似乎优于其他方法，在报告的研究中R2大于0.90。据了解，这些技术在其应用中具有不同的能力和局限性，因此，最近的研究采用了混合模型，将两种或两种以上的技术或改进的方法相结合，以提高原始算法的效率。混合/修改后的模型可以优于ANN、GP、SVM和RF等技术，并提供可与EPR、ANFIS和MARS相媲美的性能，其预测R2大于0.85。

图9 桩基中各种AI应用的模型性能比较

3.3地下空间施工（深基坑和隧道）

近年来，由于人口快速增长，对地下基础设施进行深度挖掘，以及修建轨道交通地下隧道以缓解城市交通，已成为大都市的常见做法。然而，由于开挖和隧道开挖引起的地面移动仍然是一个需要解决的主要问题，因为此类移动可能会导致相邻建筑物发生重大位移。机器学习技术的发展使地下建筑中复杂的土壤-结构相互作用得到更有效的研究。人工智能在地下空间施工中的应用从三个方面进行了讨论：（i）土壤参数的更新，（ii）开挖/隧道诱导的变形，以及（iii）地下空间的稳定性。

综述表明，贝叶斯方法是地下空间施工中常用的反演和更新土壤参数的方法。这是因为ANN、ANFIS和GP等大多数方法都是确定性的，其中土壤参数被视为常数，因此产生的结果具有固定值，可能不一定反映参数的真实值。因此，将土壤参数视为随机变量的贝叶斯方法作为反分析和更新土壤参数的稳健方法越来越受到关注。

研究发现，贝叶斯方法也可用于预测开挖和隧道引起的地面沉降和墙体变形。这可能是因为贝叶斯方法能够将先验信息（如案例研究、现场观察和工程判断）纳入模型。因此，在逐步收集监测数据的地下施工中，可以通过将之前的数据集成到模型中，轻松更新项目条件，以获得更新的模型参数，然后向前预测地下工程引起的变形。

MARS、RF和SVM等技术也广泛用于预测开挖/隧道开挖引起的变形。这些技术可以分析非线性的高维问题。因此，当分析涉及周围地面和支撑开挖系统和/或隧道之间复杂相互作用的地面变形时，可以高精度地捕捉整个土壤结构系统的复杂行为。

SVM、LR、DT和RF等技术已广泛应用于地下空间稳定性评价。这可能是因为这些技术可以有效地解决回归和分类问题。特别是，LR在预测事件发生概率和在二元条件或多级类别下进行预测方面非常有效。

表3总结了从收集的文献中得出的一些结果。除R2外，还使用了其他数值测量方法，如相对误差和均方根误差（RMSE），以评估模型精度。在各种研究中，模型通常提供可接受的精度，R2为0.72至0.94。MARS、RF、SVM和DT等技术在研究地面变形以及评估地下空间条件方面非常有效。值得注意的是，由于贝叶斯方法在基于现场观测的反分析中的优势，仅用于深基坑土壤参数的多级更新，而LR作为一种有效的分类技术，主要用于评估地下空间的稳定性。贝叶斯方法还可以通过更新过程减少参数的不确定性，提高模型预测的准确性。这使得观测方法能够更有效地用于多级开挖项目。据报道，采用RF和DT的一个缺点是，训练过程需要更多的数据来生成更全面的模型。

3.4.隧道工程

从隧道掘进机（TBM）性能评估和项目风险管理的角度，进一步讨论了人工智能在隧道掘进中的应用。TBM性能评估对于隧洞工程项目至关重要，以确保项目能够满足计划进度和成本。风险管理在施工中始终很重要，以确保正确评估项目的潜在风险，从而有效缓解不可预见的情况。

GP、DT和SVM已成功应用于TBM性能预测。这可能是因为GP和DT等方法可以以数学表达式或基于树的结构的形式生成简单且易于解释的模型，而SVM在解决非线性高维问题方面很强大。为了管理隧道工程可能产生的潜在风险，BN可用于识别和量化潜在风险。通过开发BN模型，可以将不同来源的知识纳入模型，以确定事件发生的原因并估计其概率。因此，它可以作为管理隧道工程可能产生的不同类型风险的决策工具，以便在必要时实施适当的应急计划，以防止潜在伤害、进度延误和成本超支。

表4总结了从收集的文献中得出的一些结果。基于不同技术开发的模型可以产生具有合理精度的输出，从研究中报告的最低R2为0.72到预测精度高达98%。这些模型可以很容易地应用于具有相似地质条件的问题，但需要更多的数据才能更好地将模型推广到其他问题。作为一种集成学习技术，RF可以最小化过拟合并改善DT的缺点。对于SVM模型，模型复杂度不取决于输入维度，而取决于模型中定义的支持向量的数量，这只需要优化选择几个控制参数。

3.5.总结

图10总结了人工智能在地下土壤-结构相互作用研究中的应用，以更好地可视化地下施工不同方面常用的技术。3.1土壤/岩石特性表征、3.2.1桩承载力、3.2.3桩荷载-沉降响应、3.4隧洞工程、，图10还突出显示了在不同应用中选择某些技术的原因，为读者提供了进一步理解和选择更适合其问题的人工智能技术的指导。

图10 AI在地下土结构相互作用中的应用综述

从审查中可以明显看出，人工智能技术在不同方面都是优越的，因此可以选择某些技术来研究特定的岩土工程问题。由于第3节中的讨论主要集中于各种方法的能力/优势，本节旨在回顾过去研究中发现的技术的一些局限性，以便理解采用这些方法时可能面临的挑战。然后，介绍了这些技术的最新发展，以强调为提高现有人工智能技术的效率和/或克服其应用中的局限性而做出的一些改进。

4.1.人工智能技术的局限性/挑战

表5总结了人工智能技术的一些局限性，以及前几节讨论的主要特征和能力，以供比较。一般来说，大多数人工智能技术产生确定性模型。然而，贝叶斯方法在分析问题时提出了一种概率方法。在确定性模型中，模型忽略了不确定性，并且缺乏使用置信度评估模型准确性的能力。同时，贝叶斯方法可以提供预测的概率分布，并允许评估与模型输出相关的置信度。根据文献综述和表5，以下讨论了这些技术的一些缺点：

ANNs：适应性；可以推广；能够处理具有非线性特征的高维数据集。

局限性：被视为“黑箱”模型，无法在输入和输出之间呈现明确的关系；分析前必须确定最佳模型结构。

GP：以树形结构或方程的形式提供问题的明确结构化表示。

局限性：在寻找常数方面并不强大，因此，在搜索过程中可能会错过函数的最佳值和良好结构；倾向于产生随时间增长的函数。

EPR：生成透明且结构良好的数学表达式。

局限性：由于模型的灵活性，可能会出现过拟合问题。

MARS：可以在高维数据中找到复杂的数据映射，并生成简单的解释模型。

局限性：易受过拟合影响，仅限于处理大型数据，对于稀疏数据，精确度较低。

PSO：易于应用，计算效率高；在寻找全局最优方面很强。

局限性：在搜索局部最优值时，搜索过程可能缓慢且无效

ANFIS：解决复杂非线性问题的预测能力强；可以在不进行数据预处理的情况下开发模型

局限性：被视为“黑箱”模型，不提供实用的预测方程

Bayesian：能够将现有知识纳入模型，并严格量化不确定性；反分析中的优势

局限性：对于更复杂的问题，需要足够的计算能力和观察次数；可能需要对事先分配进行合理估计

SVM：使用核函数解决非线性高维问题的鲁棒性

局限性：计算复杂度高；对缺失和不平衡数据敏感

DT：易于解释，并提供可理解的规则或结构；提供视觉解释

局限性：对于非线性数据和易受噪声数据影响的数据，性能不如其他技术

RF：易于理解，抗过拟合能力强，能够处理高维数据

局限性：对结果树结构的数据集选择敏感

LR：可以处理任何类型的变量，而不需要其分布的任何特定属性

局限性：约束以最小化每个独立变量响应曲线的梯度

a） 适用性/通用性

人工智能技术应用中的一个挑战是技术的适用性或泛化能力。由于人工智能技术是数据驱动的，因此它们在很大程度上依赖于所提供的数据来进行预测。开发的人工智能模型适用于类似土壤/岩石类型的问题，但应谨慎地将其应用于不同的地质条件，因为需要对训练数据范围之外的新数据进行外推。因此，需要更多包含其他地质条件的数据来训练模型以适应新数据并提高其适用性。这在GP、MARS，DT和LR等文献中都有报道。

然而，有些方法可能是通用的。Wang和Cao，Ching和Phoon提出的贝叶斯框架适用于不同的项目特定数据。建议的方法独立于数据的性质，这意味着它可以应用于不同的土壤类型。使用贝叶斯方法，通过将先前的输出与模型中的输出合并，可以使用先前训练的模型通过更新过程补充新数据。此外，可以通过贝叶斯更新降低与模型参数相关的不确定性，提高模型可靠性，以提供更准确的预测。

b） 稀疏数据处理

通常，数据集越大，人工智能技术的性能越好。随着数据集数量的增加，数据中的“噪声”也可能随着收集的参数或信息数量的增加而增加，从而导致模型训练的数据稀疏。有时，可以从地质条件高度变化的项目现场收集稀疏数据。一些技术更容易受到稀疏数据的影响，例如MARS和DT。RF还可能对模型训练所用数据集的选择敏感。

c） 收敛速度慢

ANN和ANFIS等技术收敛速度慢，在寻找最优解时往往陷入局部极小。此外，可能需要较长的培训过程来确定人工神经网络的最佳模型结构，因为它是先验未知的。GP在寻找最优解的同时寻找常数的能力较弱，往往会产生随时间增长的函数。PSO的搜索过程也很慢，在寻找问题的局部最优解方面效率较低。

d） 过度拟合

一些人工智能技术在训练过程中可能会遇到过拟合，导致模型似乎与数据拟合得很好，但在应用于其他问题时却不能很好地泛化。在EPR、MARS和GP等技术中发现了过拟合问题。

e） 计算复杂性

在处理复杂数据集时，一些技术可能需要更高的计算能力来处理训练过程。Jin等人（2018）强调，在更复杂的环境中，需要足够的计算能力来有效地训练贝叶斯模型。Kohestani等人（2015）还报告称，SVM模型在处理更复杂的数据集时可能面临计算复杂性问题。

4.2.人工智能技术的最新发展

为了克服应用人工智能技术时可能面临的一些挑战，已经对现有技术进行了改进或修改，以提高其效率。改进或修改的人工智能技术有时被称为技术的“变体”。在一个模型中结合两种或更多技术的混合人工智能模型也变得越来越流行，以提高模型性能，同时解决现有方法的局限性。在本节中，我们将讨论人工智能技术和混合模型的变体，以向读者提供可能的对策，这些对策可以用来解决所选技术带来的一些问题。

4.2.1.技术变体

为了改进现有的人工智能技术，已经做了许多修改（见图11）。已开发的一些变体进一步讨论如下：

图11 总结了为提高 AI 技术性能而开发的一些变体

a） 人工神经网络

作为最早开发的人工智能技术之一，已经开发了许多变体来改进原始ANN算法。例如Shahri（2016）指出，Levenberg-Marquardt算法是一种先进的非线性优化算法，可以加快ANN的训练过程，而Ismail和Jeng（2011）强调，高阶神经网络（HON）可以通过增加信息容量和减少网络中所需的处理元素数量，以较小的网络规模实现较高的预测精度模型以形成输入的高阶组合。

b）GP

对GP算法进行了修改，以提高其性能。Armaghani等人（2018年）采用了GP的一种变体，即基因表达编程（GEP），通过解决与在模型中应用遗传算子和过拟合相关的问题来提高GP的效率。Naghadehi等人（2018）也采用了GEP来生成更稳健的模型，该模型可以更好地推广到类似的岩石类型和地质条件。

c） 贝叶斯方法

贝叶斯非参数通用回归（BNGR）作为贝叶斯方法的变体之一，最近被Zhao等人（2019）成功应用于土壤加固研究。该模型利用了贝叶斯推理在为模型选择适当的输入变量方面的优势，以及通用回归神经网络强大的预测能力，以评估土壤加固中各种因素的重要性。

d） 支持向量机

Moayedi和Hayati（2019）采用了两种SVM变体，即正则化广义近似SVM（ReGEPSVM）和双SVM（TWSVM），以预测粘土中打入桩的摩擦承载力。与其他回归方法相比，ReGEPSVM能够将模型的运行时间减少一半，同时在不同数据集上显示出更好的通用性。

总之，不同技术变体的开发已证明在解决使用现有人工智能方法时可能面临的一些问题方面是有效的，例如收敛速度慢、过拟合和计算复杂性。

4.2.2.混合技术

除了修改现有技术外，还可以在单个模型中组合不同的技术，以克服已确定的一些限制。可以使用集成学习方法将多个算法集成到一个模型中，或者使用优化算法将它们组合为混合模型，以提高模型性能。

a） 集成模型

组合了几种机器学习算法的集成模型可以有效地克服现有技术的挑战，同时性能卓越。RF是一种集成学习算法，旨在通过组合大量随机训练的DT来提高模型性能。Zhou等人（2019年）解释说，通过集成分类与回归树（CART）和基于自举的学习方法bagging，RF模型可以克服过度拟合和单个DT的限制，具有强大的数据挖掘能力和高预测精度。

极端梯度增强（XGBoost）是Chen和Guestrin（2016）提出的另一种集成学习方法，通过集成DT提高模型精度，并允许模型处理稀疏数据。W.Zhang等人（2020a）应用XGBoost估算隧道开挖引起的地表沉降。该模型比MARS、SVM和ANN等方法计算效率更高，可以可靠地用于解决多元非线性岩土工程问题。W. Zhang等人（2020d）还应用RF和XGBoost评估了支撑开挖的基底隆起稳定性。这些模型表现出优异的性能，RF和XGBoost模型分别报告R2为0.988和0.994。

b） 混合模型

PSO和GA等优化算法可以有效地优化人工智能技术。Ismail等人（2013）将粒子群算法与人工神经网络相结合，以实现高效的全局搜索过程，并防止模型陷入局部极小值或错过最佳解。Elbaz等人（2019年）提出了一种混合ANFIS-GA模型来预测TBM性能，该模型改进了原始ANFIS模型，因为GA增强了ANFIS中参数调整的运行时间。Fattahi和Babanouri（2017年）提出通过使用进化算法（如差异进化（DE）、人工蜂群（ABC）和重力搜索算法（GSA））来优化支持向量回归（SVR），以形成三个混合模型（即SVR-DE、SVR-ABC和SVR-GSA）来预测TBM穿透率。这些算法提高了SVR模型的泛化能力，同时显著提高了搜索最优模型参数的速度和精度。

总之，使用集成学习方法（如RF和XGBoost）以及人工智能技术与优化算法的组合来形成混合模型，已证明在处理稀疏数据处理、缓慢收敛、过拟合和现有人工智能技术的计算复杂性等问题时是有效的。

人工智能在地下土壤-结构相互作用中的应用综述表明：

（a）根据作者过去十年收集的文献，广泛的人工智能技术已应用于地下工程的不同方面。人工智能在地下建筑中应用的增加表明，由于其处理高维数据集的能力，它们的需求量很大。人工智能技术在处理复杂数据集方面特别强大，在捕获模型中变量之间的非线性关系方面效率很高，预测精度很高。

（b）在引文计数方面，观察表明，人工神经网络和贝叶斯方法在地下工程中应用最为广泛。然而，对比分析表明，DT、RF和LR等方法在该领域越来越流行，而ANN和贝叶斯方法在地下岩土工程研究中仍然广泛使用。

（c）一些人工智能技术存在某些缺陷，例如在开发的模型中缺乏透明度和知识提取能力，导致ANN和ANFIS等“黑箱”模型。其他技术如EPR、MARS、贝叶斯方法和LR可以提供输出的结构化数学表达式；或以树状结构（如GP、DT和RF）表示解决方案的可视化表示。

（d）人工智能应用中发现的一些挑战包括适用性/泛化能力、对稀疏数据的敏感性、收敛速度慢、过拟合以及处理复杂数据集时的计算复杂性。

（e）开发的人工智能模型适用于类似条件的问题。对于地质条件变化较大的问题，需要更多数据进行培训，以更好地概括所开发的模型。通过向模型提供新数据，可以对其进行培训，使其适应新数据并提高其适用性。

（f）为了解决现有技术的一些局限性，人工智能的最新发展表明，已经开发了不同技术的变体来改进原始算法。除了修改现有技术外，集成机器学习算法（如RF和XGBoost）在处理过拟合和稀疏数据敏感性方面也表现出了良好的模型性能。将现有方法与PSO和GA等优化算法相结合的混合模型可以克服人工智能技术收敛速度慢和计算复杂的问题。