人口增长与快速城市化已成为全球性重大挑战，这些问题导致地下空间开发项目的旺盛需求。尽管从事地下工程设计的 engineers 和研究人员致力于寻找可行解决方案，但仍面临理解地下岩土结构复杂行为机理的巨大难题。机器学习（Machine Learning, ML）作为当前研究热点，相较于传统经典技术，展现出理解地下工程系统复杂行为的卓越能力。本综述旨在全面概述近十年来机器学习方法应用于解决地下工程问题，特别是地下土-结构相互作用领域的研究进展。所综述的机器学习方法涵盖岩土体表征、深基坑开挖、桩基础及隧道工程等核心方面。此外，研究还阐述了各类广泛应用方法的优势，以辅助未来研究人员选择更适宜的技术路径。研究同时对传统地下工程建模技术与新兴机器学习方法进行了对比分析，探讨混合方法如何融合两种范式之优势。通过详细案例分析，研究人员展示了实际工程应用，并识别了机器学习解决方案现场部署中的关键挑战。综述纳入了物理信息机器学习（Physics-Informed ML）框架，该类框架将领域知识与数据驱动洞见相结合，突出了其在应对纯数据驱动模型于地下应用中的局限性。最后，研究还讨论了机器学习模型的不足之处，以及应对上述问题以提升预测性能的可能途径。
研究背景与动因
全球人口激增与快速城市化进程对地下空间开发提出了前所未有的需求，地铁隧道、超高层建筑地下结构、停车场及深层开挖等工程日益增多。然而，地下岩土介质表现出高度的复杂性、不确定性和非线性特征，其动态行为超出了人类认知能力的范畴，传统基于简化假设的岩土力学分析方法常导致设计中的高估或低估问题。尽管信息技术与科学计算软件的发展在一定程度上缓解了繁复数值分析的计算负担，但地下工程设计仍面临严峻挑战。近年来，机器学习作为人工智能的重要分支，凭借其从数据中学习复杂模式而无需依赖显式物理假设的优势，在岩土工程领域展现出巨大潜力。现有研究虽在隧道工程人工智能应用方面取得进展，但多聚焦于隧道掘进机性能、施工优化或岩石力学等孤立方面，缺乏整合多领域的系统性分析框架；同时，地下土-结构相互作用中的人工智能应用因建模复杂及缺乏统一分析指南而在实际设计中利用不足。基于此，开展本项系统综述具有重要必要性。
研究内容与技术路径
研究人员按照PRISMA 2020指南，对2013至2024年间发表于Web of Science和Scopus数据库的文献进行了系统性梳理，最终纳入117项研究。综述聚焦四大地下工程领域——岩土体表征（约占42%）、深基坑工程（38%）、桩基础（9%）及隧道工程（11%），系统分析了分析性机器学习技术及其优化方法的应用现状。研究所涉及主要技术方法包括：逻辑回归（Logistic Regression, LR）、人工神经网络（Artificial Neural Network, ANN）、随机森林（Random Forest, RF）、极端梯度提升（XGBoost）、自适应提升（AdaBoost）、梯度提升（Gradient Boosting, GB）、支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree, DT）及智能优化技术（粒子群优化PSO、遗传编程GP、贝叶斯方法BM）。此外，研究特别关注了物理信息机器学习框架与混合方法，以及特征工程、地质不确定性量化和跨场地模型迁移等关键技术挑战。
核心研究结果
岩土体表征领域的机器学习方法应用
在岩土体表征方面，贝叶斯方法（Bayesian Method, BM）因其将岩土参数视为随机变量并进行概率化捕捉的能力而占据主导地位。Zhao等基于42个钻孔数据，构建了融合地层不确定性与岩土属性不确定性的贝叶斯更新框架，通过自适应多分辨率分析、专家先验估计层级测量模型，在12个验证点取得高预测精度，使现场勘察工作量减少30%而置信度不受影响。Hikouei等比较了XGBoost、RF和SVM在土壤容重分类中的性能，发现XGBoost优于基准模型。Özdemir分别应用ANN和GP预测花岗岩的无侧限抗压强度和弹性模量，以及剪切强度参数，其中GP以显式数学方程形式提供可解释结果。Cemiloglu等采用SVM预测岩石单轴抗压强度，Acar和Kaya则利用SVM估算软弱岩石的弹性模量。Cheng等运用GP预测浅层土壤吸力，Zhang等采用GB和RF评估各向异性黏土中支撑基坑的基底隆起稳定性。
深基坑工程中的机器学习方法应用
深基坑工程面临周边建筑损坏风险，机器学习在变形预测方面发挥重要作用。Tao等提出双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）与贝叶斯更新相结合的创新方法，基于172个基坑项目数据训练模型，采用滑动窗口策略实现实时预测，结合迁移学习跨地质条件泛化，并开发简化模型版本用于现场部署，最终墙后挠度预测的平均绝对百分比误差（MAPE）为8.7%，不确定性界限在92%的测试案例中有效包络实测值。Huang等利用ANN预测软土中基坑引起的隧道水平位移；Liu等采用SVM预测隧道掘进机贯入速率；Xie和Peng应用RF预测隧道开挖损伤区的时空分布规律。Wang等基于离心试验数据采用BM预测开挖引起的最大地表沉降，Su等则比较了BM与XGBoost在地表沉降预测中的性能。Jin等和Lin等分别运用SVM和GB进行岩爆风险预测与评估。
桩基础工程中的机器学习方法应用
桩基础行为预测因土-结构相互作用复杂而极具挑战。Abu-Farsakh和Shoaib基于174组桩基载荷试验及静力触探试验（Cone Penetration Test, CPT）数据，比较了ANN、RF和GB模型，经领域特征分析确定归一化锥尖阻力和摩阻比为最具信息量的特征，采用分层k折交叉验证确保泛化性，并应用贝叶斯优化微调参数，最终RF模型实现R
2 = 0.92、RMSE = 0.58的优异性能，较传统方法精度提升38%。Pham等采用ANN和RF预测打入桩极限轴向承载力，其中RF表现更优。Armaghani等结合ANN与PSO分析桩基沉降，运用神经群智能方法。其他研究如Moayedi和Hayati利用SVM预测黏土中打入桩的侧摩阻力，Nawaz等应用基因表达式编程（Gene Expression Programming, GEP）预测层状土-岩组合地层中嵌岩桩的极限承载力。
隧道工程中的机器学习方法应用
隧道工程，特别是隧道掘进机（TBM）性能评估方面，机器学习方法应用广泛。Yu等基于15.8公里隧道项目数据，采用XGBoost、RF、ANN和SVM进行TBM性能预测，设计了两阶段机器学习流程：地质分类与性能预测，运用互信息特征选择系统隔离关键输入，并通过粒子群优化（PSO）精炼模型参数，XGBoost模型贯入速率预测MAPE低于8%，在83%的测试案例中提早预警性能下降，减少停机时间15%。Zhang等比较了XGBoost、ANN和SVM预测土压平衡盾构引起的地面沉降。Zhou等应用XGBoost估算硬岩条件下TBM推进速率，并通过贝叶斯方法调整参数。Chung等采用BM进行盾构隧道施工风险分析，考虑地质风险因素。Ghorbani和Yagiz运用GB估算TBM贯入速率，Yang等则利用RF预测TBM施工中的不良岩体。
传统方法与机器学习的对比分析
研究人员对传统经验方法、解析法、极限平衡法、有限元法（Finite Element Method, FEM）、有限差分法（Finite Difference Method, FDM）、离散元法（Distinct Element Method, DEM）及混合数值方法进行了系统阐述，并与机器学习分析方法进行了全面对比。经验方法如Terzaghi承载力公式和Peck沉降预测法计算简便但难以捕捉复杂地质条件；解析法基于连续介质力学但在理想化假设下求解；FEM、FDM和DEM等数值方法可模拟复杂几何与非线性行为，但存在计算成本高、本构建模简化等局限。相较而言，机器学习能从数据中直接学习复杂非线性关系而无需显式本构定律，在不确定性量化方面具有理论优势，可通过概率框架更好地处理地下系统中的偶然不确定性与认知不确定性。混合方法——特别是物理信息机器学习框架——结合前者的物理一致性与后者的模式识别效率，在数据需求、参数优化和可解释性方面实现平衡，但实施复杂性增加，需要跨学科专业知识。
主要结论与展望
研究结论部分明确指出：机器学习模型是地下工程中新兴的研究热点技术，其处理复杂高维数据的优越预测性能吸引了大量研究与工程应用；ANN、BM和GP是近十年最常用的方法，但集成方法（RF、AdaBoost、XGBoost）近期展现出更优性能并逐渐流行；单一方法存在不可解释、过拟合、计算量大、欠拟合等固有缺陷；通过方法变体、集成学习及混合方法可有效克服上述挑战；传统方法提供可解释性与理论严谨性但计算耗时且依赖简化假设，机器学习方法实现快速预测但需大量高质量数据且透明度不足；成功案例表明需针对数据稀缺、可解释性需求、地质条件泛化和实时计算约束等 domain-specific 挑战开发解决方案；物理信息机器学习框架整合基本力学原理与数据驱动学习，可减少数据需求、改善训练分布外泛化，并在深基坑、地表沉降预测和TBM性能等方面实现可测量的性能提升。未来研究应聚焦于开发更鲁棒的物理信息机器学习框架，同时更加注重不确定性量化和模型可解释性，以促进机器学习技术在安全至关重要的基础设施项目中的广泛应用。
打赏
