本研究对隧道工程中用于地质力学参数反分析的人工智能（AI）与机器学习（ML）技术进行了系统综述。随着地下工程复杂性不断增加以及监测数据可获得性的持续提升，基于AI的逆向建模已成为估计关键岩体参数的重要工具，包括弹性模量（E）、黏聚力（c）、内摩擦角（φ）和泊松比（ν）。研究对近年来神经网络、支持向量机（SVM）、模糊逻辑系统、集成学习以及将进化算法与数据驱动方法相结合的混合模型进行了综合评述。结果表明，混合AI方法，例如遗传算法（GA）增强神经网络或基于粒子群的回归模型，在预测精度、收敛速度以及面对不完整或含噪数据时的稳健性方面均优于传统方法。代理建模与概率框架进一步降低了计算成本，同时能够处理参数不确定性。工程应用表明，AI增强模型能够重现实测隧道位移，并适应变化的地质条件。AI与数值建模的集成提升了参数识别的可靠性、效率与自动化水平。论文最后总结了若干关键挑战与未来发展方向，包括实时更新、模型泛化以及标准化基准数据集的构建。
1. Introduction
论文首先指出，地下开挖与隧洞设计高度依赖原位应力、孔隙水压力、岩体强度及变形特性等关键地质力学参数的准确识别。这些参数直接关系到洞室形状、围岩稳定性及支护体系设计。传统原位试验虽然能够提供参数信息，但通常成本高、耗时长，且结果局限于局部区域，难以反映复杂地质体的整体非均质性。因此，反分析逐步成为隧道与地下洞室工程中的重要方法，其通过利用现场观测数据，如地表或围岩变形、应力测试结果，反演未知参数，从而构成对直接测试的经济性替代方案。
文中进一步回顾了反分析在过去数十年中的发展脉络，指出其已被广泛用于识别平均力学性质、水力学性质、变形模量以及强度参数等。隧道施工过程中通常布设应力计、位移计等监测仪器，一旦实测结果偏离设计预测，反分析即可用于修正设计模型并更新应力估计，从而提高支护系统的安全性与经济性。作者特别强调，位移监测因实施简便而被广泛采用，并已证明在异常围岩行为识别和施工干预决策中具有重要作用。
在方法演进方面，论文梳理了经典逆分析框架，包括基于位移回算的方法、柔度法、基于有限元法（FEM）的迭代标定、伴随梯度优化以及贝叶斯（Bayesian）或概率更新方法。这些方法为岩体参数识别奠定了理论基础，但也存在共性局限：对测量噪声和初值敏感、问题非唯一且病态、在非线性与非均质地层下适应能力有限、计算代价高、难以随施工新数据实时更新。基于此，作者引出了人工智能方法的必要性，认为AI能够从监测数据中学习复杂非线性映射关系，借助元启发式算法在高维参数空间中搜索，并通过代理模型降低计算量，从而更适用于不确定性强、数据受限的隧道工程情景。
2. Methodology of AI methods in back analysis
本节说明了综述的文献筛选过程与方法学分类框架。研究基于Scopus、Web of Science和Google Scholar数据库，对2000—2024年间相关文献进行系统检索，纳入标准包括：采用AI、ML、深度学习（DL）或混合优化方法进行地质力学参数反演或隧道收敛预测；具有定量性能指标，如决定系数（R
2 ）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）；并与地下或岩土工程应用直接相关。最终共纳入56篇同行评审研究。作者据此将AI反分析方法划分为五类：单一预测模型、集成学习、混合模型、代理模型和元启发式优化支持的反演框架。
文中通过关键词共现分析总结了研究主题的演化结构。一个核心聚类围绕岩体、位移、监测数据和反分析等传统地质力学内容展开；另一聚类体现神经网络、代理模型、粒子群优化（PSO）、遗传算法（GA）和深度学习等AI驱动方法；还有聚类涉及隧道掘进机（TBM）性能、工程成本和施工规划等运营层面内容。这一结果说明，AI在隧道地质力学中的应用已从单纯位移反演扩展至施工优化、性能预测和工程管理。
2.1. Calculation
作者将AI驱动反分析的一般流程概括为：首先通过有限元数值模拟生成样本，考察不同参数组合下的位移与应力响应，典型参数包括弹性模量（E）、黏聚力（c）、内摩擦角（φ）和泊松比（ν）；随后将模拟数据与现场监测数据融合，形成混合数据集；之后经过归一化、异常值剔除及必要时的主成分分析（PCA）等预处理，供监督学习模型训练；最终利用训练后的代理模型替代反复调用FEM，实现未知参数的快速反演。模型性能通常采用R
2 、RMSE、平均绝对误差（MAE）和MAPE评价。文中指出，高性能模型往往可达到R
2 > 0.98且MAPE < 2%，说明AI代理模型在工程精度上具有实际可用性。
2.2. Data generators
本节重点讨论AI反分析的数据来源与构造。论文指出，FLAC3D、PLAXIS、RS2 和 ABAQUS 等数值平台仍是合成数据生成的主力工具。通过系统改变 E、ν、c、φ、渗透率及原位应力等输入参数，可生成无噪声的位移和应力响应，这对于现场数据稀缺、不完整或噪声较大的工程尤为重要。为避免大规模模拟带来的高昂成本，研究中常采用拉丁超立方采样（LHS）或正交设计，以较少的样本覆盖足够广的参数空间。
与此同时，现场监测数据为模型提供真实工程约束，但其常伴随噪声、缺测、时间不连续和分辨率不均等问题。因此，文献普遍强调预处理的重要性，包括小波去噪、经验模态分解、频域滤波、K近邻（KNN）插补、回归填补、矩阵分解以及基于Transformer的序列重建。作者还指出，在实际项目监测稀疏的情况下，混合数据框架成为趋势，即将有限现场观测与数值模拟样本或试验样本结合，并辅以迁移学习、数据增强及物理信息神经网络（PINNs），以降低对大规模标注数据的依赖。
2.2.1. Field monitoring data in AI-driven geotechnical inverse analysis
该部分聚焦于基于现场监测数据的AI反分析。最常见的观测量包括隧道收敛、拱顶沉降、边墙位移、应力读数和孔压变化。反向传播神经网络（BPNN）是使用最广泛的模型之一，常用于建立位移与地质力学参数之间的映射关系。为克服BPNN易陷入局部极值的问题，研究者引入GA-BPNN、PSO-ANN、MEA-BPNN等混合框架，提高收敛速度和稳健性。支持向量机（SVM）及多输出支持向量回归（MSVR）在小样本和稀疏监测条件下表现稳定。集成方法如AdaBoost和LightGBM则在软岩与泥岩隧道中表现出较高精度。
作者总结了现场数据验证的两类主流策略：一类是直接位移验证，即将模型预测位移与实测收敛、沉降或应力记录进行比较；另一类是“反演—正演一致性”验证，即将反演所得参数重新输入FEM或有限差分法（FDM）模型，检验所得响应与实测值的一致程度。综述表明，许多研究报告了较高精度，如R
2 > 0.95，RMSE处于毫米量级以下，说明场监测驱动的AI模型能够有效支撑现场参数识别。但作者同时提醒，这类模型对数据质量高度敏感，存在过拟合、解释性不足和项目间可迁移性有限等问题。
2.2.2. Most effective AI methods validated by field monitoring data
在经现场监测验证的方法中，论文认为若干模型已达到“当前最佳”水平。基础方法中，BPNN因其非线性拟合能力和与FEM耦合的便利性，仍是重要基线。集成学习方面，EO-LightGBM等模型在软岩隧道位移预测中显示出很高拟合度。混合框架方面，GA-BPNN、PSO-ELM、DE-GPR、PSO-RBFNN等凭借元启发式优化的全局搜索能力，在相对误差、R
2 和RMSE方面表现突出。概率学习方法如多输出高斯过程（MOGP）与贝叶斯框架则兼具不确定性量化功能。对于时间序列问题，ATENet等递归结构及注意力增强网络在长期应变和温度监测场景中显示出明显优势。作者据此提出，混合优化、集成学习和时序深度模型是最适合复杂隧道环境的方向。
2.2.3. Numerical simulation methods in AI-driven geotechnical inverse analysis
该部分讨论FEM、离散元法（DEM）等数值方法在AI反分析中的角色。FEM被视为最核心的前向求解器，用于在可控条件下生成地层变形、应力和塑性区分布等响应，为监督学习提供物理一致的数据基础。多篇研究将FEM嵌入GA-ANN、DE-ELM、DE-GPR等优化回路中，实现参数搜索。对于节理化、断裂化岩体，DEM尤其是3DEC能够补充连续介质模型的不足，显式表达节理、断层和块体运动。为应对高精度三维模拟带来的计算代价，论文还总结了降阶建模技术，如本征正交分解（POD）、降阶模型（ROM）、高维模型表示（HDMR）及代理神经网络。总体而言，数值模拟提供了高质量、低噪声、可控范围广的数据，但其可靠性依赖于边界条件、网格划分和本构模型的合理性，若缺乏现场校准，则可能偏离真实工程行为。
2.2.4. Hybrid workflows integrating FEM and field monitoring data in AI-based geotechnical inverse analysis
作者认为，融合FEM与现场监测的混合工作流是目前最可靠的AI反分析策略。其核心思想在于：用FEM系统地探索参数空间，用现场监测将模型锚定到特定工程实际，从而兼顾泛化能力与物理可信度。FLAC/FLAC3D、PLAXIS、ABAQUS、RS2/Phase2及3DEC等软件平台在此类框架中各具优势，分别适用于岩土相互作用、深基坑与洞室、流固耦合、二维弹塑性分析及非连续介质问题。此类混合框架通常采用LHS生成参数样本，将模拟响应与实测收敛、应力、孔压等数据融合，随后训练GA-BPNN、GWO-SVR、DE-GPR、POD-ANN或ATENet等模型。文献表明，这类方法在复杂地层下更具稳健性，能够减少对噪声和数据稀疏性的敏感度。
2.2.5. AI methods integrated within hybrid FEM and field data workflows
在具体AI算法层面，论文归纳了若干典型的混合组合。GA-BPNN依靠GA优化初始权值与阈值，有效缓解局部最优问题，适用于大跨度隧道和洞室参数反演。PSO-ELM则凭借极限学习机（ELM）的快速训练特征和PSO的全局调参能力，适用于需要快速更新的工程环境。DE-GPR将差分进化（DE）与高斯过程回归（GPR）结合，兼顾优化能力与不确定性表达。GWO-SVR、WOA-ELM、PSO-RBFNN及Gray Verhulst–BPNN等方法则分别在过拟合控制、计算效率、小样本拟合和短时序趋势预测方面展现特色。对于时间依赖变形问题，ATENet通过引入注意力机制改善长期序列学习能力，在顺序变形预测方面优于传统循环神经网络（RNN）和长短期记忆网络（LSTM）。
2.2.6. Representative engineering case studies for AI-based inverse analysis
文中给出了两个代表性工程案例。其一为Chenjiadian Tunnel，围岩为弱胶结砂砾层，地下水丰富、地层非均质且变形具有时变性。该工程采用GA-BPNN反演变形模量和侧压力系数，取得较高拟合精度，但对收敛监测噪声较敏感。其二为深埋节理花岗岩地下洞室群，通过基于FEM参数扫描训练的POD-ANN代理模型估计节理刚度和弹性模量。该方法具有效率高、结果稳定的优点，但在数值模型未充分表达不连续结构时，其可靠性会受到限制。作者借此说明，AI反分析的工程有效性建立在高质量监测与高保真前向模型共同支撑的基础之上。
3. Results
结果部分从三类数据利用模式展开：基于现场监测、基于数值模拟和基于两者融合的混合方法。总体来看，AI显著提升了参数估计的精度、稳健性和计算效率，并推动隧道工程从传统离线分析向近实时预测分析转变。除位移和应力预测外，AI还促进了不确定性量化、概率安全评估和数据驱动设计优化的发展。
3.1. Field monitoring-based AI models
基于现场监测的AI模型在估计地质力学参数及预测隧道变形方面表现突出。BPNN、SVR、RBFNN、ELM等监督学习模型广泛应用于拱顶沉降、边墙收敛、孔压等数据。经GA、PSO、WOA、ACO等优化后，模型精度进一步提升。作者指出，这类模型在多种地质条件下均可实现很高的R
2 ，但其稳定性高度依赖预处理质量，包括异常值识别、平滑滤波、小波去噪、缺失值重构和特征归一化等。换言之，数据质量管理是现场驱动模型成功的前提。
3.2. AI models trained on numerical simulation data
基于数值模拟训练的AI模型展现出物理一致性强、参数空间覆盖广的优势。FEM作为前向求解器，能够系统生成不同参数条件下的响应模式，为GA-BPNN、PSO-ELM、WOA-ELM、GWO-SVR、DE-GPR等模型训练提供基础。作者强调，LHS等采样策略与POD-ANN等降阶方法有效提升了训练数据的代表性与构建效率。这类方法在推广至不确定性分析、概率推断和迁移学习方面具有潜力，但真实场景适用性仍依赖后续现场校验。
3.3. Hybrid AI models integrating FEM and field monitoring data
混合模型被作者明确评价为“最可靠策略”。其优势在于同时利用FEM的可控性和监测数据的现场真实性，从而实现理论严谨性与工程适用性的平衡。GA-BPNN、PSO-ELM、GWO-SVR、DE-GPR和ATENet等在混合数据集上的表现均优于单一数据源模型，且在多项研究中达到很高的预测精度与较低误差。作者还指出，在小到中等规模隧道项目中，混合模型并不必然带来不可接受的计算负担，因为真正耗时的往往是数据集生成而非AI训练本身，而代理模型、降阶技术和早停策略可进一步控制成本。
3.4. Comparative evaluation
比较分析显示，三类方法各有适用边界。现场数据驱动模型最贴近原位状态，适合特定场地校准与快速决策；数值模拟驱动模型适合参数空间探索、敏感性分析和受控测试；混合模型则兼具精度、稳健性和泛化能力，是复杂地层和高风险隧道的更优选择。与传统依赖迭代FEM和人工调参的反分析相比，AI特别是混合FEM-AI框架能够通过学习前向问题的代理表达，大幅降低在线参数更新的计算开销，并更适合实时决策支持。
4. Discussion
讨论部分总结指出，AI在隧道地质力学参数反分析领域已从早期浅层学习和单模型阶段，逐步发展到代理模型、集成方法、混合FEM-AI和深度时序结构并存的新阶段。现场监测驱动方法具有较强的工程解释性，但受限于监测稀疏、噪声和数据共享障碍；纯数值驱动方法具有系统性，却可能因理想化假设而降低现场保真度；混合方法则在这两者之间实现最佳平衡。尽管如此，作者仍强调若干关键问题：数据集规模不足、跨项目泛化能力有限、深度模型可解释性不足、超参数调试复杂、以及安全关键场景下对透明性和可信性的更高要求。论文因此认为，未来应更多发展物理约束AI、联邦学习、不确定性感知框架以及面向地下结构数字孪生（digital twin）的集成系统。
5. Future directions in AI-enhanced inverse analysis
未来方向部分提出了多个重点：其一，建立标准化基准数据集与统一评价指标，以提升研究可复现性与可比性；其二，加强可解释人工智能（XAI）与不确定性量化，尤其是贝叶斯（Bayesian）框架在参数后验估计和风险评价中的应用；其三，推动AI反演模型与数字孪生、实时监测和在线更新深度耦合；其四，提高模型对稀疏、含噪和异构数据的鲁棒性；其五，发展嵌入物理规律的混合AI—物理模型与代理模型；其六，面向边缘计算和现场硬件部署开展轻量化优化；其七，通过迁移学习和领域自适应提升跨工程泛化能力；其八，建立适配工程实践的安全治理与人机协同机制。作者认为，这些方向将决定AI反分析能否从研究工具真正转化为地下工程中的常规实用技术。
6. Conclusions
结论部分指出，本综述系统评估了AI在地质力学反分析中的应用，并围绕现场监测、数值模拟和混合方法三类数据来源进行了比较。总体上，现场驱动模型因直接反映原位行为而精度较高，但受限于监测覆盖与噪声；模拟驱动模型可提供结构化、无噪声数据，却容易因模型假设与现场差异产生偏差；混合方法综合两者优势，是目前最具前景的发展路径。论文同时强调，AI并非应被无条件采用，其工程价值取决于是否能够与地质力学知识、透明的数据处理流程、合理的不确定性表达以及持续的方法创新相结合。作者最终认为，混合AI框架最具潜力，但其成功实施有赖于高质量数据、物理一致性、可解释性提升和规范化工程治理。
打赏
