近日，我室张冬梅教授、沈一鸣博士研究生、黄忠凯博士和谢小创博士研究生等在《Journal of Rock Mechanics and Geotechnical Engineering》期刊上发表了题为“Auto machine learning-based modelling and prediction of excavation-induced tunnel displacement”的研究论文，报道了采用自动机器学习方法对邻近基坑开挖引起盾构隧道位移进行合理建模与预测的最新研究成果。

文章链接: https://doi.org/10.1016/j.jrmge.2022.03.005

软土地区基坑开挖对既有盾构隧道的影响一直是隧道运营维护方和国内外专家学者讨论和关注的热点。然而，由于影响因素较为复杂，针对该问题目前尚缺乏合理精准预测隧道水平位移的有效手段。基于此，本文提出了一种基于自动机器学习的预测方法，实现了邻近基坑开挖引起既有盾构盾构隧道位移的建模与精准预测。

本文的研究思路如下，首先，提出了基于自动机器学习的基坑开挖引起既有盾构隧道位移的预测框架（图1）。之后，探讨了搜索时间对预测模型拟合能力和外推能力的影响，并确定了最优搜索时间。进一步将该方法预测结果与多种传统机器学习算法的预测结果进行了对比（图2），突出了基于自动机器学习预测模型的优越性。最后，通过上海地区的8个工程实例现场数据对本研究基于自动机器学习的预测方法有效性进行了验证（图3），研究显示预测结果与监测数据吻合良好。

图1 自动机器学习基本框架

 (a)

(b)

图2 各个模型的预测结果统计：（a）训练集；（b）测试集

图3 本文提出方法的预测结果与工程监测数据对比

研究结果表明本论文提出的基于自动机器学习的邻近基坑开挖引起盾构隧道位移的建模与预测方法具有精度高和效率好的优点，该方法可用于预测软土基坑开挖引起的隧道水平位移，从而进行工程风险评估并提出相应的措施决策。

APA文献格式

1. Zhang, D., Shen, Y., Huang, Z., & Xie, X. (2022). Auto machine learning-based modelling and prediction of excavation-induced tunnel displacement. Journal of Rock Mechanics and Geotechnical Engineering. https://doi.org/10.1016/j.jrmge.2022.03.005

供稿：沈一鸣，黄忠凯

编辑：姚鸿增