不确定条件下基于在线学习与隐马尔可夫模型的隧道开挖地质风险预测

地质灾害如坍塌、涌水和滑坡对隧道施工构成严重威胁，可能导致工期延误、成本超支甚至安全事故。这一挑战在开挖初期尤为突出，因为此时地下结构信息有限，而传统地质勘探方法——无论是钻探等侵入式手段，还是地球物理勘探等非侵入式技术——往往只能提供局部、且有时并不一致的地质信息。

来自华中科技大学与南洋理工大学与的研究团队开发了一种新型的在线隐马尔可夫模型（OHMM），以应对这一不确定性。该模型将在线学习能力与隐马尔可夫模型的概率推理框架相结合，可在新的现场观测数据不断到来的过程中持续更新地质风险预测，而无需等待漫长的数据采集周期。

该方法的一大创新点是观测扩展机制，专为开挖初期数据匮乏的情形而设计。该机制将施工前获取的钻孔样本——往往是开工前唯一可靠的地质信息——融合到OHMM框架中，通过智能延长短观测序列至完整数据长度，即便历史数据极少，预测精度仍能得到保证。

研究团队在新加坡某隧道开挖工程中验证了该方法的有效性。结果表明，OHMM能够实现逐环高分辨率的隧道掘进机（TBM）前方地质风险预测。与传统方法（包括标准隐马尔可夫模型、神经网络、长短期记忆网络以及支持向量机）相比，OHMM在对尚未开挖区域进行前向预测时表现出显著更高的准确率。

研究揭示了多项工程应用优势：首先，模型的持续更新使其能够及时适应地质条件的变化，实现更早的风险预警；其次，通过最大化利用稀疏的钻孔数据，该方法有效弥合了施工前调查与施工过程之间的信息鸿沟；最后，该框架在几乎没有历史数据的情况下依然表现稳定，对施工早期的风险预测尤为有价值，能够帮助提前采取措施避免高成本和高风险事件的发生。

研究人员指出，该OHMM框架不仅适用于隧道施工，还可推广至其他地质不确定性高、观测数据呈增量获取的基础设施项目，如矿山作业、边坡稳定性监测及地下储存设施建设。此外，将机器学习与概率风险建模相结合，还为未来的发展提供了新方向，例如与实时传感网络耦合、融入物理过程模型以提升可解释性等。

凭借动态、数据高效、前瞻性强的地质风险预测能力，OHMM为工程师和项目管理者提供了一种全新的工具，以保障隧道施工安全、优化施工计划，并在复杂地下环境中提升安全与施工成果。

研究详情请见原文：

Geological risk prediction under uncertainty in tunnel excavation using online learning and hidden Markov model

https://doi.org/10.1007/s42524-024-0082-1