潘宇平， 倪 静， 李 林， 耿雪玉

(1.上海理工大学 环境与建筑学院, 上海 200093； 2.上海隧道股份有限公司, 上海 200082；3.英国华威大学 工程学院, 考文垂 CV4 7AL)

1 研究背景

近年来，盾构法隧道施工技术在全国各大、中城市中应用广泛。盾构隧道多穿越城市中密集的建(构)筑物，使得针对隧道盾构法施工造成的地表变形预测及控制成为工程施工中需要解决的重大技术难题。

国内外众多学者对于盾构隧道施工引起的地层位移进行了广泛深入的研究，主要研究方法包括经验公式法[1-2]、试验法[3-4]、解析法[5-6]、数值模拟法[7-8]等。盾构开挖参数往往随作业环境变化需要进行及时调整及修正，因而在复杂土体环境中经验性的操作往往导致变形的预测计算与实际情况有较大误差。盾构隧道开挖引起地表变形可以看作是一种对地表位移及其影响因素间的复杂非线性函数关系的逼近问题，相比之下，基于统计学理论的机器学习的方法可以高效、准确地预测沉降与盾构掘进的关系[9-10]。孙钧等[11]、Ocak等[12]基于经验选取现场盾构施工相关参数，运用人工神经网络及支持向量机方法(Support Vector Machine)预测地表最终沉降，验证了机器学习方法在岩土工程领域的适用性。Mohammadi等[13]对比了多种盾构开挖参数组合下的神经网络预测模型，根据预测结果的准确性得出土的沉降与容重无关。张俊等[14]对三峡白水河滑坡进行研究，使用时间序列支持向量机方法对滑坡位移成功回归预测。

相较于传统研究方法，机器学习方法避免了繁琐的公式推导及苛刻的试验环境要求，在获取可靠的监测大数据前提下，更为经济、高效地对复杂非线性问题进行回归分析及预测。……