0 引言

近年来,随着人口急剧增长,导致城市交通容量不足。鉴于此,现阶段最好的解决方法就是提高土地利用率,打造立体城市,积极开发地下空间“上天入地”谋发展。因此,修建隧道成为必然选择,而在隧道修建过程中盾构法得到了广泛的应用及长足的发展。盾构掘进过程中,往往会导致施工区一定范围内地面沉降,对周边建筑的稳定性造成影响,威胁当地居民的生命财产安全。针对这一问题,国内外众多学者对其进行了大量研究,其中最具代表性的方法主要有:半经验和经验法[1-2]、理论法[3-4]、数值模拟法[5-7]等,在岩土工程领域被广泛应用,取得大量成就的同时也存在一定不足。例如,参数难以确定,影响因素多导致模型偏复杂、面对众多影响因素考虑不周,都会影响模型预测结果。

近年来,随着计算机技术不断发展,学科之间的交叉融合成为必然趋势,一些新兴方法不断涌现,机器学习作为其中的代表方法之一被广泛运用于诸多领域。较为典型的机器学习方法有神经网络、随机森林、支持向量机等。

上述方法在盾构施工引起地面沉降预测中所获得较高的注度。例如,周爱红[8]等与李方毅[9]等采用PSO算法确定算法的参数,建立的PSO-SVM预测模型结果与实际结果基本吻合。韩冰[10]等采用GA算法对SVM预测模型参数进行优化,建立的GA-SVM预测模型对盾构诱发地表沉降量进行了准确的预测。REN-PENG CHEN[11]采用了三种人工神经网络(ANN)方法,即反向传播(BP)神经网络、径向基函数(RBF)神经网络和一般回归神经网络(GRNN),对EPB盾构隧道引起的最大地表沉降进行预测,其结果可满足实际工程需要。……