丘伟兴 ，赵炼恒 ，吴波 ，单凌志 ，徐世祥

（1.中南大学 土木工程学院，湖南 长沙，410075；2.广西大学 土木建筑工程学院，广西 南宁，530004；3.东华理工大学 土木与建筑工程学院，江西 南昌，330013；4.中咨规划设计研究有限公司，北京，100020）

对于大多数国家来说，公路是极其重要的基础设施.它确保了不同地区之间的沟通和发展，特别是在山区和丘陵地区.然而，当公路通过山区时，公路隧道的建设也带来了巨大的挑战.通常采用钻爆法进行山岭隧道的开挖.然而，它涉及许多风险因素和复杂的施工程序，导致坍塌事故的发生率相对较高［1］.一旦在施工过程中发生隧道坍塌，将造成人员伤亡、经济损失和工期延误.为了减少对基础设施、人类和环境的破坏，人们付出了巨大的努力来控制灾害.

近年来，传统的机器学习方法被用于风险评估和控制，例如支持向量机［2］、神经网络［3］以及高斯回归方程［4］等.然而，使用单一信息源分析隧道坍塌风险产生的结果与实际情况略有偏差.由于单一来源的信息不能充分反映实际施工情况，评价结果不准确，不能为决策者提供准确的建议.相比之下，融合模型对风险因素有更好的理解，可以大大提高评估结果的准确性［5］.例如，Peng 等［6］基于边坡稳定机制集成多源信息，对边坡的安全性进行评估.Zhang等［7］应用多层信息融合框架感知地铁隧道管片损伤的安全风险.Pan 等［5］通过传感器数据与仿真数据的融合提高了结构安全风险评估的准确性.Li等［8］提出了一种……