2025IFUS精选报告丨深圳大学教授王树英
阅读：次 发布人：地下空间开发大会
2025年9月25日-26日，第十二届国际地下空间开发大会（IFUS 2025）在上海成功召开，汇聚了国内外顶尖专家，围绕主题“创新 韧性 智慧”展开深入探讨，涌现出一批具有前瞻性和实践价值的研究成果。组委会特别推出IFUS报告系列精选，分享专家精彩观点与深度洞见，持续赋能行业发展。
王树英教授指出，机器学习作为人工智能的前沿技术，已在隧道工程中得到广泛应用，涵盖盾构掘进性能预测与优化、前方地质预测、结构健康监测及自动化掘进等多个方向。然而，当前技术仍存在若干不足，主要包括：模型预测的准确性与可靠性难以保障；不平衡样本导致预测偏差；跨工程、跨域的迁移学习适应性不明确；时序预测存在明显滞后；决策参数选取自动化水平不足，整体性能仍有较大提升空间。
针对预测模型可靠性难以量化的问题，研究团队提出了基于委员会策略的模型预测可靠性评价方法。该方法通过分析不同随机种子或超参数下模型预测结果的一致性，判断模型的可信度。若多个委员会模型的训练结果一致，则表明模型较为可靠；若结果差异较大，则预测存在较大不确定性。研究表明，随着委员会模型数量增加至约30个，有效预测率趋于平稳，此时预测结果具备较高可靠性。
在不平衡类别样本预测方面，隧道工程中常存在典型的不平衡问题，如泥饼堵塞、喷涌现象或不同围岩等级样本分布不均。多数类别样本在模型训练中占据主导，少数关键样本容易被忽视，而工程成败往往由少数情况决定。针对这一问题，团队提出了基于不确定性度量的主动学习不平衡样本选择方法，利用不同委员会模型计算结果的不确定性，通过熵值法量化后将高不确定性样本重新纳入训练集。实际工程应用表明，该方法对四级、五级围岩等少数类别样本的识别效果显著提升。
跨工程适应性问题是大数据挖掘与人工智能应用于盾构施工的关键瓶颈。不同工程的刀盘形式等参数往往无法统一作为输入变量，阻碍了数据从一个工程向另一个工程的迁移。为此，团队提出了基于多维联合分布的KL散度计算方法，用以量化源域与目标域分布的不平衡程度。以四个出现结泥饼现象的盾构隧道工程为对象，研究团队开展了二元与多元迁移学习策略分析。结果表明，当表征分布偏离程度的KL值大于10时，源域模型不适用于目标域。为此，团队进一步提出自适应微调损失函数，显著提升了迁移学习效果，并建立了统一的迁移学习建模方法。
时序预测滞后问题在盾构/TBM掘进中具有普遍性。研究发现，预测结果整体趋势与实际情况吻合，但在局部放大后存在明显滞后，且该问题与模型选择无关，具有高一阶偏自相关的特点。团队通过将原始训练样本拆分为季节项、趋势项和残差项，发现残差项是导致滞后的主要原因。针对残差项，团队提出两种解决方案：一是将时间序列预测问题转换为不考虑时间信息的回归预测问题；二是对残差项进行有效压缩。两种方案在实际工程中均取得了良好效果。
在盾构/TBM掘进自适应优化方面，工程人员需兼顾安全、工效、能耗与成本等多重目标，这些目标之间往往存在相互冲突。团队引入NSGA多目标优化算法，构建帕累托前沿解集，并提出基于信息熵的多目标优化方案选择方法。以贯入度与刀盘扭矩为例，通过自适应赋权优化，实现了刀盘扭矩降低6%、贯入度显著提高的目标，在确保安全的前提下，达成了高效掘进与能耗控制的平衡。
此外，王树英教授团队还在盾构专业大模型方面进行了初步探索。通过收集大量论文、规范等资料构建数据库，结合通用大语言模型基座进行上下文学习与微调，重点提升微调适应性与训练效率。采用注册岩土工程师题目进行评测，结果显示，微调后的答题正确率从30%～35%提升至60%～65%以上，模型性能显著改善。
王树英教授强调，跨工程域的预测问题是人工智能与机器学习在盾构/TBM领域推广应用的关键。若无法有效解决该问题，前期积累的大量数据样本将难以服务于后续工程。当前，数据管理与共享、算法模型共享已成为行业关注重点。他呼吁，高校、科研院所与工程单位应加强合作，推动算法模型从实验室走向工程现场，避免大量研究成果停留在纸面，造成资源浪费。深圳大学团队已与多家单位开展合作，积极推进相关技术的工程转化与应用。
本期聚焦深圳大学土木与交通工程学院院长助理、未来地下城市研究院副院长、教授王树英的大会报告《盾构/TBM掘进智能预测性能提升及应用》，系统介绍了其团队在盾构隧道智能建造领域的最新研究成果。随着盾构/TBM施工环境日益复杂、建造风险不断增大，引入数字化与智能化技术已成为行业发展的迫切需求，一起来看↓↓↓
▲王树英教授在IFUS2025大会现场做报告
文/大会秘书处整理
上一篇：2025IFUS精选报告丨上海建工集团副总工、中央研究院院长张铭 下一篇：最后一页
