隧道工程智能地震易损性评估与可解释性分析
《Journal of Applied Geophysics》:Intelligent seismic fragility assessment and interpretability analysis of tunnel engineering
【字体:
大
中
小
】
时间:2026年09月27日
来源:Journal of Applied Geophysics 2.6
编辑推荐:
- 提出了一种基于TabPFN的小样本智能预测框架,在隧道地震损伤数据稀缺的场景下展现出优于传统模型的性能。
- 可解释性分析揭示了在高烈度区域中,隧道直径和震源-场地距离是控制地震易损性的主导因素。
- 开发了一套具有图形用户界面(GUI)的智能评估系统,以支持快速风险评估
- 提出了一种基于TabPFN的小样本智能预测框架,在隧道地震损伤数据稀缺的场景下展现出优于传统模型的性能。
- 可解释性分析揭示了在高烈度区域中,隧道直径和震源-场地距离是控制地震易损性的主导因素。
- 开发了一套具有图形用户界面(GUI)的智能评估系统,以支持快速风险评估和工程决策。
## 引言
隧道作为维护现代城市运行和国家能源战略的关键基础设施,是地下交通网络的核心载体,也是石油、天然气、电力等生命线工程的重要通道(Admiraal and Cornaro, 2020; Lagoeiro et al., 2019),其在地震作用下的安全性直接关系到生命和财产的保护。严重的破坏不仅会造成巨大的经济损失,还容易引发次生灾害,导致交通瘫痪和能源供应中断,从而威胁社会功能和灾后恢复能力。随着全球地震活动加剧和城市地下空间持续扩展,隧道结构的地震性能和易损性评估已成为岩土工程和地震工程中日益重要的研究课题(Tsinidis et al., 2020)。
隧道在地震事件中常常遭受严重甚至灾难性的破坏(Xin et al., 2024)。在1999年台湾台湾地震(Mw 7.6)期间,三一一铁路隧道因其线路穿越断层破碎带而遭受严重破坏。衬砌出现明显的环向和纵向裂缝,导致局部坍塌和轨道扭曲(Lu and Hwang, 2018);2008年汶川地震(Mw 8.0)导致龙溪隧道和子坪铺隧道出现大面积裂缝,裂缝宽度超过30毫米。这些隧道经历了拱顶剥落和侧墙内凹,交通中断长达数月(Yu et al., 2016);最近,2023年土耳其-叙利亚地震(Mw 7.8)导致加济安泰普周边高速公路隧道出现贯穿裂缝、底板隆起和连接部件剪切破坏,部分隧道因安全风险长期关闭(Apostolaki et al., 2025)。历史地震损伤数据表明,地震可对隧道造成从功能性损坏到结构性失效的多种破坏(Wang and Pan, 2022),严重影响城市生命线系统的安全和恢复。
隧道地震易损性评估的发展经历了从经验统计和数值模拟到人工智能驱动智能评估的演进过程。早期研究主要依赖于基于历史地震损伤数据的经验统计。Dowding和Rozen基于27次地震中71条隧道的地震损伤数据,首次提出了隧道地震损伤与峰值地面加速度(PGA)之间的经验关系(Dowding and Rozan, 1978)。Sharma和Judd进一步扩展了数据库,分析了85次地震中192条隧道的损伤情况,并确定了影响隧道地震性能的关键因素(Sharma and Judd, 1991)。这些经验研究工作为后续的概率评估提供了关键的数据基础。随着计算能力的提升,基于数值模拟的易损性分析成为主流方法。Argyroudis和Pitilakis提出了不同土层条件下浅埋隧道的易损性评估方法,建立了考虑土层条件、结构参数和地震动特征的评估框架(Argyroudis and Pitilakis, 2012)。Qiu等人系统性地开展了岩山隧道的首次地震易损性分析,并将易损性方法从土质隧道领域扩展到岩石隧道领域。针对岩隧道的特点,他们在易损性分析中考虑了节理岩体的力学性能和围岩分类指标(Qiu et al., 2018)。Andreotti和Lai提出了基于易损性曲线的山岭隧道地震风险分析方法。他们采用全非线性动力分析,考虑了地基和隧道支护的非线性行为,通过数值分析构建了包含地质不确定性的易损性曲线(Andreotti and Lai, 2019)。Huang等人提出了冲积层隧道地震易损性的综合评估框架。以软土区域的隧道为案例研究,建立了考虑损伤状态的概率地震需求模型,将易损性分析与震后恢复力评估相结合,首次系统地提出了隧道地震韧性的定量框架(Huang et al., 2022)。
在计算硬件持续进步的推动下,机器学习(ML)近年来发展迅速(Hajihosseinlou et al., 2023; Jiang et al., 2020),其应用已扩展到航空航天(Chen et al., 2026)、材料科学(Nematov and Hojamberdiev, 2025)、石油勘探(Isah et al., 2025)、海洋工程(Qian et al., 2024)以及土木建筑工程(El-Abbasy, 2025)等多个工程领域。机器学习能够从复杂数据中自动识别非线性模式和潜在规律,在预测、诊断、优化和决策方面显著提升工程系统的智能化水平和效率。因此,它在隧道地震分析中得到了广泛应用。Wang等人采用极端梯度提升(XGBoost)、随机森林(RF)和支持向量机(SVM)三种算法,结合SHAP分析发现峰值地面位移是隧道地震损伤的关键特征,预测的易损性曲线与增量动力分析高度一致(Wang et al., 2024)。比较八种不同的机器学习模型后,Nguyen等人发现LightGBM对地下箱型隧道损伤分类的准确率达到91%,且场地基本周期处的谱加速度与谱位移的相关性与损伤状态最强(Nguyen et al., 2025)。Wu等人提出了一种由机器学习和数值数据驱动的混合MoE-BP神经网络模型,用于分析接触损失缺陷下盾构隧道的问题,发现围岩的剪切波速和缺陷的环向角度是影响地震性能的最关键因素(Wu et al., 2025)。目前,机器学习算法种类繁多,各具独特的优势、局限性和适用场景。隧道地震分析面临的挑战仍在于识别影响地震易损性的关键因素以及高效预测地震荷载下隧道的损伤状态。
在隧道地震易损性评估中,样本有限的问题已成为制约数据驱动方法进一步发展的关键因素之一。由于强震事件的随机性和区域变异性,隧道损伤数据通常通过现场调查和震后评估获得,成本高昂且难以复现(Dalmasso et al., 2025)。因此,可用于模型训练的有效样本数量通常有限,往往仅包含几十到几百条记录。与此同时,隧道地震响应受多个交互因素的支配,包括地震动特征、围岩条件、结构参数和损伤机制,具有高维、强非线性和复杂耦合特征。在数据有限的条件下,依赖大规模数据集训练的深度学习模型容易产生过拟合(Naser, 2026),导致泛化能力下降,难以满足工程预测的可靠性要求。因此,在小样本条件下实现高精度和高泛化能力的智能预测已成为隧道地震易损性评估中的迫切挑战。
为解决上述小样本学习需求,小样本学习逐渐成为机器学习领域的重要研究方向(Yao et al., 2020)。此类方法旨在通过从有限训练样本中提取底层模式或迁移先验知识来提高模型在数据稀缺条件下的学习能力。其中,元学习通过跨多个任务学习共同模式,使模型能够快速适应新的目标任务,为小样本条件下提高模型泛化能力提供了一种有前景的解决方案(Hospedales et al., 2022)。近年来,小样本学习和元学习方法逐渐被引入土木工程领域。例如,高斯过程通过概率分布描述预测结果及其相关不确定性,在考虑地震不确定性的结构性能预测、可靠性分析和结构设计优化中得到了广泛应用(Xiao et al., 2022)。贝叶斯神经网络通过引入网络参数的概率分布来增强有限数据条件下的不确定性表示,已应用于土体压缩性和不排水剪切强度预测等岩土工程问题(Zhang et al., 2022)。此外,近年来基于深度学习的元学习方法的不断发展为小样本表格数据预测提供了新的技术途径。在这些方法中,TabPFN模型采用基于Transformer的预训练元学习框架,从大量合成任务中学习表格数据的底层分布特征,使其能够在仅有少量样本的情况下对新任务进行快速推断(Hollmann et al., 2023, Hollmann et al., 2025a)。与依赖显式概率建模的高斯过程和贝叶斯神经网络等传统方法相比,TabPFN利用预训练知识和上下文学习来快速适应小样本表格预测任务,无需进行额外的特定任务模型训练。因此,将TabPFN引入隧道地震易损性评估为应对实际工程应用中地震损伤样本不足与复杂非线性响应预测之间的矛盾提供了新的研究视角。
在提高智能评估方法预测准确率的同时,确保模型决策过程的透明度和可解释性也是实现工程应用转化的关键(Braham et al., 2025)。隧道抗震设计直接关系到生命线工程的安全,属于高风险决策领域。缺乏明确的预测依据归因,即使模型拟合精度较高,其输出结果也难以作为工程加固设计的可靠依据。近年来,以SHAP为代表的基于博弈论的归因方法为应对这一困境提供了有效的途径。该方法通过量化每个输入参数对预测结果的边际贡献(Cremades et al., 2025),将复杂的非线性模型决策分解为清晰的特征重要性排序和参数依赖关系。该方法已在工程领域的模型解释中得到广泛应用,并已集成到XGBoost和LightGBM等主流机器学习框架中(Hamdaoui et al., 2025)。该方法被引入隧道地震易损性研究中,有助于验证模型是否准确捕捉了岩土力学的基本规律,并具有发现数据中隐含新工程现象的潜力。这种可解释性分析有效弥合了数据驱动模型和机理驱动模型之间的差距,显著提升了智能预测框架在实际工程中的可信度和应用价值。
为应对上述挑战,本研究系统评估了XGBoost、LightGBM、MLP、Simple Transformer、TabNet和TabPFN六种机器学习算法。目标是建立一个能够快速准确预测地震荷载下损伤状态的智能预测框架,并开发一个结合实用性和易用性的用户友好系统,以促进研究成果在实际隧道工程中的应用。该框架的主要贡献包括:将基于Transformer架构的TabPFN模型应用于隧道地震易损性评估;通过多种机器学习模型的比较确认其在处理小样本真实数据方面的优越性;集成SHAP(SHapley Additive exPlanations)进行可解释性分析,揭示预测隧道地震损伤指数的关键决策依据,增强智能模型的透明度和工程可信度。本文其余部分组织如下:第2节详细介绍所使用的方法,包括机器学习理论、模型评估和超参数优化;第3节介绍数据集处理;第4节介绍实验和比较;第5节介绍讨论和应用;第6节介绍结论。
## 各节摘录
### 方法
建立隧道工程智能地震易损性评估模型包括以下步骤:数据处理、模型训练与评估、模型测试与考核、超参数优化、模型选择、模型可解释性分析以及可视化界面设计。详细工作流程如图1所示:将包含150个样本的数据集进行预处理,并按60%的比例划分为训练集、验证集和测试集。
### 数据收集
本研究采用的数据集来源于位于喜马拉雅山脉西北部的查谟和克什米尔地区的乌德罕普尔-斯利那加-巴拉姆拉铁路连接工程(USBRL)项目(Ansari et al., 2023)。
本项目位于高山地区,该区域地质构造极其复杂,地震活动频繁。获取高质量现场实测数据面临巨大挑战,导致可用于实验与对比的完整地震及岩土工程响应记录十分稀缺。为系统评估上述机器学习方法在智能隧道易损性评估中的基准性能与优化潜力,本文开展了两阶段实验。第一阶段,所有模型均以默认超参数配置进行训练并用于预测,以建立初始性能基线。第二阶段,对于支持超参数调优的方法(XGBoost、LightGBM、MLP和TabNet),采用Optuna贝叶斯
**讨论与应用** 基于六种机器学习模型在预测精度和模型稳定性方面的表现,本研究选择TabPFN模型作为最优模型进行进一步研究。
**结论** 针对隧道工程地震易损性评估中真实地震数据稀缺、传统物理模型过度简化以及黑箱模型可解释性不足等关键挑战,本研究提出了一种基于表格先验数据拟合网络(TabPFN)的小样本智能评估框架。基于青藏高原高烈度地区USBRL项目的150组实测数据,本研究对比了六种
**关于稿件撰写过程中使用生成式人工智能及AI辅助技术的声明** 在撰写本文的过程中,作者使用ChatGPT改进了语言表达并提升了稿件可读性。作者对输出内容进行了审阅和编辑,并对已发表文章的内容承担全部责任。
**CRediT作者贡献声明** Jingyao Gao:撰写—初稿、可视化、方法论、概念设计。Yang Zhang:撰写—审阅与编辑、可视化、资源、方法论、形式化分析、概念设计。You-Wu Wang:撰写—审阅与编辑。
**利益冲突声明** 作者声明不存在已知的、可能影响本文所述工作的竞争性经济利益或个人关系。
**致谢** 作者衷心感谢深地探测与矿产资源勘查—国家重点研发计划(批准号:2024ZD1004103)、山东省自然科学基金(批准号:ZR2025QC1114)以及泰山学者项目专项资金(批准号:tsqn202408036)的支持。
Jingyao Gao | Yang Zhang | You-Wu Wang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号