一种用于预测深基坑变形的混合有限元-数据驱动模型：集成物理知识与人工智能的创新方法

《Developments in the Built Environment》：A hybrid finite element method–data-driven model for predicting deep foundation pit deformation

为解决深基坑开挖过程中侧向变形预测存在的数据稀缺和优化收敛慢的难题，研究人员提出一种融合物理有限元模型(FEM)与数据驱动模型的混合方法。该模型采用OED-LHS混合数据采样、结合结构化核岭回归与最小二乘提升(SKRR-LSBOOST)的代理模型，并利用改进河马优化(IHO)算法进行土体参数反演。案例验证表明，该模型的变形预测R2值达0.904，优于其他候选模型，有助于现场管理者提前识别风险、保障安全与提升决策效果。

　　

在城市建设向地下空间拓展的进程中，深基坑工程的规模和复杂性日益增加。然而，准确预测基坑开挖过程中的侧向变形，以保障结构及周边环境安全，始终是一项严峻的工程挑战。传统方法各有局限：理论分析通常依赖于简化的边界条件，难以模拟复杂的真实工况；数值模拟（如有限元分析）虽然精度较高，但需要大量的计算资源和时间；而纯粹的数据驱动方法（如各类机器学习模型）又严重依赖于高质量、大样本的现场监测数据，这在施工环境中往往难以获取。更棘手的是，从有限的地质钻孔数据中确定的土体参数可能与实际状态存在偏差，加上降水、支护安装及开挖顺序等因素的影响，常常导致预测结果与实际监测值出现显著差异。这些问题共同指向一个核心需求：如何将蕴含物理机制的数值模型与数据驱动模型的强大学习能力结合起来，构建一种既高效又准确的预测工具，以应对工程现场数据稀缺的实际情况，并克服传统优化算法易陷入局部最优、收敛慢的瓶颈？这正是本研究旨在攻克的关键科学问题。

为了回应上述挑战，来自华中科技大学数字建造国家技术创新中心的研究团队Yifan Lu、Weili Fang、Peter E.D. Love、Guanghui Geng和Jinhua Dong在《Developments in the Built Environment》上发表了一项创新研究。他们发展了一种混合有限元-数据驱动模型，用于预测深基坑开挖过程中的侧向变形。该研究提出的框架主要包含三个核心技术环节：首先，利用正交实验设计与拉丁超立方采样相结合的混合方法(OED-LHS)，基于有限元模型(FEM)生成物-理知识引导的合成数据集，以弥补现场数据不足；其次，构建了一个基于自适应提升(AdaBoost)集成的混合代理模型，该模型融合了结构化核岭回归与最小二乘提升(SKRR-LSBOOST)，以处理多输入多输出的非线性关系，提升在小样本条件下的预测性能和泛化能力；最后，针对参数反演问题，研究团队提出了一种改进的河马优化算法，通过引入混沌Sin映射初始化、自适应权重和结合反向学习与柯西突变的动态选择策略，显著提升了算法的全局搜索能力和收敛速度，有效避免了陷入局部最优。

研究结果

1. 模型框架的有效性

研究提出的整体框架（如图1所示）系统地集成了物理模型、数据生成、代理模型构建和智能优化反演四个模块。通过一个实际的深基坑工程案例验证，该框架成功实现了基于前期开挖阶段监测数据的土体参数反演，并准确预测了后续开挖阶段的变形。

2. 代理模型与优化算法的性能

研究对比了多种模型性能。结果表明，所提出的SKRR-LSBOOST集成模型在预测精度上显著优于单一的基础模型（如SKRR、LSBOOST）以及其他传统集成模型（如AdaBoost-SKRR）。具体而言，其预测的决定系数R²达到了0.904。同时，提出的改进河马优化算法(IHO)在参数反演任务中，相比原始河马优化算法(HO)、遗传算法(GA)和粒子群优化算法(PSO)等，展现出更快的收敛速度和更强的全局寻优能力，能够更准确地识别出土体弹性模量等关键参数。

3. 敏感性分析与数据质量提升

通过基于方差的全局敏感性分析，研究识别了对基坑侧向位移影响最为显著的土体参数（如特定土层的弹性模量），从而在构建代理模型时实现了有效的特征降维，减少了计算负担并防止了过拟合。此外，OED-LHS混合采样策略确保了生成的合成数据集在参数空间中具有更好的均匀性和代表性，为后续模型训练提供了高质量的数据基础。

4. 工程应用与预测验证

在实际案例应用中，研究团队将反演得到的土体参数代入有限元模型进行正向计算，预测了后续开挖阶段的墙体侧向位移。预测结果与现场实际监测数据吻合良好，验证了所提混合模型在实际工程中的可行性与有效性。模型能够辅助项目管理人员提前识别潜在风险，为施工过程的动态调整和决策提供了可靠依据。

结论与讨论

本研究成功开发并验证了一种融合物理知识与数据驱动的混合模型，用于高效、准确地预测深基坑开挖变形。研究的主要结论与意义在于：

1. 1.
   方法创新性：研究明确地将有限元模型(FEM)的物理约束与集成代理建模相结合，用于有限监测数据下的土体参数反演，而非单纯依赖数据驱动的代理模型或数值模拟。这为解决工程中普遍存在的数据稀缺问题提供了一条有效路径。
2. 2.
   算法优越性：提出的改进河马优化算法(IHO)通过混沌初始化、自适应权重和混合扰动策略，有效增强了在复杂高维土体参数空间中的全局探索能力和收敛稳定性，克服了传统元启发式算法易早熟收敛的缺陷。
3. 3.
   实用价值：所构建的混合SKRR-LSBOOST代理模型在有限的训练样本下表现出优异的预测精度(R²=0.904)和泛化能力，有效平衡了模型复杂度与过拟合风险。结合IHO算法，该框架能够利用开挖过程中的增量监测数据，实现参数的动态反演与变形的实时预测，特别适用于分阶段开挖的工程应用场景。
4. 4.
   工程意义：该模型为深基坑工程的智能化施工与风险管理提供了有力的工具。它使得在现场数据有限的情况下，仍能实现对土体参数较为准确的识别和后续变形的可靠预测，从而帮助工程师提前采取预防措施，保障施工安全及周边环境稳定，提升开挖过程的决策效能。

总之，这项研究通过巧妙地融合物理机理与人工智能前沿技术，为岩土工程中复杂的非线性、高不确定性问题的分析与预测提供了新颖且实用的解决方案，推动了数字建造与智能施工技术的发展。