挖掘引起的墙体变形是一个典型的安全关键工程问题，它受到土壤参数不确定性和预测误差的强烈影响，这些因素直接关系到施工风险和系统可靠性 [1,2]。大多数传统的挡土墙设计方法基于极限平衡理论，其中通过假设土壤压力的极限状态来评估墙体稳定性。然而，这些方法忽略了土壤的 mobilised 变形和相应的土压力生成，并应用安全系数以确保土壤应力低于极限值 [[3], [4], [5]]，导致挡土系统设计过于保守，从而造成材料消耗过高。实际上，也广泛采用了有限元方法；然而，所采用的本构模型很少比弹性-完全塑性模型更复杂。此外，在准确确定应变水平之前选择适当的土壤强度和刚度参数仍然具有挑战性 [6]，这给岩土工程设计带来了额外的不确定性。
为了克服这些限制，Osman 和 Bolton [7] 提出了一种用于挡土墙的设计方法，称为可 mobilisable 强度设计（MSD）。这种方法的主要优点在于它使用了直接从单元试验中获得的应力-应变关系，这些关系能更真实地描述土壤行为。虽然这种方法已被证明与多个现场案例中观察到的墙体侧向变形量有合理的一致性，但最大位移发生的深度并不总是能够被准确捕捉到。这一缺陷源于假设墙体变形遵循余弦形状的假设，这在非常深的挖掘初期并不总是合适的。Wang 等人 [8] 通过将假设的墙体变形轮廓从余弦形状改为指数曲线，改进了位移预测的准确性。然而，强制使用预定义的数学形状来表示原本未知的变形模式本质上是不合适的，因为规定单一的功能形式不可避免地限制了平衡性，从而引入了预测的不准确性。为了解决这些限制，Deng 等人 [9] 通过采用叠加原理更新了 MSD 方法，将任何柔性墙体变形表示为一系列刚性墙体旋转、平移和铰链机制的组合 [[10], [11], [12]]。这样的更新后的 MSD 方法通过现场案例和离心试验的验证，显示出能够更准确地预测墙体变形和土压力。然而，[9] 方法中采用的应力-应变行为通常来自固结不排水三轴压缩试验，由于空间异质性和人为干扰，土壤样本的获取具有一定随机性，导致墙体行为预测出现误差。
为了克服由土壤参数不确定性引起的预测误差，研究人员尝试将数值模拟与监测数据相结合，利用逆向分析根据测量行为反计算土壤参数 [13]。然后使用这些更新后的参数来改进数值模拟的输入，从而提高墙体变形预测的准确性，这通常被称为前向和逆向建模。从可靠性的角度来看，这种基于数据的更新策略提供了一种实际的方法来减少模型和参数的不确定性 [[14], [15], [16]]。
表 1 总结了几种将这种技术应用于挖掘计算的情况，这些情况已被证明有助于提高挖掘设计的准确性。然而，当前的研究通常在反计算过程中将不同深度的测量墙体变形视为独立观测值，忽略了墙体变形轮廓的固有空间相关性。这种简化可能会使参数更新产生偏差，并降低反演的鲁棒性，特别是在工程实践中常见的稀疏或噪声较大的监测条件下 [[17], [18], [19]]。因此，相关文献中研究了混合数据驱动的岩土可靠性分析方法，其中将机器学习与随机或物理指导技术相结合，以解决由稀疏、噪声或不完美监测数据引起的参数不确定性和鲁棒性问题 [20,21]。此外，大多数现有的前向-逆向挖掘分析依赖于有限元（FE）方法作为前向求解器。虽然 FE 方法能够模拟复杂的应力-应变行为，但它们在计算效率方面存在实际限制。
因此，一些研究人员采用机器学习模型作为替代模型，以替代传统的数值分析来预测挖掘引起的变形 [27,28]。例如，Pan 等人 [28] 开发了一个基于两阶段 LSSVM 的框架，该框架考虑了沉降预测中的类别不平衡和多源不确定性，进一步展示了数据驱动替代模型在岩土工程中的潜力。这些研究表明，当直接数值模拟计算成本高昂或不切实际时，数据驱动的替代模型可以提供有效的挖掘变形近似，尽管可能会牺牲明确的物理可解释性 [29]。
基于这些发展，本研究开发了一个基于 MSD 的动态近似优化框架，用于通过动态更新土壤参数来准确预测挡土墙的变形，其中引入了一种能够捕捉测量点之间多尺度空间相关性的多接收场机制，并使用卷积神经网络（CNN）建立了土壤参数校正模型。所提出的方法通过一个记录详尽的挖掘案例进行了验证，证明了预测准确性的显著提高。
