旨在提出一种基于多源数据的地质风险智能预警方法,以应对盾构施工过程中复杂地质条件对施工安全和效率的挑战,提高地质风险预警的准确性和及时性,为盾构施工提供科学的决策支持。整合了隧道地质超前预报(Tunnel Seismic Tomography,TST)与水平声波剖面法(Horizontal Sonic Profiling,HSP)超前地质预报技术、复频电导率法(Complex Frequency Conductivity,CFC)超前探水技术以及盾构掘进参数等多源数据,结合人工智能(Artificial Intelligence,AI)技术构建智能预警体系。具体包括:利用多种超前地质预报技术获取掌子面前方地质构造信息,通过掘进参数监测反映刀盘前方围岩力学性质;对多源异构数据进行特征提取与数据收集,经数据清洗、标准化处理;构建CNN-BiGRU-Attention模型,通过卷积神经网络提取局部特征、双向门控循环单元捕捉长期依赖关系以及注意力机制动态分配权重,实现对地质风险的智能预警。研究表明,该方法能够显著提高地质风险预警的准确性和及时性。模型在地质风险等级预测的分类任务中拟合优度为0.88,均方误差为0.12,均方根误差为0.35,平均绝对误差为0.20;在地质风险等级预测的回归任务中,拟合优度为0.86,均方误差为0.15,均方根误差为0.39,平均绝对误差为0.25。与CNN-BiLSTM-Attention和CNN-BiGRU-RF模型对比,CNN-BiGRU-Attention模型在各项误差指标上均表现更优。融合了超前地质预报技术、盾构机掘进参数和机器学习算法的地质风险智能预警体系在坪山东隧道西段盾构区间工程中的应用,体现了较高的精度和卓越的性能,对盾构施工起到了积极的指导作用。
