一种可解释的 IGWO-MKRVM 模型用于预测巷道开挖损伤带厚度

为何更安全的隧道至关重要

每当工程师在岩石中开凿隧道时，开挖会扰动周围地层。开口周围形成一圈开裂和削弱的岩体，称为开挖损伤带。如果这圈受损区域变得过厚，隧道壁可能发生变形甚至坍塌，威胁到矿工、基础设施和附近社区。本文概要介绍了一种新的方法，用以在不同地质条件下预测该损伤带的厚度，结合了现代机器学习与可解释性技术，使工程师不仅能得到预测结果，还能理解其背后的原因。

被隐藏的削弱岩体环

地下巷道和隧洞周围的岩体因开挖而受到挤压和断裂。这个受影响的层——开挖损伤带厚度——直接决定了为保障隧道安全所需的支护量。但其厚度受多个相互作用的因素影响：岩体强度、由节理和裂隙导致的破碎程度（节理指数）、隧道埋深以及洞室跨径等。这些影响具有强非线性并因场地而异，因此简单公式甚至复杂数值模拟常常难以给出准确且普适的预测。传统的现场检测手段如地面穿透雷达和声学勘测可以测量损伤带，但成本高且不便于常规开展。

用智能算法“读懂”岩体

为应对这一挑战，作者收集了来自不同矿山（包括煤矿、金矿、磷矿和铅矿）的209 条实际损伤带厚度测量数据。每一条记录包含四个关键输入：岩体强度、描述岩块破碎程度的节理指数、隧道深度和跨径。随后他们构建了一个预测模型，将一种强大的模式识别器——多核相关向量机（multi-kernel relevance vector machine）与一种受灰狼捕猎行为启发的改进优化方法相结合。优化步骤用于调整模型的内部参数，使其在拟合数据中复杂关系时既能获得较好效果，又能在样本量较小的工程数据集中保持高效。

混合模型如何提升预测能力

该方法的核心在于同时使用若干简单的数学“镜头”或核函数，既捕捉总体趋势又反映局部细节。模型融合了线性核、径向基核和拉普拉斯核，从而能够同时处理平滑变化、突变和噪声测量。改进的灰狼优化器通过更彻底地探索参数空间来增强这一能力。它采用精心设计的随机初始点、从广域搜索向精细调优的非线性过渡方式，以及提出对立候选解以避免陷入较差局部解的策略。基准测试表明，该增强优化器在收敛速度和稳定性上优于若干其他现代群体智能与进化算法。

优于现有预测工具

在隧道数据集上的应用显示，集成的 IGWO–MKRVM 模型给出了非常精确的预测。在未见过的测试样本上，其决定系数超过 0.95，且误差指标很低，表明模型预测的损伤带厚度与现场测量高度一致。作者将其与一系列成熟工具进行了比较，包括传统神经网络、高斯过程回归、基于支持向量的混合模型以及调参后的随机森林。在每种比较中，新模型都产生了更小的误差和更稳定的表现，既显示出强大的拟合能力，也表明对新地质条件有良好的泛化能力。

揭开机器学习的黑箱

由于工程师必须为安全决策提供依据，作者还侧重于提高模型的可解释性。他们使用了一种现代解释框架 SHAP，将每个输入视为合作博弈中的“参与者”，并计算其对每次预测的贡献。该分析揭示，节理指数和隧道埋深是决定损伤带厚度的主导因素：高度节理化的岩体和更深的隧道往往产生更厚的损伤环。跨径和岩体强度也有影响，但程度较小——更大跨径会增加损伤，而更强的岩体则有助于抑制损伤。该方法还揭示了这些因素如何相互作用，例如显示在弱且高度节理化的岩体中，深埋隧道尤其脆弱。

对地下安全的意义

通俗地说，这项研究为工程师提供了一个更智能的“计算器”，用于预测开挖损伤将沿岩体延伸多远，并清晰说明了哪些条件会加剧损伤。通过将精心调优的学习引擎与透明的特征重要性分析相结合，该方法不仅优于现有模型，而且增强了对其建议的信任度。这有助于设计人员根据当地地质条件选择更安全的隧道形状、支护系统和开挖策略，从而最终减少地下工程中岩体剥落和坍塌的风险。

引用: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

关键词: 隧道稳定性, 岩石力学, 机器学习, 地下采矿, 岩土安全