基于机器学习的 HSS 模型区域参数确定方法：以中国青岛为例

为什么城市开挖需要更智能的工具

当工程师在拥挤的城市中为地下室、地铁站或地下车库挖掘深坑时，哪怕只有几毫米的意外地面位移也可能导致附近建筑开裂或埋地管线受损。为了保障人员和基础设施安全，工程师依赖计算模型来预测开挖过程中土体的变形。本文展示了机器学习如何大幅降低针对中国沿海城市调校一种高级土体模型所需的时间和成本，同时仍以惊人的精度匹配实际观测数据。

工程师通常如何估算地面会如何移动

现代工地常用有限元方法，这是一种将地层和支护结构划分为许多小单元并计算各单元随荷载变化而变形的数值技术。为了获得可靠结果，该方法需要对土体行为作出现实描述，尤其是在高层建筑与地下管线环绕的深基坑场景中。一个广受认可的选项是“硬化土小应变（HSS）”模型，它能刻画土体刚度随应力历程和极小变形时的变化。然而，该模型需要很多输入参数，其中一些在不同地点差异显著。传统上，这些参数来自土样的专门室内试验，既昂贵又耗时。因此，最精确的模型在日常工程中往往得不到充分应用。

找出哪些土参数真正重要

作者首先梳理了来自若干中国城市的已发表试验数据，以了解高级土体模型中哪些参数确实决定了深基坑的变形特征。他们将若干关键刚度值与更为常用的压缩模量进行比较，并考察了填土、粉质黏土和中细砂等常见土层的这些比值。有两个与常规压缩行为相关的刚度量与压缩模量接近一比一且对基坑位移表现出低敏感性。相比之下，另外两个刚度量——一个与荷载释放时土体的回弹有关，另一个与极小应变下的行为相关——在不同地区间差异很大，并且对预测的位移有显著影响。该洞见使团队能够将部分参数视为近似固定，从而把注意力集中在少数真正支配局部变形的参数上。

教神经网络“读懂”基坑行为

基于上述认知，研究者以青岛的一处深基坑作为训练场。该场地土层包括填土、粉质黏土和覆于风化花岗岩之上的中细砂。他们为每层土中两个敏感的刚度参数设计了系统的参数组合，并运行了一系列三维开挖数值模拟。对每组参数组合，记录了支护墙的弯曲和若干监测点处地面沉降的数值。这些输入—输出对构成了用于训练反向传播神经网络的数据集，反向传播网络是一种将原因与结果联系起来的基础机器学习模型。训练完成后，网络可以根据现场测得的少量墙体和地面位移迅速推断出可能导致这些观测的土体刚度参数。

在实际工程中检验该方法

为验证这一“土体侦探”是否可靠，作者将推断出的刚度值应用于青岛两处采用桩锚支护的独立深基坑工程。他们用新获得的参数建立数值模型，并将预测的墙体挠度和地面沉降与施工期的现场监测数据进行比对。差异令人印象深刻地小：典型的平均绝对误差低于半毫米，均方根误差也同样微小。换言之，模拟结果在再现基坑实际观测行为方面达到了足以满足工程安全校核和设计精化的精度水平。

这对更安全、更低成本的地下建设意味着什么

对非专业读者而言，核心信息是：研究表明，通过适度的现场监测、精心设计的数值模拟和神经网络，可以替代多轮昂贵的室内试验。通过识别出少数关键的土体属性，并用机器学习将其调校到匹配实测变形的水平，工程师可以在不过分增加工作量的情况下部署更复杂的地层模型。对于青岛的典型土层，作者甚至给出了敏感刚度参数与标准压缩量之间的可直接使用的比值，为设计者提供了实用捷径。更广泛地看，这一方法指向了一个未来：基于数据、经局部校准的模型将指导地下施工，在提高安全裕度的同时控制项目成本和进度。

引用: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

关键词: 深基坑开挖, 土体建模, 机器学习, 神经网络, 地面变形