在地下基础设施与离岸能源工程的复杂性日益凸显，传统岩土工程方法难以应对土壤行为预测的不确定性与设计施工的高效性需求。数据稀缺、模型可解释性不足等问题成为瓶颈，而物理知情机器学习、数字孪生等技术的兴起，正为岩土工程的智能化转型提供突破性可能。
标题: Artificial intelligence transformations in geotechnics: progress, challenges and future enablers 译文: 岩土工程中的人工智能变革：进展、挑战与未来推动因素 期刊: Computers and Geotechnics (IF = 6.2) DOI: https://doi.org/10.1016/j.compgeo.2025.107604 |
原文摘要
Our reliance on the underground space to deliver critical civil engineering infrastructure is growing: to accommodate utility and transport infrastructure in urban environments, to provide innovative housing and commercial solutions, and to support proliferating renewable energy infrastructure, particularly offshore. Artificial intelligence (AI) is arguably the most promising enabler to transform geotechnical engineering by extracting knowledge from data to achieve step-change increases in efficiency, sustainability, reliability and safety. This paper seeks to develop a shared understanding of the state of the art of AI in geotechnics and to explore future developments. By way of example, specific popular use cases in geotechnics are considered to highlight current progress in AI applications including intelligent site investigation, predictive modelling for soil behaviour, and optimisation of design and construction processes. The paper then addresses key research challenges, such as data scarcity and interpretability, and discusses the opportunities that lie ahead in the integration of AI with geotechnical engineering. Finally, priority technological enablers are identified for future transformations.
译文
我们对地下空间的依赖正不断加深，其用于承载关键土木工程基础设施：满足城市环境中的市政和交通设施需求、提供创新型住房与商业解决方案，以及支撑快速发展的可再生能源基础设施（尤其是离岸能源领域）。人工智能（AI）无疑是变革岩土工程最具潜力的赋能技术，它通过从数据中提取知识，有望在效率、可持续性、可靠性和安全性方面实现跨越式提升。本文旨在建立行业对岩土工程领域人工智能应用现状的共识，并探索未来发展方向。通过列举岩土工程中的典型应用场景（包括智能场地勘察、土壤行为预测建模及设计施工过程优化），本文重点阐述了人工智能的应用进展；随后探讨了该领域面临的关键研究挑战（如数据稀缺性与模型可解释性问题），并分析了人工智能与岩土工程融合的潜在机遇；最后明确了推动未来变革的优先技术赋能因素。
1. 智能场地勘察与地面建模
利用高斯过程回归、贝叶斯变点检测、深度学习等机器学习技术，基于 CPT/DPT 数据实现土壤分层识别与岩土参数空间插值，同时融合多源数据（地质与岩土数据）提升模型准确性。
使用（a）动力触探试验（DPT）数据和（b）静力触探试验（CPT）数据预测土壤层边界
2.土壤行为预测建模
突破传统本构模型的复杂性局限，发展物理知情机器学习（PIML）方法，将经验公式与物理定律融入模型，解决纯数据驱动模型可解释性差、泛化能力弱的问题，实现对土壤复杂力学行为的精准模拟。
采用的多保真建模流程，结合数据驱动神经网络与传统唯象模型
3. 岩土工程涉及与施工优化
将机器学习应用于基础工程（桩承载力与沉降预测）、边坡稳定性设计（滑坡风险映射）及隧道工程（TBM 性能预测、沉降控制），通过代理模型提升区域尺度风险评估的效率。
（a）机器学习更新的广义预测模型工作流程；（b）离岸桩沉桩过程中预测误差对比
（a）基于人工智能代理模型的大规模规划流程；（b）代理模型针对 500kJ 能量阈值的输出结果
1. 核心挑战
数据层面：高质量标注数据稀缺，数据质量受操作、设备等因素影响，缺乏统一的评估标准。
模型层面：黑箱模型可解释性不足，跨土壤类型、地质条件的泛化能力弱，预测不确定性难以量化。
融合与规范层面：与传统岩土工程理论、设计规范的衔接不足，缺乏统一的基准测试与验证框架，存在伦理与法律风险。
岩土工程中人工智能未来应用的关键挑战及潜在解决方案
2. 解决方案
数据端：推广先进传感技术（分布式光纤传感）、建立开放数据集与标准化格式，采用联邦学习、数据增强技术弥补数据缺口。
模型端：开发模型无关的可解释性工具（如 SHAP 方法），结合迁移学习与物理约束提升模型泛化能力，利用贝叶斯建模量化不确定性。
体系端：加强 AI 研究者与岩土工程师的跨学科合作，建立 AI 模型与传统方法的交叉验证机制，制定负责任的 AI 应用指南。
1. 物理约束与多保真建模
通过不同程度的物理约束（从弱约束到强约束）提升模型可靠性，结合低保真数据（数值模拟）与高保真数据（现场测试），在控制成本的同时保证预测精度。
机器学习模型受物理原理约束的不同程度
（a）物理知情（弱约束）机器学习模型；（b）物理约束（强约束）机器学习模型的示意图
序贯多保真建模流程示意图
2. 知识发现与数字孪生
利用物理知情神经网络从数据中挖掘岩土工程基本定律（如 Terzaghi 固结理论）；构建联邦地下数字孪生系统，整合地面、基础、结构等多维度模型，实现实时监测与模拟。
基于物理知情神经网络的数据驱动 Terzaghi 固结理论发现流程
联邦地下孪生系统示意图
3. 人机交互与生成式建模
通过微调大语言模型（如 GeoLLM）实现岩土工程专业问答与设计自动化；利用生成对抗网络（GANs）生成合成数据集，支撑多保真建模与风险预警。
基于大语言模型（LLM）的人机交互界面概念图
声明：本文内容由解读人员在生成式人工智能技术辅助下创作而成，相关观点仅为解读人员基于论文内容的个人分析，不代表原文作者、期刊及本公众号立场，仅供读者学术交流参考，不构成任何决策建议。论文版权归属于相应作者/期刊/出版方，本公众号不提供任何论文全文的下载、转发、存储或分发服务，亦不鼓励任何侵犯论文版权的行为。如有版权侵权情况，请权利持有人及时与我们联系，我们将立即采取相应措施。
点击"阅读原文"查看更多