Surrogate-Assisted Reliability, Optimization, and Parameter Back-Analysis in Geotechnical Engineering: A State-of-the-Art Synthesis

在我们行走的城市和我们穿过的山脉之下，隐藏着一个拒绝表现得像一个简单、均匀整体的土壤与岩石世界。工程师必须设计出能够承受这些不可预测的地质变化的地基、边坡和隧道。在这里，一处粘土可能在某个位置很软，而在下一个位置却很硬；或者水压以难以预测的方式发生变化。为了确保安全，他们依赖复杂的计算机模拟，这些模拟就像数字实验室，测试结构在这些隐藏力量面前的表现。然而，这些模拟运行起来极其缓慢且成本高昂。对隧道稳定性进行一次完整的测试可能需要在超级计算机上耗费数小时，而为了确保万无一失，工程师需要进行数千次这样的测试，以涵盖地层中所有可能的变数。这造成了一个瓶径：对确定性的需求与计算能力的限制之间产生了冲突，使得许多关键决策陷入了不确定状态，或者只能依赖于过于保守且昂贵的设计。

由研究人员 Serges Mendomo Meye 和 Pieride Mabe Fogang 撰写的一篇新综述，通过探讨该领域如何从旧有的、僵化的计算方法转向更智能、更具适应性的方法，为解决这一难题指明了路径。作者分析了一系列被称为“代理模型”（surrogate models）的现代工具，它们充当了沉重、缓慢的计算机模拟的快速、轻量级替代品。这些新方法不再为每一次测试都运行完整的、耗时的物理引擎，而是基于一些关键案例构建一个数学映射图，并利用该图在极短时间内预测数百万种其他场景的结果。该综述涵盖了截至 2026 年的最前沿进展，指出虽然旧方法在处理简单、可预测的地层条件时表现良好，但在面对现实世界中复杂且崎岖不平的土壤时则会失效。论文认为，未来的核心在于将这些快速映射图与“主动学习”（active learning）相结合——即让计算机决定下一步该去哪里观察；以及“物理信息学习”（physics-informed learning）——即教导计算机掌握土壤运动的基本规律，从而确保它永远不会预测出在物理学上不可能发生的情况。

研究人员首先解释说，几十年来，工程师一直依赖静态方法来创建这些快速映射图。他们选取一组固定的测试点，运行缓慢的模拟，然后在结果之间绘制一条平滑的曲线。当地面均匀且问题简单时，这种方法效果尚可。然而，作者展示了当地面高度多变或失效点呈现尖锐且不可预测的特征（例如突然发生的滑坡而非渐进式变化）时，这种方法就会崩溃。在这些复杂情况下，平滑的曲线会完全错过危险区域。论文详细描述了向“主动学习”的转变，这是一个计算机不再只是被动等待数据，而是主动寻求数据的过程。想象一下，一名登山者试图在浓雾中寻找悬崖边缘；静态地图可能只显示一条平坦的线，但主动学习者会迈出一步，检查地面，如果感觉不稳定，就会就在那里再迈出一步，以精确地描绘出边缘。同样，这些现代算法先进行几次初始测试，建立一个粗略的地图，然后智能地选择下一个最重要的测试点，将精力集中在最可能发生失效的区域。这使得它们能以比以前少得多的计算机运行次数，精准找到安全与坍塌之间的界限。

该综述将这些快速映射工具分为六大类，并解释了每一类的演进过程。较旧的方法，如多项式响应面（polynomial response surfaces），就像是在崎岖的山脉中画一条直线；它们过于简单，无法捕捉到真实土壤行为中的尖峰与深谷。较新的工具，如支持向量回归（support vector regression）和径向基函数（radial basis functions），则更擅长处理这些剧烈的转折。但论文描述的最显著飞跃涉及“物理信息驱动”模型。这些模型不仅仅是基于数据进行猜测，它们被赋予了物理规则的知识，例如水如何在土壤中流动或岩石在压力下如何变形。通过将这些法则直接嵌入计算机的学习过程中，即使在数据非常匮乏的情况下，模型也能做出准确的预测。这对于现实世界的工程项目至关重要，因为在这些项目中，传感器可能分布稀疏，或者地层条件是前所未见的独特情况。作者表明，这些受物理引导的模型即使在输入数据不完整的情况下，也能高精度地预测隧道的稳定性或建筑物的沉降。

随后，论文将这些概念应用于岩土工程的三个关键领域。首先，在可靠性分析方面，新方法使工程师能够以以往无法实现的精度计算失效概率。与其仅仅因为通过了几次测试就猜测斜坡是安全的，计算机可以在几秒钟内模拟数十亿种场景，识别出可能导致坍塌的那些极其罕见且微小的条件组合。其次，在设计优化方面，这些工具帮助工程师在成本与安全之间找到完美的平衡。他们可以快速测试成千上万种不同的基础设计，通过调整混凝土或钢材的使用量，找到既符合严格安全规范又最高效的解决方案。最后，综述强调了实时“数字孪生”（digital twins）的潜力。在这种情景下，施工现场的传感器将实时数据反馈给快速模型，模型会立即更新对地层条件的理解。如果地面开始以意料之外的方式移动，系统可以立即重新计算风险并提出变更施工计划的建议，从而将传统的“观察并反应”模式转变为主动的、实时的安全保障系统。

尽管取得了这些进展，作者也谨慎地指出，该领域仍面临重大障碍。地层的复杂性意味着随着变量数量的增加，创建准确地图的难度呈指数级增长，这被称为“维度灾难”（curse of dimensionality）。论文指出，虽然新方法功能强大，但仍可能被来自传感器的噪声数据或计算机模拟本身的误差所误导。如果输入数据有误，快速映射图也会产生错误的预测。研究人员强调，未来的工作重点必须放在过滤这些噪声以及实现工具自动选择上，以便工程师无需手动调节复杂的参数。他们还呼吁开发能够同时处理多种失效类型的模型，而非孤立地看待单一风险，从而更好地反映现实世界基础设施的互联特性。

最终，这篇综述为下一代岩土工程提供了路线图。它证实了仅依赖缓慢、暴力计算模拟的时代正在结束，取而代之的是一种结合了速度与物理准确性的更智能、更具适应性的方法。作者总结道，通过弥合历史机械原理与现代数据驱动技术之间的鸿沟，整个行业可以朝着建设更安全、更具韧性且更高效的基础设施方向迈进。前进的道路在于完善这些快速模型以应对现实世界的复杂性，实现其自动化使用以使其面向所有工程师，并将它们整合到实时施工现场中，从而在人工建筑环境与支撑它的地面之间建立起一种动态的、响应式的关系。