基于神经网络的多年冻土路基变形预测研究综述

作者：Ye Peng · 发表于：工程与技术创新 · 年份：2025 · DOI：10.63887/jeti.2025.1.7.34

多年冻土路基变形是寒区交通基础设施稳定性的核心挑战，其复杂的热退化变形与多物理场耦合机制对传统预测模型提出了严峻考验。本文系统综述了神经网络在多年冻土路基变形预测中的技术进展与工程应用。研究表明，BP、LSTM及混合模型通过融合地温、冻融时序与InSAR遥感等多源数据，有效捕捉了水-热-力耦合的非线性特征。物理信息神经网络（PINN）通过嵌入热力学方程，显著提升了模型的物理一致性表达；而贝叶斯神经网络（BNN）在风险概率评估中表现出高可靠性。然而，实际应用中仍面临数据稀缺、模型泛化性不足及物理机制融合不充分等瓶颈。未来需推动多学科交叉、边缘智能部署及不确定性量化技术的标准化，以实现寒区工程的智能化运维。本研究为气候变化背景下冻土工程的长期变形预测分析提供了理论与技术支撑。