A Knowledge-Graph Construction Method for TBM Tunnel Collapse Risk Based on the Synergy Between Construction Data and Expert Knowledge

ZHU Qing; YU Jun; WU Tingchen; WU Haoyu; SUN Qianqian

doi:10.14188/j.2095-6045.20260062

您当前的位置：

首页 >

文章列表页 >

A Knowledge-Graph Construction Method for TBM Tunnel Collapse Risk Based on the Synergy Between Construction Data and Expert Knowledge

更新时间：2026-10-12

- A Knowledge-Graph Construction Method for TBM Tunnel Collapse Risk Based on the Synergy Between Construction Data and Expert Knowledge
- Journal of Geomatics Vol. 51, Issue 5, Pages: 1-8(2026)
- 作者机构：
  
  西南交通大学地球科学与工程学院，四川成都，611752
- 作者简介：
- 基金信息：
- DOI：10.14188/j.2095-6045.20260062
  CLC： U458;P208
- Revised：2026-07-08，
  
  Published：05 October 2026
- 稿件说明：
移动端阅览
朱庆，余君，伍庭晨，等.施工数据与专家知识协同的TBM隧道塌方风险知识图谱构建方法［J］.测绘地理信息，2026，51（5）：1-8

ZHU Qing，YU Jun，WU Tingchen，et al.A Knowledge-Graph Construction Method for TBM Tunnel Collapse Risk Based on the Synergy Between Construction Data and Expert Knowledge［J］.Journal of Geomatics，2026，51（5）：1-8
朱庆，余君，伍庭晨，等.施工数据与专家知识协同的TBM隧道塌方风险知识图谱构建方法［J］.测绘地理信息，2026，51（5）：1-8 DOI： 10.14188/j.2095-6045.20260062.

ZHU Qing，YU Jun，WU Tingchen，et al.A Knowledge-Graph Construction Method for TBM Tunnel Collapse Risk Based on the Synergy Between Construction Data and Expert Knowledge［J］.Journal of Geomatics，2026，51（5）：1-8 DOI： 10.14188/j.2095-6045.20260062.

摘要

TBM隧道施工过程中，塌方风险随围岩条件与掘进行为的相互作用不断演化。现有知识建模方法多依赖静态文本语义或经验规则，难以反映施工监测数据所揭示的风险变化特征，导致风险评估的时效性和准确性不足。因此，本文提出一种专家知识与施工数据在本体层和实例层协同的TBM围岩塌方风险知识图谱构建方法。首先，基于文献调研与工程专家经验构建塌方风险要素本体，对地质条件、TBM掘进响应状态与风险事件及其语义关系进行统一建模；其次，以掘进区段为基本时空单元，对推进速度、刀盘扭矩、推力等监测数据进行区段尺度特征统计，并采用可解释的决策树模型学习高风险分裂阈值，将连续数值特征语义化为TBM掘进响应状态实例，实现监测数据到图谱语义的可解释转换；最后，在本体约束下组织区段内“地质条件-TBM掘进响应状态-风险事件”知识三元组，并在图数据库中进行存储，构建塌方风险知识图谱。以典型TBM隧道为例，通过本文方法所构建的知识图谱能够系统组织断层破碎、涌水等不良地质条件与TBM掘进异常响应状态之间的关联关系，实现塌方风险演化过程的结构化表达，支撑掘进区段尺度上塌方风险的评估及其演化过程的分析。

Abstract

During TBM tunnel construction， collapse risk continuously evolves as a result of interactions between surrounding rock conditions and tunneling behaviors. Existing knowledge modeling approaches mainly rely on static textual semantics or empirical rules， making it difficult to capture the dynamic risk variations revealed by construction monitoring data， which in turn limits the timeliness and accuracy of risk assessment. To address this issue， this study proposes a TBM surrounding-rock collapse risk knowledge graph construction method that integrates expert knowledge with construction monitoring data. First， an ontology of collapse-risk elements is developed based on literature review and engineering expertise， providing a unified semantic model for geological conditions， TBM tunneling response states， risk events， and their relationships. Second， using tunneling segments as the fundamental spatiotemporal unit， segment-level statistical features are extracted from monitoring data such as advance rate， cutterhead torque， and thrust. An interpretable decision tree model is then employed to learn high-risk split thresholds， semantically mapping continuous numerical features into instances of TBM tunneling response states， thereby enabling an explainable transformation from monitoring data to graph semantics. Finally， under the constraints of the ontology， segment-wise knowledge triples of “geological condition-TBM response state-risk event” are organized and stored in a graph database to form the collapse risk knowledge graph. A typical TBM tunnel case demonstrates that the constructed knowledge graph can systematically organize the associations between adverse geological conditions （e.g.， fault-fractured zones and water inrush） and abnormal TBM response states， enabling structured representation of the collapse-risk evolution process and supporting segment-scale risk assessment as well as retrospective analysis of risk evolution.

关键词

Keywords

references

裴成元，张云旆，刘军生，等 . 基于TBM掘进大数据和特征参数的引水隧洞塌方分析［J］. 隧道建设（中英文）， 2024 ， 44 （ 5 ）： 952 - 963

Yang Jun ， Qiao Linke ， Li Changjiang ， et al . Risk Assessment of Shield Tunnel Collapse Accident Based on Fuzzy Analytic Hierarchy Process ［J］. Sādhanā ， 2024 ， 49 （ 2 ）： 174

Li Li ， Ni Bo ， Zhang Shixin ， et al . Tunnel Collapse Risk Assessment Based on Improved Quantitative Theory III and EW-AHP Coupling Weight ［J］. Scientific Reports ， 2022 ， 12 ： 16054

Li Jinhui ， Guo Dong ， Chen Zuyu ， et al . Transfer Learning for Collapse Warning in TBM Tunneling Using Databases in China ［J］. Computers and Geotechnics ， 2024 ， 166 ： 105968

Wu Zhijun ， Wei Rulei ， Chu Zhaofei ， et al . Real-Time Rock Mass Condition Prediction with TBM Tunneling Big Data Using a Novel Rock—Machine Mutual Feedback Perception Method ［J］. Journal of Rock Mechanics and Geotechnical Engineering ， 2021 ， 13 （ 6 ）： 1 311 - 1 325

Guo Dong ， Li Jinhui ， Li Xu ， et al . Advance Prediction of Collapse for TBM Tunneling Using Deep Learning Method ［J］. Engineering Geology ， 2022 ， 299 ： 106556

Wang Shuangjing ， Wang Lechen ， Wu Leijie ， et al . A Jamming Risk Warning Model for TBM Tunnelling Based on Bayesian Statistical Methods ［J］. Scientific Reports ， 2025 ， 15 ： 35452

Ji Shaoxiong ， Pan Shirui ， Cambria E ， et al . A Survey on Knowledge Graphs： Representation， Acquisition， and Applications ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2022 ， 33 （ 2 ）： 494 - 514

罗强，胡中南，王秋妹，等 . GIS领域知识图谱进展研究［J］. 测绘地理信息， 2023 ， 48 （ 1 ）： 60 - 67

吕凯军，刘涛，杜萍，等 . 公路养护管理知识图谱构建及应用［J］. 测绘地理信息， 2026 ， 51 （ 3 ）： 24 - 29

Isah M A ， Kim B S . Question-Answering System Powered by Knowledge Graph and Generative Pretrained Transformer to Support Risk Identification in Tunnel Projects ［J］. Journal of Construction Engineering and Management ， 2025 ， 151 ： 04024193

Mequanenit A M ， Nibret E A ， Herrero-Martín P ， et al . A Deep Reinforcement Learning-Enhanced Multi-agent System for Ontology—Based Health Management in Nanotechnology ［J］. Electronics ， 2025 ， 14 （ 23 ）： 4580

Li Xuewei ， Li Shuchen ， Yuan Jingfeng ， et al . A Data-Driven and Knowledge Graph-Based Research on Safety Risk-Coupled Evolution Analysis and Assessment in Shield Tunneling ［J］. Tunnelling and Underground Space Technology ， 2025 ， 162 ： 106657

朱庆，王艳君，丁雨淋，等 . 多要素语义关联的TBM卡机风险评估知识图谱构建方法［J］. 西南交通大学学报， 2026 ， 61 （ 3 ）： 1 009 - 1 020

朱庆，王所智，丁雨淋，等 . 铁路隧道钻爆法施工智能管理的安全质量进度知识图谱构建方法［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 8 ）： 1 155 - 1 164

王心语 . 基于多算法融合的TBM岩-机作用模型与优化决策方法研究［D］. 武汉：武汉大学， 2021

Xie Weiqiang ， Liu Xiaoli ， Qian Ruipeng ， et al . Development of a Novel TBM Tunnelling Test Platform and Its Application in Rock-Machine Interaction Analysis ［J］. Rock Mechanics and Rock Engineering ， 2025 ， 58 （ 1 ）： 867 - 885

刘诗洋，陈祖煜，张云旆，等 . 基于卷积神经网络对TBM塌方段的反演分析［J］. 固体力学学报， 2021 ， 42 （ 3 ）： 287 - 301

许振浩，王朝阳，张津源，等 . TBM隧道掘进地质感知与岩-机数字孪生：方法、现状与数智化发展方向［J］. 应用基础与工程科学学报， 2023 ， 31 （ 6 ）： 1 361 - 1 381

Xue Y D ， Hou Y C . An Ontology of Risk Management for Tunnel Construction ［C］. The 58th U.S. Rock Mechanics/Geomechanics Symposium ， Golden， Colorado， USA ， 2024

Liu Ping ， Jin Xueqiang ， Shang Yongtao . Ontology-Based Automated Knowledge Identification of Safety Risks in Metro Shield Construction ［J］. Journal of Asian Architecture and Building Engineering ， 2026 ， 25 （ 2 ）： 1 295 - 1 324

Zheng Lifeng ， Xiao Haohan ， Nie Ding . Data Preprocessing and Excavation Process Analysis Based on Multi TBM Tunnel Project ［C］// The 2024 International Conference on Smart City and Information System ， Kuala Lumpur Malaysia ： ACM ， 2024 ： 367 - 370

Chen Chao ， Lu Yanyun ， Wu Bo ， et al . Digital Twin-Based and Knowledge Graph-Enhanced Emergency Response in Urban Infrastructure Construction ［J］. Applied Sciences ， 2025 ， 15 （ 11 ）： 6009

Xu Zhenhao ， Wang Zhaoyang ， Li Shucai ， et al . GeoPredict-LLM： Intelligent Tunnel Advanced Geological Prediction by Reprogramming Large Language Models ［J］. Intelligent Geoengineering ， 2024 ， 1 （ 1 ）： 49 - 57

Salimi A ， Faradonbeh R S ， Monjezi M ， et al . TBM Performance Estimation Using a Classification and Regression Tree （CART） Technique ［J］. Bulletin of Engineering Geology and the Environment ， 2018 ， 77 （ 1 ）： 429 - 440

Yang Y ， Choi H ， Yeom Y ， et al . Data-Augmented Machine Learning for Risk Management of Tunnel Boring Machine Jamming Considering Coupled Geological Factors ［J］. Computer-Aided Civil and Infrastructure Engineering ， 2025 ， 40 （ 27 ）： 5 010 - 5 026

Gan Binlin ， Zhang Dongmei ， Huang Zhongkai ， et al . Ontology-Driven Knowledge Graph for Decision-Making in Resilience Enhancement of Underground Structures： Framework and Application ［J］. Tunnelling and Underground Space Technology ， 2025 ， 163 ： 106739

Pan Shirui ， Luo Linhao ， Wang Yufei ， et al . Unifying Large Language Models and Knowledge Graphs： A Roadmap ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2024 ， 36 （ 7 ）： 3 580 - 3 599

刘永胜，杨光，李伟森，等 . 分段相关数据清洗算法在盾构刀盘数据清洗中的应用［J］. 隧道建设（中英文）， 2025 ， 45 （ 10 ）： 1 830 - 1 842

Lin L S ， Hu J R ， Zhong Z ， et al . A Hybrid Data Mining Method for Tunnel Engineering Based on Real-Time Monitoring Data From Tunnel Boring Machines ［J］. IEEE Access ， 2020 ， 8 ： 90 430 - 90 449

Ling Jiaxin ， Li Xiaojun ， Li Haijiang ， et al . Hybrid NLP-Based Extraction Method to Develop a Knowledge graph for Rock Tunnel Support Design ［J］. Advanced Engineering Informatics ， 2024 ， 62 （ Part B ）： 102725

李建旺，祁文睿，李新龙，等 . 面向TBM掘进围岩类别预测的复杂数据处理分析方法研究［J］. 河南科学， 2024 ， 42 （ 11 ）： 1 624 - 1 636

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Construction and Application of Knowledge Graph for Road Maintenance Management

Construction and Application of Knowledge Graph for Semantic Enhancement of High-Definition Maps with MapWorld Data

Digitization of Urban and Rural Planning Knowledge System Supported by Knowledge Graph：Advantages， Key Technologies and Construction Applications

A Novel Knowledge Graph-Driven Method for Producing New Fundamental Geo-entity

Intelligent Environment Information Assurance Driven by Knowledge Graph

Related Author

JIA Yandang

CHEN Chen

DU Ping

LIU Tao

LV Kaijun

LI Qiaoxia

XIAO Xiao

LIN Rongji

Related Institution

Gansu Province Transportation Planning Survey &Desing Institute Co.， Ltd.

Key Laboratory of Science and Technology in Surveying & Mapping

National‑Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring

Faculty of Geomatics， Lanzhou Jiaotong University

Hubei Provincial Map Institute （Hubei Provincial Map Data Application Center）

AI问答

⁰