《水利水电技术（中英文）》已迁移至新网址，旧网站已经关闭。

摘 要：

智能建造成为近年来工程建设领域的研究热点和发展趋势，通过集成人工智能、大数据和云计算等新一代信息技术，进一步推进了水利工程的安全、高效、高质、经济和绿色建设。简要回顾了水利工程智能建造的发展历程，从大坝智能建造的角度总结了智能碾压、智能温控、智能灌浆、智能安全监测和大坝智能施工机械5个方面的关键技术进展，并从隧洞智能建造的角度总结了围岩条件智能感知、地质灾害智能预测预警、TBM智能掘进、智能支护、隧洞智能施工机械5个方面的关键技术进展。目前，水利工程智能建造已逐渐由探索阶段向系统化发展阶段过渡，且已在一些工程中取得了良好的示范，但仍存在一些挑战和局限性。最后，从4个方面探讨了水利工程智能建造中的技术难点及展望，包括专业机理知识和数据驱动模型的融合、少样本条件下跨工程/工况的迁移学习、多源多模态异构互补数据信息的融合和基准数据集开发与数据标准化。

关键词：

水利工程;智能建造;大坝;隧洞;机理-数据融合;迁移学习;多源数据;

作者简介：

刘耀儒(1974—),男，教授，博士研究生导师，博士，主要从事岩石力学和水工结构及其智能建造方面的研究。

基金：

国家自然科学基金项目(52179105,41961134032);

引用：

刘耀儒，侯少康，程立，等． 水利工程智能建造进展及关键技术［J］. 水利水电技术( 中英文) ，2022，53( 10) : 1-20.

LIU Yaoru，HOU Shaokang，CHENG Li，et al． Advances and key technologies of intelligent construction of hydraulic engineering ［J］. Water Resources and Hydropower Engineering，2022，53( 10) : 1-20.

0 引 言

水利工程具有防洪抗旱、调水蓄水、水力发电以及推进绿色能源发展等功能，对促进国家经济发展和保障民生起到举足轻重的作用。中华人民共和国成立以来，中国政府始终重视水利工程建设和水电开发，已经完成多项节水、供水重大水利工程，截至2020年底，中国水电装机约为3.8亿kW,水电发电量占全部可再生能源发电量的60%以上。为进一步实现碳达峰、碳中和目标，推进国家能源转型，目前，我国确定的2020年及后续150项重大水利工程建设正在加快实施。根据中国水电发展远景规划，到2030年和2060年我国水电装机容量分别可达5.2亿kW和7.0亿kW,我国水利工程的建设仍有较大的发展空间。

大坝和隧洞是水利工程的主要建筑物，在水力发电和跨流域调水中起到了关键作用。目前，我国已建成白鹤滩、乌东德、拉西瓦、溪洛渡、锦屏一级、小湾等200 m级以上的特高拱坝。特高拱坝属于大体积混凝土结构，施工期由温度荷载而引发的温度裂缝是超高拱坝建设过程中面临的严峻挑战之一。同时，施工过程中灌浆压力的合理调控和灌浆质量对于保证特高拱坝整体性和安全性具有重要作用。我国大部分水电站为坝式发电，但在我国西部某些地区，由于地形限制和河段落差大等原因，长隧洞引水式发电成为一种有效的水能开发方式。此外，为解决我国水资源分布和供需不平衡的问题，我国已建或在建包括引松工程、引汉济渭、滇中引水、引绰济辽、南水北调等多个大型引水工程，均涉及了深埋长隧洞的建设。随着机械建造水平的不断发展，全断面隧道掘进机(Tunnel Boring Machine, TBM)凭借其安全、高效等优点，逐渐成为深埋长隧洞建设的优先选择。此外，TBM施工技术近年来也逐渐在我国抽水蓄能电站建设中得到大力推广和应用研究。然而，TBM对不良工程地质条件的适应性较差，且相对于浅部环境，深部岩体地质条件复杂，具有高地应力和强烈开挖扰动的特点,会对隧洞施工带来更严峻的挑战，岩爆、塌方、软岩大变形(卡机)和突涌水等地质灾害问题将会更加突出。

近年来，大数据、物联网、人工智能和云计算等信息技术逐渐在土木和水利工程领域得到了广泛应用。经过多年的发展，我国水电工程的建设先后经历了人工化、机械化、信息化和数字化的阶段，现在已迈入向智能化转型的阶段。智能建造定义为将信息化、自动化、智能化与工程建设过程高度融合的建造方式，通过集成和应用智能化系统，减少对人的依赖和人工决策的主观性，提高基础设施建设的可靠性和经济性，已经成为当前世界各国土木和水利工程建设的发展重点和热点。目前，已经提出了许多智能化系统：(1)针对具体工艺过程的智能化系统，包括智能通水系统、智能灌浆系统、智能温控系统等；(2)包含多方面功能的集成类智能化系统，如，大坝施工方面三峡集团开发的iDam智能建造管理平台和天津大学团队研发的数字大坝施工信息综合集成管理平台、深埋长隧洞施工方面中铁装备集团开发的TBM-Smart系统等。利用各种智能建造理论和智能化技术实现对工程建设过程的结构工作性态进行感知、灾害风险的预测预警、施工的智能调控等，从而保证水利工程的“安全、高质、高效、绿色、经济建设”,具有重要的意义。

国内外对水利工程智能建造的探索已经初具成效，提出了一些相应的智能建造理论和方法体系,基本形成了“智能感知-智能反演和预测-智能控制”的闭环控制体系，如图1所示。此外，在智能建造技术方面的研究和工程应用最为广泛，目前相对成熟的针对性智能建造关键技术包括：(1)大坝智能建造技术领域：智能碾压、智能温控、智能灌浆、智能安全监测等；(2)深埋长隧洞智能建造研究技术：地质条件智能感知、地质灾害智能预测预警、TBM智能掘进、智能支护等。这些智能建造关键技术已经在国内多个大型工程建设中进行了应用和验证，在一定程度上促进了工程的安全、高效施工。

图1 智能建造闭环控制体系

本文系统归纳总结了水利工程智能建造的发展历程和研究进展，从水利工程智能建造关键技术的角度，详细介绍了大坝智能建造技术和深埋长隧洞智能建造技术方面的研究进展和工程实践情况。并基于该领域研究进展情况，探讨了目前水利工程智能建造中人工智能方法应用存在的技术难点及展望。

1 大坝智能建造技术进展

大坝智能建造技术的突出进展主要表现在智能碾压、智能温控、智能灌浆、智能安全监测和大坝智能施工机械5个方面。其他大坝智能建造技术方面的研究进展还包括智能振捣、智能交通和智能仿真等。

1.1 智能碾压

碾压作业是碾压式土石坝和碾压混凝土坝施工过程中的重要环节，大坝的压实质量直接影响大坝的安全和稳定运行。同时，碾压作业的施工效率也会影响大坝的施工进度和施工成本，尤其是在高海拔地区。传统的碾压主要采用人工抽检的方式判断压实质量和控制压实参数(如压实次数、压实轨迹、振动频率、行驶速度等),效率相对较低，且无法确保整个施工区域的压实质量，易产生漏碾、欠碾、错碾和过碾等问题，为后续大坝的运行带来隐患。为了解决传统人工抽检压实质量难以保证的问题，研究人员提出了数字碾压技术，采用不同的压实监测系统来实时监测压实参数和压实质量。数字碾压技术应用的初期，碾压机仍由人工控制；为进一步减少人为因素的干预、提高碾压的控制精度，基于自动控制理论、相应的控制机构和技术(包括GPS、计算机、通讯、传感等),无人碾压技术得到了发展。国内多所高校的研究团队和工程单位开展合作，均在大坝施工的无人碾压技术研究上取得了较好的进展和工程应用。例如，清华大学提出了水利工程施工振动碾压机自动驾驶系统和闭环反馈控制方法,并在前坪水库工程中进行了应用研究;水电五局和同济大学依托长河坝工程对无人碾压技术进行了研究,并在阿尔塔什水利工程中开展了进一步应用;中国水科院和武汉理工大学提出了大坝碾压机的无人驾驶技术，并基于出山店水库大坝填筑施工的现场应用验证了该技术的适用性与有效性;天津大学对无人碾压机群的智能协同控制开展研究，并在两河口和双江口等水电工程中进行了实际应用。此外，华测导航和合众思壮等公司也都针对无人碾压技术开展了针对性的研究。近年来，随着人工智能技术的发展和在碾压筑坝领域的深入应用，无人碾压筑坝技术由自动反馈控制逐渐向智能反馈控制进行转变，可自适应地对碾压参数进行优化调整，改善施工效率。智能碾压系统的框架和结构示意如图2所示。

图2 智能碾压系统的框架和结构示意

智能碾压的研究内容主要涉及碾压参数智能感知、碾压材料特性智能感知、碾压质量智能评价和碾压过程智能控制4个方面：(1)碾压参数的智能感知是指通过加速度计等测量设备和机器视觉等手段对碾压筑坝过程中的施工信息进行精确感知，包括碾压机行驶速度、碾压遍数、压实厚度等，可为碾压质量评价和碾压过程控制提供基础。(2)碾压材料特性的感知是为了获取用来确定坝料压实特性的材料本身(内部)因素，包括材料的含水率和级配等。不同研究人员基于机器视觉、贝叶斯估计、随机森林等模型和算法实现了对碾压材料特性的感知和预测，如，雷雨萌提出了基于图像识别的土石坝坝料级配检测方法、刘彪等提出了小样本条件下砂砾石坝料级配特征参数的贝叶斯估计方法、田耕提出了基于随机森林的堆石坝料含水率变化预测方法。(3)碾压质量评价，主要是分析碾压机械系统的振动特性指标和压实质量的关联性，从而构建压实质量评估模型。目前较为常用的压实指标包括SCV(Sound compaction value)、CV(Compaction value)和CF(Compaction feature)。在此基础上，众多学者考虑了更全面的影响因素，包括：施工过程的碾压参数(行驶速度、压实厚度、碾压遍数)、振动频率/振幅信号、材料特性参数(坝料含水率、坝料级配特性)等等，通过相关性分析或机器学习方法等来构建数据驱动模型，建立了各影响因素与压实指标间的映射关系，实现对碾压质量的评价。由于材料的不同，土石坝和碾压混凝土坝的压实质量评价指标会存在差异，需要在进一步研究中对比不同压实质量评价指标的优劣和适用范围。(4)碾压过程智能控制是指在机载反馈控制系统和机构的基础上，集成人工智能控制算法，对碾压操作参数信息进行优化，提高碾压精度和效率。

1.2 智能温控

大体积混凝土结构施工过程中，混凝土水化热引发的混凝土开裂会影响大坝的长期稳定性。自20世纪30年代，水利工程技术人员就开始关注大坝的温度控制，经过多年发展逐渐形成一整套温控防裂理论体系和措施,总体温控理念为“表面保温、低温浇筑、通水冷却”。但温控施工对技术人员的要求很高，人工具有一定的主观性，难以做到精确和实时调控；且通常出于安全考虑而采用保守的通水量，忽略了经济性。

随着数字化和智能化技术的发展和应用，智能温控的理论逐渐完善，并在乌东德、白鹤滩、黄登、鲁地拉、藏木、锦屏一级等大坝工程中得到了应用和推广。大体积混凝土结构的温度应力控制框架示意如图3所示，包括数据采集感知、智能评价决策和温度智能调控3部分。通过对大坝施工过程的多源数据信息进行采集分析，基于全过程温度应力数值仿真计算评价大坝在预设初始通水策略下的整体安全性，并通过对通水策略的优化，采用当前最优通水策略进行温度的调控。目前混凝土的温度应力调控主要以“保证结构安全、发挥材料性能和提升施工效率”为优化目标，即在保证结构全过程安全裕度的同时，最大限度发挥混凝土材料的自身强度性能(节约造价)。混凝土浇筑后的温度变化曲线为一个先增大后减小的单峰曲线，基于此规律，智能温控的优化目标包括：最高温度、最大温差(如不同仓浇筑时机不同而带来温差的最大值)、降温速率等。

图3 大体积混凝土结构的温度应力控制框架示意

智能温控方面的基础研究工作可概括为低热混凝土材料方面的研究、混凝土热力学性能参数智能感知方面的研究、温度场重构和演化过程分析方面的研究、温控通水策略方面的研究4个方面。

(1)低热混凝土材料方面的研究。

采用低热混凝土材料也是大坝温度应力控制的有效措施，配合智能通水等措施，可达到更好的温度裂缝控制效果。石云磊等通过温度断裂试验研究说明了低热混凝土在早龄期强度和弹模较低情况下仍具有较强的抗裂性能。李金玉等进行了HBC低热高抗裂大坝混凝土的开发研究，并通过与中热水泥混凝土的平行对比试验，验证了HBC混凝土在大坝施工中良好的抗裂性能。樊启祥等基于溪洛渡两个坝段开展低热混凝土施工关键技术研究，表明了低热混凝土对保证施工质量和防止温度裂缝具有良好的效果。我国乌东德和白鹤滩大坝施工过程中均采用了低热混凝土。

(2)混凝土热力学性能参数智能感知方面的研究。

混凝土热力学性能参数的精准识别是准确模拟大坝温度场的关键因素。传统的大体积混凝土施工中，混凝土材料的热力学性能参数(导热系数、绝热温升系数等参数、比热等)一般采用经验公式或室内试验获取，但由于经验公式往往与实际情况相差较大，室内试验易受到环境条件和随机因素的干扰，目前通常采用智能反演分析方法进行对混凝土的热力学性能参数进行识别。例如，邹科辉等基于改进的鲸鱼优化算法对大坝混凝土的导温系数和表面散热系数的反演。邓思勉等基于改进的BP算法反演了大体积混凝土材料的绝热温升、反应速率、导热系数和表面散热系数等热力学特性参数。

(3)温度场重构和演化过程分析方面的研究。

结合温度监测数据和插值算法，可实现对大坝温度场的重构；通过数值仿真手段，可实现对大坝温度场的演化过程分析。CASTILHO等提出了用于模拟拱坝混凝土浇筑过程中水化过程和温度演变的有限元模型，实现了对大坝温度场演化过程的分析；周华维等研发了混凝土坝三维温度场分析系统，基于光线测温数据和克里金插值法实现了对坝体三维温度场的实时在线重构。

(4)温控通水策略方面的研究。

通水冷却是大体积混凝土结构温控防裂的主要措施之一，已逐渐由人工控制向自动控制和智能控制发展。陈志远等预设温度变化过程线，并定时自动采集混凝土温度与预设温度进行对比来开展冷却水流的通断决策。金鑫鑫等基于神经网络和遗传算法，以通水温度和通水流量作为输入，以控制温度作为输出，建立了智能优化通水模型。张庆龙等提出通过人工智能优化算法获得通水策略的方法，通过大量的有限元温度应力数值仿真计算获得不同通水策略下的大坝全过程温度场和应力场，并计算安全系数；建立BP神经网络模型，将安全系数和通水策略分别作为模型的输入和输出来建立映射关系，并基于此实现通水策略的优化。

1.3 智能灌浆

灌浆作业是基础加固和防渗处理的重要措施，对保证工程的安全和长期稳定运行具有重要意义。由于灌浆属于隐蔽工程，施工质量和灌浆效果难以进行直观的检查，灌浆质量控制技术的研究一直是水利工程的研究热点。

从人-机交互角度，水泥灌浆技术的发展主要可以分为3个阶段:(1)人工灌浆阶段：通过人工控制灌浆作业的整个过程，并依靠经验来对作业进度情况和灌浆效果进行记录。(2)数字灌浆阶段：采用灌浆自动记录仪对灌浆过程参数(如灌浆流量和密度等)进行数据采集、显示和记录，从而辅助技术人员评判灌浆效果。(3)智能灌浆阶段：综合运用了人工智能、通信技术、物联网、云计算等信息技术，对灌浆过程数据进行实时感知和分析，从而实现灌浆工艺过程的优化决策和实时控制。目前，数字灌浆仍是大多数工程主要采用的施工方式，但灌浆作业的全过程仍采用人工控制，灌浆质量较依赖于技术人员的经验性，在某些特殊情况下灌浆作业仍伴随着一定的不确定性和不可靠性。伴随着灌浆技术发展和对工程要求的不断提高，智能灌浆将得到更多的发展和应用。

在智能灌浆涉及的基础理论研究方面，王晓玲等通过建立三维随机裂隙网络的灌浆数值仿真模型，模拟了多级水灰比浆液在裂隙岩体中的扩散过程。樊贵超等基于分形理论，建立裂隙岩体导水率的分形模型，从而研究了坝基裂隙岩体注灰量与导水率的关系。可灌性是灌浆工程中一个重要的参数，关于岩体可灌性的智能化评价，主要是通过机器学习等智能算法构建地质条件、施工条件和灌浆条件等参数与可灌性直接的映射关系，如，李晓超等考虑地质条件、浆液性质和灌浆工艺方面的12个因素，提出了基于模糊RES-云模型的坝基岩体可灌性评价方法；LI等考虑包括地质参数、施工参数和材料参数共计13个因素，通过灰狼算法优化的随机森林建立了可灌性的分级模型，并利用SMOTE过采样技术提高了不平衡数据集中少数类样本的分类精度；DENG等同样考虑上述三类参数共计10个因素，并基于混合灰狼算法优化的支持向量机(HGWO-SVM)模型实现了对裂隙岩体可灌性的预测。这类研究为可灌性分析和灌浆策略的制定提供了基础依据。

在智能灌浆涉及的灌浆质量评价方面，主要是通过对不同检测手段所得的数据进行解译和分析判断来实现。刘宗显等基于采集地质参数以及灌浆施工参数和灌浆质量评价指标数据，提出了基于LWOA和MKSVM算法的灌浆施工质量模糊综合动态评价方法。郭文娟探讨了多种关键质量的检测方法，包括声波检测法、岩体透水性检测法、钻孔变模检测法和智能钻孔全景图像检测法。

智能灌浆涉及的灌浆控制研究方面，目前已提出不同的控制理论和建立相应的控制系统，例如，樊贵超提出了大坝基础灌浆质量控制理论，通过对灌浆参数的实时监测与分析、可灌性分析和灌浆质量综合评价等方法，实现了对灌浆施工质量进行事中控制和事后控制。闫福根等提出了“全面感知-智能分析-动态决策-实时控制”的碾压质量控制理论；樊启祥等基于“全面感知、真实分析、实时控制”的闭环控制理论研发了水泥关键智能控制系统。

1.4 智能安全监测

水利工程的安全监测为评价大坝安全性提供了重要资料和决策支持。大坝的安全监测起始于20世纪初，到20世纪70年代后，随着监测技术和设备的发展，美国等多个国外国家的大坝安全监测系统基本实现了半自动化和自动化;我国在20世纪80年代成功使用自主研制监测仪器实现对葛洲坝、龚咀等大坝内部的自动化监测,大坝安全监测也逐渐朝着自动化、精细化、数值智能化分析的方向发展。

大坝安全监测主要是为了评估坝体结构在蓄水运行期的工作性态要素，如变形、渗流、应力、应变等，从而对大坝的整体安全状况进行评价。一方面，可通过丰富的历史监测资料反演坝体、坝基的关键物理力学参数，并基于此进行不同工况的数值仿真来间接分析大坝的实际运行状况。另一方面，可通过不同的统计分析或机器学习等方法直接构建监测数据与大坝工作性态要素间的映射关系，并基于预测的工作性态要素建立预警指标体系来评价大坝运行状况。总体而言，为实现对大坝安全监测数据的有效分析，不同研究人员提出了不同的分析模型，可归纳为统计模型、确定性模型、混合模型和智能分析模型。

(1)统计模型：

基于概率论和数理统计方法对大坝安全监测数据进行分析，建立监测数据与大坝工作性态间的统计关系。例如，李富强建立的大坝监测数据分析的自回归模型，计算特征多项式的根，并通过比较其相对于单位圆的距离变化情况来分析大坝的工作性态；程琳等采用串联和并联两种混合回归模型对大坝监测数据(应力和位移)进行分析。

(2)确定性模型：

采用有限元计算水压、温度等荷载作用下的效应量，与实测值进行优化拟合，以求得调整参数，从而建立确定性分析模型。例如，王小敏和刘小勇基于ANSYS对大坝进行有限元建模分析，并通过数值计算获得的水位位移分量和温度位移分量建立大坝位移确定性模型；李端有等采用有限元数值分析方法分别确定混凝土拱坝位移的水压分量和温度分量，并基于此建立了拱坝位移的一维多测点确定性模型。

(3)混合模型：

通过有限元计算水压分量，其他用统计模型计算，然后与实测值进行优化拟合建立的模型。张伟等采用有限元法计算水位位移分量，构建大坝变形混合模型。吕高峰等运用有限元计算由坝体和坝基引起的坝顶顺河向水平位移，建立了坝顶顺河向水平位移的混合模型，分别反演了坝体和坝基的弹模，并拟定了监控指标。

(4)智能分析模型：

引入了机器学习等人工智能方法来处理大坝安全监测数据，相对于前三种监控数据分析模型具有更高的预测精度和更强的非线性映射能力。黄华东等建立了基于微粒群-BP神经网络算法的大坝安全监控模型。张娜提出了基于CQFOA-BP的大坝变形预报方法，并建立了大坝安全预警模块和评价体系。不同学者基于不同的机器学习算法建立了监控数据的智能分析模型，包括支持向量机、极限学习机、神经网络、决策树、随机森林等，大部分智能分析模型在鲁棒、外延性和泛化性等方面还有待进一步提高。

大坝的智能安全监测涉及各种各样的传感器，这些传感器往往应用于相对恶劣的施工环境中，在监测过程中产生故障的事情时有发生。因此，对传感器健康状况的智能化评价也是一个重要的研究内容。目前，基于数据驱动的传感器故障诊断方法已经在不同领域中得到了广泛的研究和应用。例如在大坝安全监测领域，苏怀智提出了基于径向基神经网络的大坝安全监测传感器故障自诊断方法。聂学军等提出了一种基于模拟退火的自适应模糊系统学习算法，实现对大坝安全自动化监测传感器故障的自诊断。RASTKO等将物联网技术引入大坝安全管理系统，通过云和无线传感网络来优化数据采集系统，并基于自适应算法实现了对传感器故障的监测。

1.5 大坝智能施工机械研究进展

智能建造的最终实现需要通过施工机械来完成，除了各种模型算法和系统，智能施工机械的发展也是尤为重要的。目前，大坝智能建造方面近年来发展较为成熟的施工机械主要包括无人驾驶碾压机、智能振捣台车、智能喷雾机等。其中，(1)无人驾驶碾压机是在传统的碾压机上配备各种传感系统、监测系统和集成智能算法的控制系统等来实现碾压过程中碾压机的定位、现场环境感知、路径规划、自动施工动作执行等任务,在一定程度上减少了混凝土浇筑作业。目前，基于无人驾驶碾压机的大坝智能碾压技术已经较为完善，且无人碾压机群的协同控制也得到了发展。(2)智能振捣台车是通过引入定位、传感器、智能监控、物联网等技术来对传统振捣台车进行改进升级，实现对大坝混凝土振捣质量的精细化智能管控，从而确保资源和人力配置。目前，智能振捣车已经集成了较为完善的可视化监控系统，可对振捣施工过程和关键参数进行有效监控;关于振捣质量及时评价分析和反馈控制的技术和系统有待进一步研究完善，并集成到智能振捣台车上。(3)智能喷雾机是在传统的喷雾机基础上，通过集成环境信息监测设备、喷雾机参数计算的理论模型和反馈控制系统等，实现对喷雾机参数(如风速、喷雾量、喷雾机的开闭等)的智能化动态控制，已在乌东德和白鹤滩水电站的建设过程中得到了良好的应用。

我国后续计划的水电开发如雅鲁藏布江下游地区等，需要面临高海拔、高寒等恶劣的施工环境，适应复杂环境的无人化运输设备和无人化施工机械将成为一个新的研究和发展方向。

2 隧洞智能建造技术进展

隧洞智能建造技术进展包括围岩条件智能感知、地质灾害智能预测预警、TBM智能掘进、智能支护和隧洞施工机械研究5个方面，广义的隧洞智能建造技术也包含智能运维和智能施工管理等。TBM施工的智能化是目前水利工程隧洞智能建造中重要的研究和组成部分，涉及的重要难点问题包括围岩感知、施工参数的智能优化决策、施工纠偏、灾害与事故的预报预警等几个方面，也均在本节的几部分内容中对这些难点问题的研究进展进行了介绍。与TBM类似，盾构机也是隧洞的施工机械，但盾构机适用于软岩或土层的挖掘，主要应用于城市地铁或小型管道，而在我国大型水工隧洞建设中TBM的应用相较于盾构机更为广泛。盾构机的智能化同样涉及施工纠偏、施工参数的智能优化决策等，与TBM的不同之处在于需要关注地表沉降预测、土压平衡和同步注浆的智能调控等。盾构智能化的内容不在本文进行详细介绍。

2.1 隧洞围岩的智能感知

围岩条件的评价为隧洞工程建设过程中的支护结构设计、施工方式选择和施工安全性的评价提供了重要依据。隧洞工程中，围岩条件通常由围岩分级来表示。目前，已经提出了多种被广泛应用的围岩分级方法,但不同行业标准中的分类方法仍具有较大的区别，且常用的围岩分级指标体系均是对围岩岩性、完整性、地质构造条件等指标进行简单的计算和代数叠加，没有充分考虑各影响因子的权重。此外，结合不同物探技术的超前地质预报成为目前隧洞围岩动态分级的常用手段之一,但超前地质预报中探测数据的解译仍主要采取人工方式进行，具有一定的主观性和经验性，故当面临复杂地质条件下隧洞施工时，围岩分级的精确性将会受到限制。

随着大数据技术和人工智能的发展，基于不同机器学习算法(如，SVM、KNN、神经网络、决策树和集成学习模型等)的围岩智能分级已取得了较多的研究成果。在非TBM施工的隧洞中，主要是基于地质条件、岩体结构等参数或超前地质预报的物探数据作为机器学习模型的输入来实现围岩的智能分级。例如，马世伟等建立了基于KNN的围岩分级预测模型，通过涉及岩体结构、赋存环境、地质构造等方面的7个指标作为模型输入，实现了对围岩分级的预测。SANTOS等使用因子分析手段从RMR系统中提取3个公共因子，并基于人工神经网络(ANN)建立了岩体分类的预测模型。郑帅等基于细菌觅食优化算法优化的最小二乘支持向量机(BFOA-LSSVM)构建了分类指标与岩体等级之间的映射关系。张峰瑞等通过超前预报获得围岩分级指标，并利用DE-BP模型实现对隧道围岩的分级。汪学清等建立基于SVM的隧道围岩分级模型，并利用TSP探测参数实现对围岩分级的判别。机器学习等人工智能在围岩分级上的应用，在一定程度上消除了人为判断的主观性，提高了围岩分级的预测精度。

近年来，TBM广泛应用于隧洞等地下工程施工中。除了辅助进行支护设计和选择，准确预测围岩分级可以辅助TBM进行运行参数的自适应调整，从而保证TBM的安全、高效掘进。TBM掘进破岩过程中会产生上百个运行参数，可反映岩-机相互作用情况,故基于TBM关键运行参数预测围岩分级成为近几年的研究热点。例如，HOU等建立Stacking集成学习分类器，通过特征选择筛选TBM关键运行参数，实现对围岩分级的预测；朱梦琦等采用基于随机森林的特征选择算法筛选6个关键特征，并利用AdaCost算法建立了TBM掘进过程的围岩等级预测模型；LIU等提出了基于CART树和AdaBoost算法的集成学习模型，利用TBM运行参数、FPI和TPI等实现对围岩分级的预测。类似于基于TBM运行数据的围岩分级预测，在钻爆法施工中，一些学者利用凿岩台车上的随钻参数来实现隧洞施工过程的围岩分级预测。

2.2 地质灾害智能预测预警

隧洞工程洞线长、空间跨度大，地质条件复杂多变，施工过程中易产生各种地质灾害，例如软岩大变形(TBM卡机)、围岩失稳塌方、岩爆和突涌水等，若不及时地处理和控制，将带来重大的安全风险。在探明掌子面前方地质条件的基础上，对各种灾害风险进行准确预测、评估和采取有效的防控措施，是保证隧洞安全高效施工的重要环节。

目前，对于隧洞施工过程中的各种地质灾害，预测方法大体可以概括为以下五类。

(1)经验分析方法：

基于已有工程实例或者施工经验，总结归纳或采用图表或回归分析等统计分析方法，构建施工、地质条件等与地质灾害间的经验关系。但经验分析方法往往考虑因素较少且较为粗略，对于特定工程具有较好的预测效果，普适性相对较差，在早期的隧洞施工中应用较多。

(2)理论分析方法：

通过总结室内实验规律、基于不同的力学理论进行推导计算或提出理论判据等，来分析和评价不同施工工况和地质条件下，隧洞的稳定性和不同地质灾害的发生可能性。但理论分析方法通常是基于对实际施工情况的合理简化和假设，与实际情况存在一定出入；对于复杂地质条件下的实际工程，理论分析方法的应用具有一定的局限性。

(3)数值仿真方法：

基于不同的数值仿真模型分析隧洞开挖后的安全性和稳定性，包括有限元法(FEM)、离散元法(DEM)和耦合FEM-DEM法等。数值模型的精度取决于网格的划分、本构模型的选择和本构参数值的设置等,对于复杂的施工条件，建立有效的数值仿真模型是一个耗时的任务。此外，数值模型通常用于施工前的隧道安全预分析或施工后的长期稳定性分析，无法用于隧洞施工过程中地质灾害的实时预测预警。

(4)监控测量/超前地质预报方法：

通过各种传感设备或超前监测技术对隧洞施工过程中的关键参量进行监测，例如拱顶沉降、围岩收敛变形、变形加速度、衬砌应力、微震信号等，从而分析和评价灾害发生的风险。一方面，对于大型隧洞工程，布设监控设备会增加施工成本。另一方面，对于TBM隧洞，由于TBM自身的振动，会对声波相关信号的有效识别带来干扰;且在护盾式TBM施工隧洞中，护盾和管片的遮挡导致监测设备的布置和应用较为困难。LI等针对双护盾TBM隧洞，结合准分布式光纤光栅高差位移计，提出了一个利用超前钻孔的围岩收敛变形测试和围岩力学参数反演分析方法，但适用于护盾式TBM施工隧洞的围岩变形监测方法仍相对较少。

(5)数据驱动的智能预测方法：

主要是基于隧洞施工中的多源数据，通过数据挖掘技术和机器学习等算法，实现对地质灾害的预测。智能预测方法可以看作是在前面4种方法基础上的改进，即通过人工智能算法来处理复杂的非线性映射问题，减少人工分析的主观性，提高预测精度；其数据来源可以是现场监控测量和超前地质预报数据，也可以是数值仿真或室内实验得到的数据。

深埋隧洞岩爆和TBM卡机是隧洞施工中两种常见的地质灾害。岩爆灾害智能预测预警方面，宏观预测主要是基于传统的应力、强度和能量指标作为机器学习模型的输入特征，实现对岩爆烈度分级的预测。例如，LIU和HOU讨论了粒子群优化的三种机器学习模型对岩爆烈度分级预测的效果；谢学斌等选取围岩切向应力、应力强度比、岩石脆性指数和岩石弹性模量作为岩爆倾向性等级预测指标，并基于XGBoost建立了相应的预测模型。隧洞实时短期动态预测对于施工安全更为重要，目前主要是基于机器学习等算法对微震检测信号进行智能识别，建立其与岩爆之间的映射关系，实现对岩爆的预测、分级和定位。例如，陈炳瑞等将STA/LTA信号拾取算法和BP神经网络用于微震监测信号的识别，提高了对岩爆、冲击地压等灾害的预测精度；孙兴业基于微震参数，研究对比了5种机器学习算法在岩爆定位和岩爆等级的预测效果。

TBM卡机灾害智能预测预警方面，一是根据卡机影响因素作为指标直接预测卡机风险。例如，颉芳弟等结合粗糙集和动态贝叶斯网络构建TBM卡机风险预测模型，并通过双三隧道3个施工区段验证了模型的可靠性。HOU等[103]考虑影响卡机的7个因素，通过精细化数值仿真构建不同卡机风险的数值样本库，提出了基于数值样本和随机森林模型的TBM卡机风险预测方法。另外一个思路是，先预测隧道挤压或收敛变形，再评价卡机风险。例如，FENG和JIMENEZ以166个隧道工程案例为样本，基于贝叶斯网络预测隧道挤压的概率；MAHDEVARI和TORABI根据现场监测和实验室试验获得的数据，使用人工神经网络预测隧道收敛变形。

2.3 TBM智能掘进

隧洞工程建设中，工期的延误会带来高昂的成本，故TBM驾驶员的目标是在保证安全和施工质量的前提下，尽可能提高掘进效率和降低掘进成本。在复杂和不确定性的地质条件下施工时，实现这一目标是一项艰难的任务，也是目前研究的热点。TBM的智能掘进研究可概括为两个方面：TBM掘进的智能导向和TBM掘进参数的智能控制。

2.3.1 TBM掘进智能导向

TBM掘进过程中的姿态控制是TBM操作员的一项重要工作，掘进路线与设计路线的一致程度决定了隧道的施工质量。然而，由于自重、地层变化、掘进机自身结构和人为因素等，TBM掘进过程中容易发生偏移。目前，TBM位置参数的获取主要通过导向系统测量，可直观地在系统中显示当前设备掘进姿态和偏差；但掘进姿态的控制仍主要由TBM操作员根据经验和操作规范进行调整，受人为因素的影响较大。因此，TBM掘进的智能导向/自动姿态纠偏成为目前的一个研究热点。图4所示为TBM掘进智能导向的示意。

图4 TBM掘进智能导向示意

TBM掘进姿态控制模型的构建方法主要包括三类。

(1)建模方法方面：

刘华江研究了TBM液压推进系统的动态数学模型，并建立了TBM的加速度方程、动量矩方程、运动学方程和姿态方程，集合最优控制技术与PID技术来实现对TBM的轨迹纠偏。PENG等研究了TBM轨迹控制的动力学和运动学模型，来实现对TBM掘进姿态的控制。

(2)模糊控制方法方面：

NAKAYAMA等将模糊控制理论引入TBM姿态控制，通过学习TBM操作员的推力和决策过程建立了相应的控制规则。周奇才等基于模糊控制理论，根据盾构自动导向系统测量的实时偏差量，通过模糊控制器得到纠偏控制量，实现对盾构推进姿态的自动控制。

(3)智能控制方法方面：

由于模糊控制缺乏自学习和自适应能力,将人工智能方法应用到TBM掘进导向控制是目前发展的趋势。例如，侯昆洲提出了一种基于深度迁移学习的TBM掘进姿态纠偏调向控制方法，通过深度迁移神经网络预测TBM纠偏调向参数，并以最大边刀移动量和最小转弯半径作为约束，实现TBM导向的精准控制；宋立业和张冰提出了基于RBF神经网络和PID控制器的TBM掘进姿位自适应控制方法。

2.3.2 TBM掘进参数智能控制

由于地质条件的不确定性和TBM掘进过程中的岩-机作用机理具有复杂的非线性，TBM掘进往往凭借TBM操作员的经验来控制。由于不同TBM操作员的经验水平不同，在实际施工中通常采用次优或较差的控制参数掘进施工，故基于TBM运行情况和地质条件来寻找最优控制参数值是目标的研究热点。TBM掘进参数的智能控制研究包括两类：TBM掘进参数的预测和TBM掘进参数的优化。

TBM掘进参数预测方面，根据已有安全(较好)的施工历史数据建立数据驱动模型，直接预测或间接决策出较合理(较优)的TBM运行参数，从而辅助操作员进行TBM的掘进参数的调控。例如，侯少康等建立IPSO-BP预测模型，基于TBM掘进循环上升段前30 s的掘进数据和3个地质参数数据，实现对稳定段的推进速度、总推进力和刀盘扭矩的预测；王飞等基于XGBoost算法建立场操作系数指数(FOI)的预测模型，并通过专家模型方法建立FOI至TBM操作参数(由经验丰富操作员操作)的映射关系，从而实现对TBM操作参数的决策。

TBM掘进参数优化方面，在关键控制参数可行域的范围内，根据不同优化目标(安全、效率、成本、能耗等)和决策准则，给出最优掘进控制参数。王瑞睿提出了基于多元约束和目标优化的TBM掘进参数优化方法，在构建TBM岩-机映射模型基础上，以刀盘推力、扭矩等参数为约束条件，以掘进成本最低为优化目标，实现了对掘进参数的优化决策。梁军博集合梯度提升决策树和随机森林建立TBM推进速度预测模型，并基于遗传算法构建以推进速度为优化目标的TBM操作参数优化决策模型。GUO等提出了综合考虑施工安全和效率的TBM智能辅助掘进方法，基于不同围岩等级和可掘性等级实现对TBM合适掘进参数的调整和优化。总体而言，根据不同地层特性和施工条件，综合考虑多目标对TBM掘进参数进行优化控制，是后续该方面研究的热点和重点。

2.4 智能支护

隧道支护体系的可靠设计和支护时机的合理选择是保证隧洞施工安全和长期稳定性的重要前提。隧洞的智能支护研究可以概括为3个方面：支护参数的智能匹配与优化、支护时机的智能决策和智能支护结构。

2.4.1 支护设计参数的智能匹配及优化

目前，对于支护结构设计和参数的选取多依赖于工程经验，由于缺乏完善的理论支撑，且已有工程案例的有限性和不同工程施工条件的复杂性，经验设计方法具有较大的局限性。除了经验设计方法，众多研究人员通过理论解析或数值方法，分析不同支护设计参数下围岩和支护结构的应力应变状态，通过对隧洞安全性评价选择合适的支护结构和参数。

随着人工智能技术的发展，专家系统、灰色理论、遗传算法、神经网络等方法被逐渐应用到了地下工程(如巷道和隧洞)的支护设计中，推动了支护设计参数的智能优化发展。例如，王志坚广泛收集整理了包括超前支护、洞身支护设计、爆破设计等设计参数数据库，根据现场施工条件和围岩条件，基于智能搜索匹配算法给出推荐支护方案。同济大学朱合华院士团队提出了一套基于地质体的数字孪生平台，通过计算围岩分级指标并智能匹配合适的支护设计图。陈克霖等综合考虑了隧洞的安全性和经济性，引入灰色关联度分析方法，选择拱顶下沉、底板隆起等作为评价指标，从多个工况中评价出最优的支护参数；孙振宇等提出了以围岩变形、支护受力和支护成本为目标，建立了基于目标函数分组加权表征的隶属度表征方法，实现了对支护体系的多目标协同优化设计。支护设计参数的智能优化已经有了一些成果，未来仍需进一步综合考虑围岩稳定、支护体系安全可靠和经济等，结合施工过程中的各种现场监测响应量和围岩感知结果，实时优化和调整支护设计参数。

2.4.2 支护时机的智能决策

对于较完整、且强度较高的硬岩隧洞，支护时机的影响不大，但对于软岩或完整性较差的隧洞，支护时机的影响将较为明显。目前，支护时机确定多依赖于施工经验，不同的技术人员对支护时机的选择有一定程度的差别，合理或最优支护时机的确定是隧洞施工领域一个有意义的研究问题。

针对最优或合理支护时机确定，已基于不同方法开展了许多研究工作：(1)理论计算分析方面，孙钧等提出了剪应变控制理论，理论计算的最大剪应变等于地层容许剪应变为进行支护的最佳支护时机。郑晓慧基于隧洞松动圈理论，阐述了软岩隧洞最佳支护时机的确定方法。周建等推导了隧洞开挖与支护过程中塑性区应力、洞壁位移以及支护压力解析解，并基于此提出了隧洞分步支护的合理支护时机。(2)现场监测方面，王中文等提出了利用现场监测数据确定围岩流变参数的方法，并基于考虑隧道围岩蠕变的初衬变形公式给出了二衬的合理支护时机。FENG等基于现场监测数据分析了支护时机对围岩和支护整体结构的影响，并给出了围岩初衬的合理支护时机。(3)数值仿真分析方面，LIU等基于精细化数值仿真，研究了双护盾TBM施工过程中回填支护时机的影响，并综合围岩变形、回填层应力和衬砌管片应力给出了合理支护时机的确定方法。梁鹏等引入岩体破坏接近度指标(FAI),基于有限差分数值仿真程序建立隧道最优支护时机的设计方法。(4)智能决策方面，孙海涛等提出了自适应神经模糊推理系统(ANFIS)来实现对合理支护时机的智能决策。目前，隧洞支护时机智能决策方面的研究相对较少，结合不同人工智能方法在隧洞最优支护时机决策有待得到进一步发展。

TBM施工的支护时机的确定与传统钻爆法施工存在区别，传统的钻爆法隧洞开挖的支护时机是在保证隧洞安全的条件下追求支护成本的最小，即需要充分发挥围岩的变形和自承能力；而护盾式TBM对围岩变形敏感，易因围岩变形多大挤压护盾而发生卡机。故对于护盾式TBM施工的深埋长隧洞，合理支护时机的确定应综合考虑围岩稳定、支护体系承载力足够、无卡机风险和经济性4方面因素。此外，深埋软岩隧洞的TBM施工中，传统的豆砾石回填和灌浆的施工方法有时会因无法及时形成支护效果而增大卡机风险，针对该问题，清华大学研究了可灵活调节回填支护时机的新型自密实混凝土回填材料和工艺。

2.4.3 智能支护结构

除了上述提到的支护设计参数的智能匹配及优化、支护时机的智能决策，支护结构的智能化发展也对保证隧洞成型质量和长期运行稳定性具有重要意义。目前，对智能支护结构的研究主要涉及新型支护结构、自适应支护结构、支护机构状态自监测和感知、支护结构(如管片)的智能选型等方面。例如，何满潮等发明了一种适用于软岩大变形隧洞的自适应钢构架节点，可以充分发挥支护材料的性能。郭建坤提出了一种光纤内置的智能钢塑格栅，并研究了其作为一种支护结构在隧洞工程中的应用。许崇帮提出了一种智慧感知型的隧道衬砌支护结构体系，通过引入变形协调层来增加隧道衬砌机构强度和实现对衬砌结构安全状况的监控。杨钊等提出了基于参数智能化采集的盾构管片自动选型方法，通过监测和图像识别技术采集管片选型参数，并通过自动决策算法确定管片型号。总体而言，许多研究人员对隧洞的智能支护结构进行了有益的探索，但关于隧洞智能支护结构还有待进一步研究和实现工程建设中的推广应用。

2.5 隧洞智能施工机械研究进展

隧洞智能建造方面近年来发展较为成熟的施工机械主要包括TBM、盾构机、凿岩台车、围岩支护施工装备等。其中，(1)TBM和盾构机自身均是一个复杂的机械系统，配备了复杂的传感器、信息采集系统和驱动控制系统等，在隧洞施工发挥着重要的作用。近年来，TBM和盾构施工均朝着信息化和智能化不断发展，众多研究人员针对TBM和盾构施工中的环境条件感知、装备寿命预测、掘进的自适应调整等方面进行技术攻关,已经取得了一些有价值的研究成果。中铁装备集团大力推进TBM 的智能建造，开发的TBM-Smart系统已经集成了部分智能预测模型，并在国内多个重要水利工程(引松工程、引绰济辽、滇中引水等)的TBM机械上进行应用。未来隧洞掘进机的发展目标是实现多功能智能化、无人化的安全高效施工。(2)凿岩台车是隧洞钻爆法开挖进行钻凿炮孔和锚杆孔的主要机械，近年来在智能化方面的研究进展主要包括：基于随钻参数的围岩条件感知、孔序规划、车体与钻孔的自主定位等方面。未来凿岩台车后续也将朝着集成无人化、多功能的智能化的方向发展。(3)围岩支护施工设备方面，目前已经通过集成智能传感技术、数据传输接口技术、机群控制技术等，发展出了系列的支护施工机械，包括智能注浆台车、智能拱架台车、数字化衬砌台车和数字化养护台车等,提高了隧洞支护的施工效率和质量。

3 水利工程智能建造中的技术难点及展望

水利工程智能建造近些年取得了突破性的进展，但是仍然存在一些技术难点，尤其是专业机理和数据驱动融合、工程间的数据迁移和多源数据的融合等方面，仍需要结合算法的深入研究，来促进水利工程智能建造方面的应用。

3.1 专业机理知识与数据驱动模型的融合

机器学习(Machine Learning, ML)等数据驱动模型的训练一般需要足量且有效的数据样本，而在水利工程领域的某些响应量预测和灾害预警等实际应用中，获得足量的有效样本往往较为困难，且代价较为昂贵。同时，机器学习算法多为“黑箱”模型，在样本训练过程中，通常没有有效利用专业机理知识进行指导，而仅仅挖掘数据层面的表象统计分析规律，会导致对专业领域实际应用的指导能力有限。目前，对于专业机理-数据驱动融合模型研究还相对较少，处于探索试验阶段，图5所示为专业机理知识与数据驱动模型的基本融合模式，包括知识启发(并联)、知识约束(串联)。张大富等针对当前智慧水利主要从信息化建设开展而缺乏专业知识/机理驱动的问题，设计并探讨了融合专业机理知识的智慧水利建设的总体框架。马睿等基于混凝土拱坝温度场监测分析的工程实例，讨论了不同专业机理知识-数据驱动融合模型的应用方式和适用性。针对有效样本较少的情况，一些学者提出利用数值仿真计算的大量样本作为一种“专业知识”来对数据驱动模型进行训练，如，庄文宇等通过数值仿真计算的大量样本对IAGA-BP模型进行训练，并结合实际变形监测资料，实现了对坝体和坝基力学参数的反演。

图5 专业机理知识与数据驱动模型的基本融合模式

总体而言，可用作引导学习的专业机理知识的类型(如，传统机理模型、工程经验、数值仿真样本等)、以及不同专业机理知识与数据驱动模型的融合方式或作用模式(如知识启发、知识约束、知识启发-约束混合等)等仍需要进一步的研究。

3.2 少样本条件下跨工程/工况的迁移学习

由于工程问题的复杂性和机器学习模型基于的样本独立同分布假设，根据已有工程数据训练好的模型对新工程的适用性很可能较差。另一方面，机器学习的精度受限于样本数量和样本的代表性，很多领域灾害或故障预测问题中典型的标签样本较少，很难直接训练获得高精度的学习模型。迁移学习的思想即利用具有大量数据样本和具有相似性的学习任务训练好的模型迁移至目标任务，从而减少目标任务对数据数量、质量的依赖，从而可用于提高少样本目标任务的预测精度。按照迁移方法，迁移学习可分为实例迁移、特征迁移和参数迁移，分别适用于不同的目标域要求。目前，水利工程领域的迁移学习应用还相对较少，多数研究仍停留在基于单一工程数据的具体问题建立回归和分类的预测模型的层面。

由于工程问题的复杂性，基于已有单一工程数据建立的机器学习模型，是否能有效地应用于具有一些差异(如工况、设备、地质条件等)的类似工程中，是工程领域相关专家和技术人员关注的一个问题。尤其对于新工程建设初期，有效样本较少的情况，如何利用类似工程“大量”数据来进行迁移学习和应用，也是一个具有重要意义的开放性课题。因此，关于少样本条件下跨工程/工况的迁移学习有待于进一步研究。

3.3 多源多模态异构互补数据信息的融合

对于复杂的问题，其往往具有多源的可解释变量，多源信息在工程领域也是广泛存在，并且蕴含丰富的内容，但以往工程问题中的机器学习模型通常只考虑了单一或较少的数据源，未充分利用可监测多源数据的互补信息来提高模型的泛化性能。然而，多源数据信息也往往是多模态和异构的，如何有效对多源多模态异构的数据进行特征表示和融合，成为目前机器学习领域研究的热点问题。孙志久等探索了基于多源信息融合的大坝安全智能诊断的实现途径，并进行了初步应用研究。尤林奇等研究了基于BIM和GIS平台的工程多源数据融合方法。多源数据的利用得到水利工程领域研究人员的重视，并进行了一定的探索和研究，但还没有形成成熟的体系。因此，有必要对多源多模态异构数据特征融合方法、不同融合方法的适用性、数据缺失或稀疏区域的处理方式、多源数据特征的权重调节机制等方面开展进一步研究。

3.4 基准数据集开发与数据标准化

如前文所述，针对水利工程的一些预测问题，众多学者已经构建了不同的机器学习或深度学习模型。然而，由于所采用的数据集不同或相同数据集的处理方式不同，不同模型的优劣难以得到客观的衡量。因此，开发针对具体问题的基准数据集将具有重要意义，如，XIAO等论述了TBM运行大数据集构建机器学习模型之前进行数据的标注化、统一化预处理的重要性。所建立的基准数据集应尽可能符合以下全部或部分条件：(1)数据量应足够大；(2)数据分布具有较大的时间或空间跨度；(3)涵盖尽可能多的工程或工况；(4)不同标签样本应满足一定的均衡性；(5)数据集应包含尽可能多的目标问题的可解释变量。目前，水利工程领域已经有了一些基准数据集，但主要为结构健康监测或施工管理领域的图像数据，其他方面的基准数据集仍有较大的开发空间。此外，针对具体问题，应制定统一的数据标准，从而规范数据采集、存储、预处理等过程，便于推动科学研究和工程应用的发展。

4 结 论

智能建造是水利工程建设的发展趋势，经过近些年的探索和研究，已经取得了一定的进展，并形成了一些成熟的技术。回顾了水利工程智能建造的发展历程，大坝智能建造的方面总结了智能碾压、智能温控、智能灌浆、智能安全监测和大坝智能施工机械5个方面的关键技术进展；隧洞智能建造的方面总结了围岩条件智能感知、地质灾害智能预测预警、TBM 智能掘进、智能支护和隧洞智能施工机械5个方面的关键技术进展。最后，从4个方面探讨了水利工程智能建造中的技术难点及展望，包括专业机理知识和数据驱动模型的融合、少样本条件下跨工程/工况的迁移学习、多源多模态异构互补数据信息的融合和基准数据集开发与数据标准化。目前，我国水利工程智能建造已逐渐由探索阶段向系统化发展阶段过渡，这些技术难点也开始得到领域专家的关注和研究。可以预见，随着在理论、技术、方法方面研究的不断深入，智能化标准和体系的逐渐完善，集成智能建造平台不断升级和更高效部署，我国水利工程的建设水平将会达到一个新的高度。

水利水电技术（中英文）

水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。