The Innovation Informatics | 当机器学习赋能地下工程机械化智慧施工：为什么“预测得准”还不够？

本文从工程实践角度出发，反思了机器学习在盾构掘进机（TBM）参数预测中的应用。背景方面，尽管机器学习模型预测精度不断提高，但在实际跨工况、跨地层应用时，高精度模型往往难以直接指导施工决策。研究目的在于探讨为何“预测得准”的模型未必“好用”，并重新思考机器学习在TBM施工中应解决的核心问题及其价值评价标准。文章指出，TBM参数受地层、策略、操作者共同影响，并非普通回归目标；随机划分数据集的验证方法在工程中可能导致虚假的泛化性能；不同研究间的预测指标因目标、输入、预处理方式不同而缺乏可比性。结论认为，工程实践中更需要模型具备跨工况稳定性、可解释性及对决策的支撑能力，而非单纯追求预测精度。未来研究应注重预测任务的工程定义、验证方式的合理性及结果的可解释性，使机器学习成为真正的“决策助手”，推动地下工程向更安全、高效、智能的方向发展。