2024年3月，实验室骨干教师潘越（第一作者）、秦剑君（通讯作者）、陈锦剑与华中科技大学张立茂教授以及上海隧道工程有限公司潘伟强教授级高工合作，在土木工程领域顶级期刊《Computer-Aided Civil and Infrastructure Engineering》最新一期（第39卷第5期）上发表了精选封面文章（Featured Cover Paper）：A probabilistic deep reinforcement learning approach for optimal monitoring of a building adjacent to deep excavation。该工作针对城市地下空间开发施工诱发的邻近既有建筑风险管理问题，提出一套基于概率深度强化学习框架并可自适应于施工风险演化情形的智能决策新方法，用于邻近既有建筑最优监测方案制定。

地下空间开发的深基坑施工会引起周围地层变化，进而对邻近既有建筑产生不利影响。因此，在施工过程中需要根据环境变化制定动态可靠的既有建筑监测最优方案，在降低监测成本条件下及时准确地掌握建筑物风险状态，并尽早采取有针对性的措施以控制风险。该工作对于保障基坑工程安全开展、促进人工智能在施工管理领域的应用具有重要意义。

该工作提出了一套融合贝叶斯理论、神经网络和深度强化学习算法的智能决策框架（如图1所示）。通过智能体、环境（邻近既有建筑）、外部环境（基坑施工引发地层变化）、状态（邻近既有建筑性态）、工程决策与奖励（邻近既有建筑风险与决策成本）等的交互作用，有效驱动智能体自适应学习并形成既有建筑监测的最优方案，以最低决策成本达到建筑风险最小化的目的。

图1 针对深基坑邻近邻近既有建筑监测方案优化的概率深度强化学习智能决策框架

所提出的概率深度强化学习决策框架的可行性和有效性在上海地铁14号线静安寺站基坑施工风险管理中得到验证。结果表明，该智能方法可动态描述并持续更新地层变化与邻近既有建筑性态之间的复杂映射关系，动态预测建筑物结构失效及维修概率，为项目管理者提供了不同场景下基于数据驱动的邻近既有建筑风险管控智能决策依据（如图2所示）。

图2 不同场景下基于智能决策框架的邻近既有建筑监测方案制定及结构维修概率演化预测 

Yue Pan, Jianjun Qin, Limao Zhang, Weiqiang Pan, Jin-Jian Chen. A probabilistic deep reinforcement learning approach for optimal monitoring of a building adjacent to deep excavation. Computer-Aided Civil and Infrastructure Engineering. 2024, 39(5): 656-678.

• 论文链接

https://onlinelibrary.wiley.com/doi/10.1111/mice.13021

期刊《Computer-Aided Civil and Infrastructure Engineering》第39卷第5期精选封面（Featured Cover）链接：

https://onlinelibrary.wiley.com/doi/10.1111/mice.13182

• 期刊介绍

《Computer-Aided Civil and Infrastructure Engineering》创刊已逾35周年，旨在成为计算机和信息技术发展与土木和基础设施工程之间研究的桥梁。其特别关注计算机技术的最新进展，尤其是新颖的计算建模，鼓励并支持新兴计算范式和技术的发展和应用。其影响因子近几年保持在10左右，长期在工程技术大类乃至土木工程、计算机（跨学科应用）和交通运输科技等专业细分领域居于前列。