摘要：地铁是缓解大城市交通拥挤、增强城市综合承载能力和发展韧性的有效交通工具之一。高精度的三维地质模型是厘定地下空间的地质构造和不良地质体分布的重要数据基础,也是保证地铁工程建设安全的关键因素之一。然而,地铁工程地质数据整体量不多但局部密度高的特点,制约了地质体分布模式的有效识别和重建。本研究以广州地铁十一号线某区段为对象,针对白垩系、第四系沉积层及次火山岩复杂地质条件,系统对比了随机森林(RF)、XGBoost以及融合深度学习与多点统计学(DL+MPS)3种建模方法的性能。结果表明:DL+MPS方法通过深度神经网络提取全局特征,且与MPS局部优化相结合,在准确率(99.16%)、F1分数(98.91%)和ROC曲线AUC值(0.93～0.99)等关键指标上表现最优,能准确重建断层破碎带与火成岩体的空间接触关系,避免出现地层异常延伸和地质语义错乱现象。相较之下,随机森林和XGBoost虽在模型拟合阶段表现出较高训练精度(准确率分别达到99.60%和98.64%),但其模拟结果存在地质体离散分布、不合理外推及地层穿插等问题,钻孔验证准确率(最低为69.93%)显著低于DL+MPS方法(73.33%～87.50%)。研究表明:深度学习模型凭借强大的非线性特征提取能力,能有效应对地铁工程数据空间分布不均的挑战,为复杂地质条件下三维建模提供了更优解决方案,对提升地下工程安全性和数字孪生系统应用具有重要实践价值。
