地下孔洞是桩基础施工过程中存在的主要安全问题,在未探明桩位地下孔洞的情况下进行桩基施工,易发生漏浆、埋钻、塌孔等安全事故。常用于浅层地下孔洞的勘探方法有高密度电法、浅层地震法、超前钻探法、探地雷达法等,这些方法能够为桩基础施工安全提供一定的指导作用。然而,传统的勘探方法均存在一些不足之处,如探地雷达法探测成本相对较高,浅层地震法难以对孔洞进行定量描述,埋深探测准确率也依赖技术人员的主观判断,超前钻探的单孔精度有限等。因此,亟需发展一种准确、高效的孔洞探测技术,以确保桩基础工程的施工安全。随着计算机科学的发展,以深度学习为代表的一系列技术为解决许多模式识别难题增添了新的思路。前期,本课题组在借鉴浅层地震反射波法基本原理的基础上,以施工桩锤锤击地表激发的地震波为激励,并在探测区域的地表上布置加速度传感器阵列采集地下孔洞的反射信号,从而提出了结合机器学习和人工特征的单孔洞探测方法。该方法相比传统的浅层地震反射波法具有三个方面的明显优势:第一,利用桩锤激振作为激励,避免了使用炸药等危险激励源;第二,相比于传统方法一次测量仅能探测一个地下断面的孔洞分布情况,该方法仅需布置少量的传感器即可通过一次测量对地下三维空间的孔洞分布情况进行预测,极大提高了探测效率;第三,相比地震反射波法,能够对溶洞大小进行定量预测。本文在课题组前期工作的基础上,提出了一种基于深度学习的地下双孔洞定量探测方法。相比于前期的研究基础,本文工作具有以下的创新点:第一,从单孔洞的定量探测方法拓展到地下双孔洞的定量探测方法,建立了适用于多种孔洞工况的识别方案,能够适应更复杂的工况;第二,提出了地表振动响应中有效信号段的提取方案,与环形阵列传感器布置方案相结合发展了简单高效的有效响应信号提取方案;第三,引入深度学习方法,选取合理的输入、输出,构建了与任务相匹配的神经网络模型,实现了信号特征的自动挖掘,相比于其它模型提高了孔洞探测的准确性。本文的主要研究内容及其成果如下:（1）建立了双孔洞地表振动响应数据库以及用于神经网络模型训练和测试的数据集。借鉴浅层地震勘探的基本原理结合有限元仿真,模拟了双孔洞工况在地震波作用下的复杂散射波场,并使用环形阵列传感器布置方案采集地表加速度信号,基于对响应信号特征的分析,提出了对有效信号段进行选取的方案,并将信号组合与孔洞描述信息相对应建立了地表振动响应数据集。（2）开展了应用深度学习相关技术构建预测模型直接从响应信号中提取相应特征进行多个孔洞的定量预测的可行性探究。一方面解决了多孔洞工况无法开展基于应力波传播理论的特征工程的难题,另一方面也验证了以双向长短期记忆神经网络为基础构建的预测模型在面对复杂散射波场时能够自适应地学习关于不同的孔洞位置及大小的特征,在双孔洞的定量预测中取得了较高的准确率。进一步将定量预测中的样本统计数据与应力波传播规律相结合,从理论角度分析了预测结果的误差来源。（3）在双孔洞地表振动响应数据库的基础上,结合单孔洞工况及无孔洞工况,建立了多孔洞混合数据库,提出了先分类再定量的思路框架,并依此发展了多孔洞分类识别及定量预测组合模型,该模型可以有效地对多孔洞地质中的孔洞工况进行分类以及在不同孔洞工况的尺寸、位置的定量预测中均取得了较高的准确率。本文验证了基于深度学习的多孔洞探测技术的可行性,有望为施工前期土层地质状况的评估提供技术保障。