基础工程的建设需要对土层进行一定程度的改造以建立稳固的地基,而孔洞的存在会使得施工安全方面存在很大的隐患。在没有充分了解现场地质情况就贸然开展施工可能会导致工程事故,从而造成不可估量的生命与财产损失。虽然如今已有许多较为成熟的孔洞探测方法,例如地震波反射法、探地雷达法、管波探测法等,但是这些方法都有一定的缺陷。例如,探底雷达法探测成本相对较高,地震波反射法在数据分析方面有较大的主观性,管波探测法的勘探范围有限等。因此,开发一种高安全性、高效率和低成本的智能孔洞探测技术就显得十分重要。随着科学技术的发展,机器学习算法由于其可以自主对数据集进行学习,从而客观地对数据进行预测的特点,从而成为近几十年来人们研究的热点课题。一方面,借鉴传统的地震波反射法,以基础施工过程中的桩锤激震代替炸药作为激震源,并通过少量的加速度传感器获得地表的孔洞反射信号;另一方面,通过有限元模拟获得大量工况下的响应数据,并提取地表加速度时程数据的内在特征,以此人工特征作为输入建立机器学习模型,从而实现高效率和低成本的孔洞探测技术。本文基于随机森林、决策树模型和k近邻算法三种机器学习算法建立智能孔洞探测模型。结果发现,以六测点传感器布置方案的k近邻算法具有最高的准确率,在容许误差为2m的情况下,孔洞位置和直径的预测准确率可达98.1%,实现了较高精度的孔洞探测。随后,对该模型进行抗噪性分析发现,模型在传感器布置出现误差时依然能保证较高的预测精度。该方法的创新点在于使用桩锤激震来代替炸药激震,提高安全性的同时也节约了成本;而且引入机器学习算法使得孔洞探测效率更高。本文验证了发展一种高效率和低成本智能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。