Risk assessment of tunnelling-induced hydrogeological interference on springs using a machine learning approach

L'excavation de tunnels à travers des massifs rocheux peut modifier les régimes d'écoulement des eaux souterraines, affectant le débit des sources ainsi que les écosystèmes qui en dépendent. Anticiper ces interférences est essentiel pour la gestion des risques environnementaux, l'analyse coûts–bénéfices et la planification de mesures d'atténuation efficaces. Les méthodes d'évaluation conventionnelles sont largement paramétriques, peu fondées physiquement et fortement dépendantes du jugement d'expert, ce qui introduit de la subjectivité et de l'incertitude. Cette étude propose une approche fondée sur les données, reposant sur l'apprentissage automatique, plus précisément sur un modèle de forêt aléatoire, afin d'évaluer le risque hydrogéologique et la vulnérabilité des sources dès la phase préliminaire de conception des tunnels. La méthode exploite des informations géologiques généralement disponibles aux premières étapes du projet et est validée à l'aide de deux études de cas italiennes bien documentées : la ligne ferroviaire à grande vitesse Bologne–Florence, excavée dans des formations sédimentaires fracturées des Apennins septentrionaux, et les tunnels autoroutiers du Gran Sasso, réalisés dans des roches carbonatées karstiques des Apennins centraux. Ces deux jeux de données sont publiés, validés sur le plan hydrogéologique et accompagnés d'un suivi détaillé avant et après l'excavation, ce qui en garantit la robustesse et la cohérence. Le cadre d'apprentissage automatique présente de fortes performances prédictives selon les principales métriques de classification, notamment l'exactitude (accuracy), la précision (precision), le rappel (recall), le score F1, le coefficient de corrélation de Matthews (MCC) et l'aire sous la courbe ROC (AUC). Bien qu'il utilise des paramètres d'entrée comparables à ceux des méthodes paramétriques telles que l'indice de risque de rabattement (drawdown hazard index, DHI), il s'en distingue en déterminant directement les poids des paramètres à partir des données. De plus, l'utilisation des valeurs SHAP (Shapley additive explanations) améliore l'interprétabilité, réduit l'effet de «boîte noire» et permet d'intégrer efficacement les connaissances expertes. L'innovation réside ainsi dans la proposition d'un outil transférable et reproductible pour appuyer la prise de décision en phase préliminaire de conception de tunnels, ce qui constitue une amélioration notable par rapport aux approches traditionnelles qualitatives ou semi-quantitatives.

Abstract

Tunnel excavation through mountain ranges can alter groundwater regimes, affecting spring discharge and dependent ecosystems. Anticipating these interferences is essential for environmental risk management, cost–benefit analysis, and effective mitigation planning. Conventional assessment methods are largely parametric, not physically based, and heavily dependent on expert judgment, introducing subjectivity and uncertainty. This study proposes a data-driven approach based on machine learning (ML), specifically a Random Forest (RF) model, to evaluate hydrogeological risk and spring vulnerability during the preliminary design phase of tunnels. The method exploits geological information typically available in early stages and is validated using two well-documented Italian case studies: The Bologna–Florence high-speed railway line, excavated in fractured sedimentary formations of the Northern Apennines, and the Gran Sasso highway tunnels, driven in karstified carbonate rocks of the Central Apennines. Both datasets are published, hydrogeologically validated, and supported by detailed pre- and post-excavation monitoring, ensuring robustness and consistency. The ML framework demonstrates strong predictive performance across standard classification metrics, including accuracy, precision, recall, F1-score, Matthews correlation coefficient (MCC), and area under the curve (AUC). While it employs input parameters comparable to those of parametric methods such as the drawdown hazard index (DHI), it differs by deriving parameter weights directly from data. Moreover, the use of Shapley additive explanations (SHAP) values enhances interpretability, mitigates black-box behaviour, and allows expert knowledge to be effectively integrated. The innovation, therefore, lies in offering a transferable and reproducible tool to support early-stage tunnelling decisions, representing a clear improvement over traditional qualitative or semi-quantitative approaches.

Mots clés

• Machine learning
• Groundwater protection
• Hydrogeological interference risk
• Tunnel
• Springs