[发明专利]一种用于隧道围岩的分级方法及系统

说明书

本发明公开了一种用于隧道围岩的分级方法，包括：收集围岩特征数据与对应的围岩级别；构建预设融合模型，并根据围岩特征数据与对应的围岩级别对预设融合模型进行训练，形成围岩智能分级模型，预设融合模型包括特征识别部和目标学习部，特征识别部具有针对不同类型测量数据而分别建立的特征学习网络；利用围岩智能分级模型，对目标围岩开展分级评价。本发明挖掘了多种测量与围岩分级目标之间的内在联系，保证了数据基础，构建了具有良好灵活性与广泛适用性的智能分级模型，能够有效实现围岩智能分级任务的特征学习与目标学习。

技术领域

本发明涉及隧道围岩评价技术领域，尤其是涉及一种用于隧道围岩的分级方法及系统。

背景技术

隧道围岩分级是定量评价围岩质量和稳定性的最直接最常用的方法，分级结果直接决定隧道的开挖工法、支护参数等，是岩石隧道设计施工中非常关键的指标之一。

由于勘察阶段不能得到详细的隧道开挖处的地质资料，常常会遇到根据勘察确定的围岩级别与实际不符。为最大限度地保证围岩稳定，需要对施工现场揭露的掌子面情况进行围岩分级。但传统的围岩分级技术存在一些缺陷：(1)受限于样本数量与经验归类，各分级方法通常是只适用于特定类型围岩；(2)不同分级方法考虑的因素不同，且不够全面完备，所得的围岩分级结论存在不一致的情况；(3)输入参数多为定性的描述，各参数的定性描述或定量转换具有较强的不确定性，围岩分级实施严重依赖于执行人员的经验。

另外，现有技术中还包括将机器学习技术引入到围岩分级工作中的方案，以提高围岩分级的自动化程度。但随着隧道建设向深埋超长隧道方向发展，面临越来越复杂的地质条件，常用的围岩分级方法存在着智能化程度不高、分类标准体系不健全、多源地质信息利用不充分、不良地质条件考虑不精细、实际应用的精度和效率有限等不足。

发明内容

本发明的目的在于，随着大数据、人工智能技术的快速发展，需要提供一种基于多源异构地质信息融合的围岩智能分级方法。

为了解决上述技术问题，本发明实施例提供了一种用于隧道围岩的分级方法，包括：收集围岩特征数据与对应的围岩级别；构建预设融合模型，并根据所述围岩特征数据与对应的围岩级别对所述预设融合模型进行训练，形成围岩智能分级模型，所述预设融合模型包括特征识别部和目标学习部，所述特征识别部具有针对不同类型测量数据而分别建立的特征学习网络；利用所述围岩智能分级模型，对目标围岩开展分级评价。

优选地，在收集围岩特征数据与对应的围岩级别的步骤中，包括：收集各个样本的围岩特征数据并标注相应的围岩级别标签，从而形成围岩特征数据与围岩级别数据集，所述围岩特征数据包括不同来源、不同格式和不同尺度的多项围岩特征参量。

优选地，所述围岩特征数据包括但不限于岩石矿物性质特征、不连续发育特征、地质条件背景和工程施工特征。

优选地，所述岩石矿物性质特征包括但不限于：岩性、岩石速度、岩石软硬类型、岩石耐磨度、单轴抗压强度、抗拉强度、杨氏模量、三轴应力、各向异性、泊松比、孔隙度和渗透率；所述不连续发育特征包括但不限于：不连续体类型和包含宽度、间距、数量、产状、粗糙度、延展性、填充物和风化蚀变程度在内的发育参数；所述地质条件背景包括但不限于：构造类型、地震烈度、地下水、地应力和地温；所述工程施工特征包括但不限于：洞轴线与主要结构面的夹角和隧道开挖方式。

优选地，所述分级方法还包括：对所述围岩特征数据进行预处理；按照预设的数据样本比例，对经过预处理的所述围岩特征数据与对应的围岩级别进行数据集划分，形成训练样本集、验证样本集和测试样本集，以利用各样本集在模型训练过程中对所述预设融合模型开展训练、交叉验证以及超参数优选与质控评价。

优选地，在对所述围岩特征数据进行预处理的步骤中，包括：对定性类型的数据进行编码来完成定量转化；对一维序列数据或二维图像数据分别进行重采样处理，使得同一维度数据具有相同的数据尺寸；对同一维度不同类型的定量数据进行归一化或标准化处理；对所测量的数据进行围岩属性计算。