基于动态线性分段表示的钻进参数围岩分级特征提取方法

Classification Feature Extraction Method of Surrounding Rock of Drilling Parameters Based on Dynamic Linear Piecewise Representation

摘要

依托来自宜昌—郑万高铁联络线隧道工程的1 765份钻进参数样本，在分析钻进参数时序曲线特征的基础上，结合贝叶斯置信区间检验方法、动态线性分段表示方法、卡尔曼滤波方法和线性分段均值处理方法，提出一种基于动态线性分段表示的钻进参数围岩分级特征提取方法；对比该方法处理前后掌子面钻进参数样本的离散性和差异性，以及采用该方法处理前后6种不同机器学习算法下的围岩分级模型准确性，验证该方法的应用效果。结果表明：钻进参数时序体现出明显的纵向分段、区间波动和随机离散特征；采用该方法处理后，相同围岩级别下的样本数据标准差平均降低28.72%~82.68%，不同围岩级别下的样本类间距离均值提升66.79%~77.37%，6种机器学习算法下围岩分级模型得到的分级准确率由85.3%~88.8%提高到88.1%~89.9%。作为一种基础数据处理方法，该方法能够避免各种非地质因素对围岩分级精度的影响，较好地体现了钻进参数和围岩质量间的良好响应关系，并提升了具体实践中的围岩质量评价准确性。

Abstract

Relying on 1 765 drilling parameter samples from the Yichang-Zhengwan High-Speed Railway tie-line tunnel project, based on the analysis of the time series curve characteristics of drilling parameters, a classification feature extraction method of surrounding rock of drilling parameters based on dynamic linear piecewise representation is proposed by combining Bayesian confidence interval test, dynamic linear piecewise representation, Kalman filtering and linear piecewise mean processing methods. The application effect of this method is verified through comparing discreteness and difference of drilling parameter samples of tunnel face before and after processing, and the accuracy of surrounding rock classification model under 6 different kinds of machine learning algorithms before and after processing. The results show that the time series of drilling parameters has obvious characteristics of longitudinal piecewise, interval fluctuation and random dispersion. After processing with this method, the average standard deviation of sample data under the same surrounding rock level is reduced by 28.72%-82.68%, and the average distance between sample classes under different surrounding rock level is increased by 66.79%-77.37%. The classification accuracy of surrounding rock classification model under 6 machine learning algorithms is improved from 85.3%-88.8% to 88.1%-89.9%. As a basic data processing method, it can avoid the influence of various non-geological factors on the classification accuracy of surrounding rock, better reflect the good response relationship between drilling parameters and surrounding rock quality, and improve the accuracy of surrounding rock quality evaluation in concrete practice.

Graphical abstract

关键词

隧道 / 围岩分级 / 钻进参数 / 时间序列 / 动态线性分段表示 / 贝叶斯置信区间检验 / 卡尔曼滤波

Key words

Tunnel / Surrounding rock classification / Drilling parameter / Time series / Dynamic linear piecewise representation / Bayesian confidence interval test / Kalman filtering

钻进参数（Drilling Parameters，DP）是凿岩台车、地质钻机和锚杆钻机等搭载有凿岩装置的施工装备（简称钻机）在破碎岩石过程中通过机载传感器采集的凿岩机工作参数，如位移、速度、压力和流量等。钻进参数的主要作用是监测凿岩机工作状态，辅助人工或系统进行决策，实现保护钻机、高效钻进、减少钻具消耗等目的。相关研究表明，钻进参数除监测凿岩机工作状态外，在围岩质量判识、地质状态识别等方面同样能够发挥作用，即钻进参数不仅是重要的钻机工作参数，在围岩地质勘察中也是很好的试验参数^［1-3］。

钻进参数监测技术在国外又被称为随钻测量（Measurement while Drilling，MWD），目前已广泛应用于采矿、冶金和地质勘探领域^［4-5］。已有研究证实各钻进参数之间存在相互影响^［6-7］，且逐渐形成并用多项钻进参数（如钻进速度、操作压力、转速和反馈压力）而非仅用单个钻进参数（如钻进速度）的共识^［8-9］。如在表征岩石质量时，钻进参数可用于估算岩体特征，如节理或裂缝、岩石界面和岩石质量指标（RQD）等^［10-12］，多项钻进参数还可有效估计岩石的某些力学性质，如单轴饱和抗压强度、岩石剪切强度等^［13-15］。在此基础上，许多学者开始尝试在隧道施工阶段直接使用钻进参数进行围岩分级，并在RMR法^［16］、Q方法^［17］、ROS方法^［18］以及基于岩体质量指标（BQ）的国内隧道围岩分类方法^［19-21］等多个现有围岩分类体系下取得良好成效。

然而，钻进参数记录的是钻机液压或气动系统的工作参数，采集伴随钻机的冲击、旋转、推进等工作过程，会受到机器振动、人员操作、控制系统等的影响。原始钻进参数常具有明显的波动性、离散性等非稳定性特征，且这些特征往往和岩体质量本身无关。现有研究通常认为同一钻孔过程中采集到的原始钻进参数波动源于三个方面。一是机器本身的振动以及记录方式引起的波动，二是机器运转异常或采集系统异常而产生的离群值，三是岩石质量变化引起的钻进参数变化。其中，机器本身的振动以及记录方式引起的波动出现频率更高，且这些波动具有明显的上升、回落特性。研究中常利用数据清洗的手段去除离群值，利用归一化、滤波的手段去除波动性，保留与岩石质量变化相关的部分信息，利用处理后的钻进参数进行岩体质量评价任务^［22-23］。

此外，相比其他岩体质量评价任务（如力学参数识别、节理位置识别等），将钻进参数应用于隧道施工阶段围岩分级研究体现出明显的“相对均一”和“大尺度”特征，即围岩分级对钻进参数的细微变化（如小幅度起伏变化）并不敏感，更关注一定范围内围岩钻进参数的整体水平。在先前的研究中，常采用隧道施工循环的各钻进参数均值作为围岩分级指标^［19-21］，但此均值仍未充分考虑钻进参数波动性、离散性对分级结果的影响。

现有研究采用多种机器学习算法，建立了以掌子面钻进参数均值作为输入、围岩级别作为输出的围岩分级模型。围岩分级问题在数学上属于分类问题，机器学习模型将原始数据从低维空间映射到高维空间，以提高不同围岩级别的易分性特征，从而达到提高分类模型的准确率。现有研究表明，机器学习模型在解决小样本分类问题过程中，通常采用类间距、方差等参数描述样本易分性，类间距越大、方差或标准差越小，则类之间的易分性越好^［24］。

基于此，考虑围岩级别在小尺度范围内的变化幅度不大，用于分级的钻进参数特征也应相对稳定的特性，结合贝叶斯置信区间检验方法、动态线性分段表示方法、卡尔曼滤波方法和线性分段均值处理方法，提出1种基于动态线性分段表示的钻进参数围岩分级特征提取方法，力求降低因工作模式、机器振动等非地质因素造成的钻进参数数据波动性、随机性特征对围岩分级精度的影响。研究结果可为其他基于钻进参数的围岩质量评价及相似特征的时序数据处理任务提供参考。

1 钻进参数采集及时序特征

本研究所有数据来源于宜昌—郑万高铁联络线（简称宜兴线）隧道工程。宜兴线正线全长108.3 km，设计时速350 km，全线设站3座，预计2025年前建成。数据采自老林岗隧道、茅山坡隧道、晓峰隧道、万家山隧道和兴山东隧道，这5条隧道均采用大型机械化作业，施工工法均为全断面法^［27］。

所有钻进参数来自中国铁建重工集团股份有限公司生产的ZYS113型全电脑三臂凿岩台车，该型凿岩台车会在施工掌子面炮孔的过程中，通过台车传感器自动记录得到的钻进数据^［25-26］。采集共得到钻进参数样本1 765份，包括Ⅱ，Ⅲ和Ⅳ级3种围岩级别，以及花岗闪长岩、灰岩和白云岩3种主要岩性。样本类别及数量分布如图1所示。判定样本围岩级别时采用地质素描的方式，由专业地质人员先根据TB 10003—2016《铁路隧道设计规范》确定围岩坚硬程度、围岩完整程度，再确定基本围岩级别，然后根据地下水发育情况、地应力情况和主要结构面产状等指标对基本围岩级别进行修正，最终在考虑现场实际的基础上得到修正围岩级别。

1.1　钻进参数采集

从钻进参数控制原理来看，凿岩台车的破岩机构主要包括推力机构、旋转机构和冲击机构，3项机构分别控制凿岩台车进行推进、旋转和冲击3项机械运动。其中，推力机构通过推进油缸中的活塞实现向前运动，使钻具紧靠并压入岩石；旋转机构以旋转马达的液压油为工作介质，使钻具旋转切削岩石；冲击机构通过冲击油缸中的活塞实现往复运动，使钻具冲击岩石。

凿岩台车钻进时，机载传感器分别采集并记录推进油缸行程、推进油缸油压、旋转马达油压和冲击油缸油压，采集方式为等间隔记录。根据采集的数据，先换算得到对应的推进压力P_f、回转压力P_r和打击压力P_h，再根据钻进深度、间隔时间计算得到钻进速度V_p。考虑到凿岩台车使用的是液压凿岩机，液压机械领域常用的压力单位为“bar”，以此作为压力单位（1 bar=105 Pa）。各项钻进参数定义及采集方法详见表1。

表1中，打击压力P_h和推进压力P_f是主动控制参数，通过调节对应油缸的开度控制，原则上不受围岩地质因素影响；钻进速度V_p和回转压力P_r是负载反馈参数，同时受到主动参数和围岩地质因素影响。有经验的操作人员会根据围岩情况手动调整2项主动控制参数的量值，在保护钻机、钻具的同时最大限度地发挥钻机效率，因此2项主动控制参数也能够与围岩质量呈现数据上的相关关系^［28］。综上，钻进速度V_p、推进压力P_f、回转压力P_r和打击压力P_h这4项钻进参数均可用于表征围岩质量，将4项钻进参数统称为基础钻进参数。

1.2　钻进参数时序特征

等深度间隔采集的钻进参数可被视为一种时间序列数据。将ΔT累加得到钻进时间T，再分别绘制钻进时间变化下D，V_p，P_f，P_r和P_h的分布曲线，得到典型炮孔钻进参数时序曲线并按其变化趋势划分阶段，如图2所示。可以看出，钻进参数时序具有纵向分段、区间波动和随机离散3个特征。

1）纵向分段特征

钻进参数时序数据呈现明显的分段特征，且钻进-深度时程曲线分段和4项基础钻进参数的时序数据分段具有很好的一致性。按同一钻孔下钻进参数随钻进时间的变化趋势划分阶段后，领孔段即开始钻孔的一定深度内（一般为0.3~0.5 m，可由凿岩台车控制系统设置），为防止钻孔偏离设计位置、钻头脱离钻眼等情况的发生，常采用较低的钻进速度和压力值钻进以提高成孔质量；领孔结束后进入正常钻孔段，各项钻进参数快速增加至正常水平（具体数值由凿岩台车控制系统和围岩质量共同决定）；调整段即遇到围岩突然变化或原设置参数不适应、不协调时，操作人员会手动或有凿岩台车控制系统自动调整钻进参数，防止卡钻及空打等非正常工作状态对凿岩机或钻杆的损坏。

2）区间波动特征

冲击破岩的凿岩方式振动较大，且采集数据为液压系统的流量和油压，因此4项基础钻进参数的时序数据均呈现出明显的波动特性，且波动在一定区间范围内相对稳定。

3）随机离散特征

各分段钻进参数数据除在一定范围内波动外，尚包含一些随机的过大、过小的离群值。该离群值具有随机性，与钻进方式、钻进过程无关，主要是因机械异常或采集装备异常而出现。

2 钻进参数数据处理流程及方法

2.1　钻进参数数据处理流程

采用钻进参数进行隧道施工阶段的掌子面围岩分级时，因掌子面围岩级别标签只有1个，常采用该掌子面（循环）所有炮孔、所有深度下样本点各项钻进参数取均值作为该掌子面钻进参数代表值，并将其用于围岩级别判定^［19-21］。为此，应尽可能消除钻进参数波动性和随机性影响，增强掌子面钻进参数均值的代表性。

岳中琦^［2］指出：钻头进深随时间曲线呈分段线性变化，每段钻进速度是常数，每一常数钻速段代表1个均匀抗钻岩石（岩块）。根据这一观点，对钻进参数的数据处理应分段进行，以减少各分段间钻进参数差距大时带来的处理误差；4项基础钻进参数的分段特征表现出一致性，可仅根据钻进时程曲线确定各分段区间，然后对各分段区间其他钻进参数进行数据处理。基于此，提出钻进参数数据处理流程如图3所示。针对随机离散性特征、纵向分段特征和区间波动性特征，主要应用贝叶斯置信区间检验、动态线性分段表示和卡尔曼滤波等方法去除随机离散值、划分炮孔分段和降低数据波动程度。该流程可大致分为5个步骤：①通过原始钻进深度和原始钻进时间，计算原始钻进速度；②利用贝叶斯区间检验对原始数据进行清洗，去除离群值；③利用清洗后的钻进速度和原始钻进深度计算钻进时间，进行动态线性分段，计算分段点；④对所有分段的数据分别采用卡尔曼滤波进行处理，得到滤波后的钻进参数；⑤求解得到每一项钻进参数的均值，完成数据处理全过程。基于该流程的方法即为基于动态线性分段表示的钻进参数数据处理方法，后文为便于表述，简称为本文方法。

需要指出的是，该方法属于一种面向炮孔原始数据的基础数据处理方法，采用不同的钻进参数分级特征（如钻进比能等）时，仍可应用这一方法。

2.2　数据处理方法

1）贝叶斯置信区间检验方法

在线性分段和滤波之前，首先应去除钻进参数离散值，减少其对分段和滤波算法的干扰。

离群值判定采用贝叶斯置信区间检验方法^［29］。钻进参数的先验分布为均匀分布，先计算任意钻进参数的先验分布及后验区间分布，再进一步计算基于后验期望估计法产生的钻进参数数据置信范围，获得99.5%的置信区间，并将落在区间以外的钻进参数判断为离群值。

需要注意的是离群值并不一定是错误值，如果简单地删除离群值会降低数据容量及数据一致性，因此须采用同一炮孔临近数据进行离群值替换。

2）动态线性分段表示方法

时序数据的线性分段表示本质上是高密度数据的降维和数据特征挖掘，常见方法包括离散傅里叶变换（DFT）、离散小波变换（DWT）、奇异值分解（SVD）、分段聚合近似（PAA）以及分段线性表示（PLR）等^［30］，其中分段线性表示（PLR）因其简单高效和更适合人类视觉直觉而被广泛使用，考虑运用该方法确定钻进参数分段深度区间。

线性分段时，将原高密度数据表示为各个首尾相连的线性段落，其核心在于找寻线性分段点，并力求在保持原有数据特征的基础上减少数据量。采用最大垂直距离d_max衡量线性分段的精度，线性分段点即最大垂直距离d_max所在的点。d_max计算式为

d_{\mathrm{m}\mathrm{a}\mathrm{x}}=\mathrm{m}\mathrm{a}\mathrm{x}\left(\left|D_{l,i}-D_{\mathrm{0},i}\right|\right)=\mathrm{m}\mathrm{a}\mathrm{x}(d_i)（1）

式中：D_l，i，D_0，i 和d_i 分别为炮孔在第i个钻进时间下的线性分段拟合曲线深度值、原始深度值和二者垂直距离。

线性分段的一般过程^［31］为：①将时序数据中第1个和最后1个数据相连，进行第1次线性分段并求解直线方程，将其作为拟合曲线；②求原数据与拟合曲线的最大误差（垂直距离）d_max；③将d_max所在点作为新的线性分段点进行第2次线性分段，求解新的直线方程（分段）并将其作为新的拟合曲线；④不断重复步骤②和步骤③，直到满足停止分段条件时结束。

在传统线性分段表示的基础上，动态线性分段表示充分考虑了使用者需求和数据特征，能够动态确定线性分段标准和分段数量。结合依托工程的围岩分级实际需求和数据特征，定义2个停止分段条件：①d_max不大于0.1 m；②线性分段总个数n_l 取5。

3）卡尔曼滤波方法

卡尔曼滤波方法是从最优预测和估计方法发展而来的，用于估计系统状态。作为1种自回归优化算法，该方法能够有效减少随机干扰和测量噪声的影响^［32-33］。卡尔曼滤波分为预测过程和更新过程。在预测阶段，利用系统动态模型对下一时刻的状态进行预测，并考虑过程噪声；更新阶段，获取当前时刻的测量数据，计算预测与实际测量之间的残差，并使用卡尔曼增益将状态估计校正为更接近实际测量的值。这一过程是递归的，通过不断重复预测和更新，最优地估计系统的状态^［34］。

按文献［32—34］，对动态线性分段后的推进压力P_f、回转压力P_r和打击压力P_h这3项钻进参数进行滤波处理，通过去除低频、高幅波动的形式消除每一分段各钻进参数的波动性。处理后，经过分段滤波后的钻进参数能够准确把握每一分段钻进参数的整体水平和变化趋势。

4）线性分段均值处理方法

为了更好地替代原始钻进数据，4项基础钻进参数数据在经过贝叶斯置信区间检验和卡尔曼滤波方法处理后，还需要进行线性分段均值处理，得到各分段深度区间范围内的钻进参数均值。

对于推进压力P_f、回转压力P_r和打击压力P_h，在滤波后直接求解各线性分段钻进参数算数平均值作为该炮孔分段钻进压力代表值，计算式为

\overline{P_k}=\frac{{\displaystyle \sum _{j=\mathrm{1}}^{n_k}}{P}_{k,j}}{n{}_k{}^{}}（2）

式中，\overline{P_k}为第k个线性分段上各钻进压力（即P_f，P_r和P_h）的均值；P_{k,j}为第k个线性分段上钻进压力的第j个数据；n_k 为第k个线性分段上钻进压力的数据个数。

对于钻进速度，参照文献［2］，将各线性分段钻进时间-深度曲线割线斜率作为该炮孔分段钻进速度代表值，计算式为

\overline{V_{\mathrm{p},k}}=\frac{D_{\mathrm{e},k}-D_{\mathrm{s},k}}{T_{\mathrm{e},k}-T_{\mathrm{s},k}}（3）

式中：\overline{V_{\mathrm{p},k}}为第k个线性分段钻进速度均值；D_{\mathrm{e},k}和T_{\mathrm{e},k}分别为第k个线性分段终点的深度和对应时刻；D_{\mathrm{s},k}和T_{\mathrm{s},k}为第k个线性分段起点的深度和对应时刻。

3 数据处理结果及方法效果

3.1　数据处理结果

为分析动态分段线性表示方法的有效性，绘制典型炮孔的钻进深度时程曲线在线性分段前后的原始数据散点及对应的拟合曲线如图4所示。

由图4可知：经过拟合，该炮孔的钻进深度时程曲线可被分为4段，各分段点均为原始曲线拐点；各分段区间的原始数据散点接近线性，拟合后分段曲线的可决系数R²为0.996。统计依托工程采集得到的所有炮孔数据，超过99.99%的炮孔分段曲线拟合后的R² 大于0.9，表明线性分段后的拟合精度高、有效数据信息损失少。对比图4和图2可知，分段得到的各区段和其他钻进参数分段均能够一一对应，准确反映领孔段、正常钻孔段和调整段的分段情况，这表明采用的动态线性分段表示方法可以很好地反映钻进模式和围岩质量的变化。

为直观展示所提方法的效果，以台车定位里程所在断面隧道左中线和轨顶面交点为原点，对隧道建立oxyz空间坐标系，并分别绘制典型掌子面炮孔原始钻进参数和所提方法处理数据后的钻进参数三维散点图，如图5所示。

由图5可看出：按所提方法处理数据后，各钻进参数均呈现出明显的分段均匀特性，相比原始钻进参数、数据更加均匀，更符合围岩级别在一定范围内相对均匀、不发生频繁且过大变化的地质特性；各炮孔、各钻进参数之间纵向分段具有一定的统一性，能够为基于钻进参数的围岩分级奠定基础。

3.2　样本易分性

为量化应用所提方法后单个掌子面下样本钻进参数的离散性降低程度，分别计算并绘制依托工程中所有Ⅱ级、Ⅲ级和Ⅳ级围岩数据处理前后，掌子面钻进参数标准差的概率密度分布直方图如图6所示，对应的标准差均值统计见表2。

综合图6和表2可看出：本文方法处理后，相同围岩级别下掌子面钻进参数的标准差均有所降低，表现为直方图的向下移动；标准差平均降低28.72%~82.68%，表明数据处理后各掌子面钻进参数离散性降低，掌子面钻进参数均值对掌子面所有钻进参数的代表性增强。

基于钻进参数的围岩分级属于机器学习中的分类任务，而基于机器学习的样本分类在本质上属于在参数空间内找寻决策分类面。理论上无论何种算法，各类样本输入参数空间差异性越大、越容易找到更优的决策分类面^［24］。为定量衡量各类样本输入参数空间的差异性，定义类间距离D_c（Distance Between Classes），计算式见式（4），其含义为2个样本钻进参数数据空间的欧式距离。

\begin{array}{l}{D}_{\mathrm{c}}=\left[({\overline{V_{\mathrm{p},m}}}^{\text{'}}-{\overline{V_{\mathrm{p},n}}}^{\text{'}}{)}^{\mathrm{2}}+({\overline{P_{\mathrm{h},m}}}^{\text{'}}-{\overline{P_{\mathrm{h},n}}}^{\text{'}}{)}^{\mathrm{2}}+\right.\\ {\left.({\overline{P_{\mathrm{f},m}}}^{\text{'}}-{\overline{P_{\mathrm{f},n}}}^{\text{'}}{)}^{\mathrm{2}}+({\overline{P_{\mathrm{r},m}}}^{\text{'}}-{\overline{P_{\mathrm{r},n}}}^{\text{'}}{)}^{\mathrm{2}}\right]}^{\mathrm{1}/\mathrm{2}}\end{array}（4）

式中：{\overline{V_{\mathrm{p},m}}}^{\mathrm{\text{'}}}，{\overline{P_{\mathrm{f},m}}}^{\mathrm{\text{'}}}，{\overline{P_{\mathrm{r},m}}}^{\mathrm{\text{'}}}和{\overline{P_{\mathrm{h},m}}}^{\mathrm{\text{'}}}为第1类围岩级别第m个样本的掌子面钻进参数V_p，P_f，P_r和P_h归一化后的值；{\overline{V_{\mathrm{p},n}}}^{\mathrm{\text{'}}}，{\overline{P_{\mathrm{f},n}}}^{\mathrm{\text{'}}}，{\overline{P_{\mathrm{r},n}}}^{\mathrm{\text{'}}}和{\overline{P_{\mathrm{h},n}}}^{\mathrm{\text{'}}}为第2类围岩级别第n个样本的掌子面钻进参数V_p，P_f，P_r和P_h归一化后的值。

根据式（4），分别计算Ⅲ级围岩样本与Ⅱ级、Ⅳ级围岩样本的类间距离D_{c，Ⅱ—Ⅲ}和D_{c，Ⅲ—Ⅳ}，统计样本类间距离均值见表3，绘制得到二维概率密度分布如图7所示。

综合图7和表3可知：相比原始钻进参数直接求掌子面均值的样本，数据处理后类间距离变大，表现为图形向右上方向偏移；Ⅱ—Ⅲ级样本类间距离平均增大66.79%，Ⅲ—Ⅳ级样本类间距离平均增大77.37%，表明不同围岩级别下的样本差异性得到放大，有利于基于钻进参数的围岩分级效果提升。

3.3　模型准确率比较

按照文献［20］的围岩智能分级方法，采用支持向量机（Support Vector Machine，SVM）^［21］、K近邻算法（K-Nearest Neighbour，KNN）、极限树（Extra Trees，ET）、随机森林（Random Forest，RF）、袋装法（Bagging Classifier，简称Bag）和梯度提升机（Gradient Boosting，GB）等6种机器学习算法，建立以掌子面钻进参数均值作为输入、围岩级别作为输出的围岩智能分级模型。掌子面钻进参数均值计算式为

\overline{D^{\mathrm{P}}}=\frac{{\displaystyle \sum _{q=\mathrm{1}}^s}{\displaystyle \sum _{k=\mathrm{1}}^{m_q}}\overline{D_{q,k}^{\mathrm{P}}}}{{\displaystyle \sum _{q=\mathrm{1}}^s}{m}_q}（5）

式中：\overline{D^{\mathrm{P}}}为掌子面4项基础钻进参数均值；\overline{D_{q,k}^{\mathrm{P}}}为第q个炮孔第k个线性分段上钻进参数均值；m_q 为第q个炮孔线性分段总数；s为掌子面炮孔总数。

分别使用处理前后的钻进数据训练、构建2个围岩智能分级模型，并计算2个围岩智能分级模型的预测集准确率，如图8所示。需要注意的是，数据处理后的掌子面均值是在各分段均值的基础上求得的，即先分段均值、后对所有分段求均值（加权平均），而非直接对各分段点数据清洗后数据求均值（算数平均值）。前者能够充分考虑到各分段数据的数据点量值和数据点数量的不同，使得均值估计结果更加无偏。

由图8可以看出：数据处理后，基于SVM，KNN，ET，RF，Bag和GB等6种机器学习算法建立的围岩智能分级模型预测集准确率依次为88.8%，88.1%，89.9%，89.7%，89.0%和89.7%，平均准确率为89.2%，均超过88%；相比数据处理前，数据处理后准确率由85.3%~88.8%提高到88.1%~89.9%，提升了1.0%~3.6%。利用数据处理后的掌子面钻进参数均值作为分级特征，得到的分级模型性能较好，能够满足工程实践需要，提升围岩质量评价的准确性。

4 结论

（1）依托宜昌至郑万高铁联络线隧道工程，采集得到钻进参数样本1 765份，涵盖Ⅱ，Ⅲ和Ⅳ级3种围岩级别，以及花岗闪长岩、灰岩和白云岩3种主要岩性。分析采集得到炮孔钻进参数时序曲线，发现其具有纵向分段、区间波动和随机离散3个特征。

（2）为了更充分地体现钻进参数和围岩质量间的良好响应关系，提出一种基于动态线性分段表示的钻进参数围岩分级特征提取方法。先利用动态线性表达方法确定钻进参数分段深度区间，再结合贝叶斯置信区间检验、卡尔曼滤波方法去除数据离散点、降低数据波动程度，最后用各分段深度区间范围内的钻进参数均值代替原始钻进参数。

（3）相比原始钻进参数直接进行掌子面均值处理的方法，采用本文方法对钻进数据处理后，相同围岩级别下的样本标准差降低28.72%~82.68%，不同围岩级别下的样本类间距离提升66.79%~77.37%，6种机器学习算法下围岩分级模型得到的分级准确率由85.3%~88.8%提高到88.1%~89.9%，表明该方法满足工程实践需要，对围岩质量评价的准确性有很好的提升作用。

参考文献

[1] 王志坚. 郑万高铁隧道智能化建造技术研究及展望［J］. 隧道建设：中英文，2021，41（11）：1877-1890.

[2] WANG Zhijian. Status and Prospect of Intelligent Construction Technology of Tunnel of Zhengzhou-Wanzhou High-Speed Railway ［J］. Tunnel Construction， 2021， 41 （11）： 1877-1890. in Chinese

[3] 岳中琦. 钻孔过程监测（DPM）对工程岩体质量评价方法的完善与提升［J］. 岩石力学与工程学报，2014，33（10）：1977-1996.

[4] YUE Zhongqi. Drilling Process Monitoring for Refining and Upgrading Rock Mass Quality Classification Methods ［J］. Chinese Journal of Rock Mechanics and Engineering， 2014， 33 （10）： 1977-1996. in Chinese

[5] 易文豪，王明年，童建军，等. 基于支持向量机的大断面岩质隧道掌子面围岩非均一性判识方法［J］. 中国铁道科学，2021，42（5）：112-122.

[6] YI Wenhao， WANG Mingnian， TONG Jianjun， et al. Inhomogeneity Identification Method for Surrounding Rock of Large-Section Rock Tunnel Face Based on Support Vector Machine ［J］. China Railway Science， 2021， 42 （5）： 112-122. in Chinese

[7] MANZOOR S， LIAGHAT S， GUSTAFSON A， et al. Establishing Relationships between Structural Data from Close-Range Terrestrial Digital Photogrammetry and Measurement while Drilling Data ［J］. Engineering Geology， 2020， 267： 105480.

[8] 岳中文，岳小磊，杨仁树，等. 随钻岩性识别技术研究进展［J］. 矿业科学学报，2022，7（4）：389-402.

[9] YUE Zhongwen， YUE Xiaolei， YANG Renshu， et al. Progress of Lithology Identification Technology while Drilling ［J］. Journal of Mining Science and Technology， 2022， 7 （4）： 389-402. in Chinese

[10] 闫天俊，李铁辉. 岩石的钻孔速度在德国的研究状况［J］. 凿岩机械气动工具，2002（2）：40-44.

[11] YAN Tianjun， LI Tiehui. Research Status of Rock Drilling Speed in Germany ［J］. Rock Drilling Machinery & Pneumatic Tools， 2002 （2）： 40-44. in Chinese

[12] 闫天俊. 岩石可钻性及其在德国的研究状况［J］. 凿岩机械气动工具，2002（1）：22-27.

[13] YAN Tianjun. Rock Drillability and Its Research Status in Germany ［J］. Rock Drilling Machinery & Pneumatic Tools， 2002 （1）： 22-27. in Chinese

[14] 毕永升，谭卓英，丁宇. 基于有限元的钻进参数相互影响机理研究［J］. 金属矿山，2022（2）：19-28.

[15] BI Yongsheng， TAN Zhuoying， DING Yu. Study on Interaction Mechanism of Drilling Parameters Based on Finite Element Method ［J］. Metal Mine， 2022 （2）： 19-28. in Chinese

[16] LI Y L， SHE L， WEN L F， et al. Sensitivity Analysis of Drilling Parameters in Rock Rotary Drilling Process Based on Orthogonal Test Method ［J］. Engineering Geology， 2020， 270： 105576.

[17] 李哲，徐豹之，农骥. 隧道超前水平钻进功速比与围岩响应特征分析［J］. 地下空间与工程学报，2018，14（增1）：136-147.

[18] LI Zhe， XU Baozhi， NONG Ji. Analysis of Work-Velocity Ratio and Response Characteristics of Surrounding Rock in Tunnel Advance Horizontal Drilling ［J］. Chinese Journal of Underground Space and Engineering， 2018， 14 （）： 136-147. in Chinese

[19] 刘宗辉，关启钰，饶坤荣，等. 基于能量理论的岩溶隧道超前钻探精细预报方法［J］. 公路，2021，66（11）：342-349.

[20] LIU Zonghui， GUAN Qiyu， RAO Kunrong， et al. Precise Prediction Method for Advanced Drilling of Tunnel in Karst Area Based on Energy Theory ［J］. Highway， 2021， 66 （11）： 342-349. in Chinese

[21] 谭卓英，蔡美峰，岳中琦，等. 香港充填土风化花岗岩场址勘探中的界面识别研究［J］. 岩土工程学报，2007，29（2）：169-173.

[22] TAN Zhuoying， CAI Meifeng， YUE Zhongqi， et al. Identification of Interface of Earth Fill with Weathered Granite in Site Investigation of Hong Kong ［J］. Chinese Journal of Geotechnical Engineering， 2007， 29 （2）： 169-173. in Chinese

[23] 田雪豪，康家安，江帅，等. 基于最小二乘支持向量机理论的凿岩台车地质预报系统研究［J］.隧道建设：中英文，2022，42（增1）：267-273.

[24] TIAN Xuehao， KANG Jia’an， JIANG Shuai， et al. Research on Geological Prediction System of Rock Drilling Jumbo Based on Least Squares Support Vector Machine ［J］. Tunnel Construction， 2022， 42 （）： 267-273. in Chinese

[25] KALANTARI S， HASHEMOLHOSSEINI H， BAGHBANAN A. Estimating Rock Strength Parameters Using Drilling Data ［J］. International Journal of Rock Mechanics and Mining Sciences， 2018， 104： 45-52.

[26] 王琦，秦乾，高松，等.数字钻探随钻参数与岩石单轴抗压强度关系［J］.煤炭学报，2018，43（5）：1289-1295.

[27] WANG Qi， QIN Qian， GAO Song， et al. Relationship between Rock Drilling Parameters and Rock Uniaxial Compressive Strength Based on Energy Analysis ［J］. Journal of China Coal Society， 2018， 43 （5）： 1289-1295. in Chinese

[28] GALENDE-HERNÁNDEZ M， MENÉNDEZ M， FUENTE M J， et al. Monitor-while-Drilling-Based Estimation of Rock Mass Rating with Computational Intelligence： the Case of Tunnel Excavation Front ［J］. Automation in Construction， 2018， 93： 325-338.

[29] VAN ELDERT J， SCHUNNESSON H， JOHANSSON D， et al. Application of Measurement while Drilling Technology to Predict Rock Mass Quality and Rock Support for Tunnelling ［J］. Rock Mechanics and Rock Engineering， 2020， 53 （3）： 1349-1358.

[30] LIU J K， JIANG Y J， HAN W， et al. Optimized ANN Model for Predicting Rock Mass Quality ahead of Tunnel Face Using Measure-while-Drilling Data ［J］. Bulletin of Engineering Geology and the Environment， 2021， 80 （3）： 2283-2305.

[31] 姚萌. 基于凿岩台车钻进参数的隧道围岩智能分级方法研究［D］. 成都：西南交通大学，2020.

[32] YAO Meng. Study on Intelligent Classification of Surrounding Rock Based on Drilling Jumbo’s Drilling Parameters ［D］. Chengdu： Southwest Jiaotong University， 2020. in Chinese

[33] ZHAO S G， WANG M N， YI W H， et al. Intelligent Classification of Surrounding Rock of Tunnel Based on 10 Machine Learning Algorithms ［J］. Applied Sciences， 2022， 12 （5）： 2656.

[34] WANG M N， ZHAO S G， TONG J J， et al. Intelligent Classification Model of Surrounding Rock of Tunnel Using Drilling and Blasting Method ［J］. Underground Space， 2021， 6 （5）： 539-550.

[35] SCHUNNESSON H， HOLME K. Drill Monitoring for Geological Mine Planning in the Viscaria Copper Mine ［J］. CIM Bulletin， 1997， 90： 83-89.

[36] SCHUNNESSON H. Rock Characterisation Using Percussive Drilling ［J］. International Journal of Rock Mechanics and Mining Sciences， 1998， 35 （6）： 711-725.

[37] 舒云星. 水泥烧成系统故障诊断与质量预测支持向量机方法的研究［D］. 武汉：武汉理工大学，2008.

[38] SHU Yunxing. Research on Fault Diagnosis and Quality Prediction Using Support Vector Machines in Cement Burning System ［D］. Wuhan： Wuhan University of Technology， 2008. in Chinese

[39] 刘飞香.隧道全电脑凿岩台车技术及应用［M］.北京：人民交通出版社，2019.

[40] LIU Feixiang. Tunnel Full Computerized Drill Jumbo Technology and Application ［M］. Beijing： China Communications Press， 2019. in Chinese

[41] 徐雪锋，周志鸿，田翔，等. 法国蒙特贝（Montabert）液压凿岩机技术特点［J］. 凿岩机械气动工具，2019（1）：1-15.

[42] XU Xuefeng， ZHOU Zhihong， TIAN Xiang， et al. Technical Characteristics of Hydraulic Drifters from France-Based Montabert ［J］. Rock Drilling Machinery & Pneumatic Tools， 2019 （1）： 1-15. in Chinese

[43] SCHUNNESSON H. Drill Process Monitoring in Percussive Drilling： a Multivariate Approach to Data Analysis ［M］. Finland： Lapland University of Applied Sciences， 1990.

[44] 王志坚. 郑万高铁隧道大断面机械化施工关键技术研究［J］. 隧道建设：中英文，2018，38（8）：1257-1270.

[45] WANG Zhijian. Research on Key Technology of Large Cross-Sectional Mechanized Construction of Zhengzhou-Wanzhou High-Speed Railway Tunnel ［J］. Tunnel Construction， 2018， 38 （8）： 1257-1270. in Chinese

[46] WANG C J， YAO C R， QIANG B， et al. A Machine Learning Framework for Predicting Bridge Defect Detection Cost ［J］. Infrastructures， 2021， 6 （11）： 152.

[47] 陈帅飞，吕鑫，戚荣志，等. 一种基于关键点的时间序列线性表示方法［J］. 计算机科学，2016，43（5）：234-237.

[48] CHEN Shuaifei， Xin LÜ， QI Rongzhi， et al. Linear Representation Method Based on Key Points for Time Series ［J］. Computer Science， 2016， 43 （5）： 234-237. in Chinese

[49] 颜丽，邓芳明. 面向复杂环境的输电线路关键设备缺陷检测方法［J］. 无线电工程，2022，52（12）：2237-2244.

[50] YAN Li， DENG Fangming. Defect Detection Scheme for Key Equipment of Transmission Line in Complex Environment ［J］. Radio Engineering， 2022， 52 （12）： 2237-2244. in Chinese

[51] 曲佳，王旭东，吴楠，等. 基于随机森林算法的室内可见光指纹定位方法［J］. 光通信技术，2023，47（1）：1-7.

[52] QU Jia， WANG Xudong， WU Nan， et al. Indoor Visible Light Fingerprint Positioning Method Based on Random Forest Algorithm ［J］. Optical Communication Technology， 2023， 47 （1）： 1-7. in Chinese

[53] WANG C J， YAO C R， ZHAO S G， et al. The Theory and Method of Data Acquisition of Mixed Traffic Popular People and Nonmotor Vehicles Based on Image Processing ［J］. Mobile Information Systems， 2022， 2022： 9699162.

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(K2020G035)

中国国家铁路集团有限公司科技研究开发计划课题(K2021G024)