基于岩石可钻性指标的钻爆法隧道掌子面岩石坚硬程度智能判识

Intelligent Identification of Rock Hardness Drillability Index for Drill-and-Blast Tunnel Faces

摘要

岩石坚硬程度是影响岩体质量的主要因素，快速、便捷获取岩石坚硬程度是保障钻爆法隧道设计合理性和施工安全性的前提。为此，在我国西部山区的2座钻爆法隧道采集917份掌子面炮眼施作过程中形成的钻进参数和岩石坚硬程度样本数据；提出冲击回转式钻机钻孔过程中岩石可钻性指标计算方法，并构建隧道掌子面钻进参数特征体系和样本数据库；采用堆叠泛化集成学习算法，以支持向量机、极限树和随机森林算法为基学习器，决策树为元学习器，分别构建基于4项原始钻进参数和基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型；以准确率、精确率、召回率、平衡F分数（F₁）作为模型评价指标，现场验证模型性能。结果表明：基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型性能较优；在预测集中，该模型的准确率为92.35%、召回率为92.01%、精确率为92.90%、F_{\mathrm{1}}值为92.45%；在现场验证过程中，该模型准确率为91.23%、召回率为91.11%、精确率为92.18%、F_{\mathrm{1}}值为91.64%。

Abstract

Rock hardness is the main factor affecting the quality of rock masses. Rapidly and conveniently obtain rock hardness is the premise to ensure the rationality of drill-and-blast tunnel design and construction safety. To this end, the sample data of drilling parameters and rock hardness formed during the drilling process of tunnel face boreholes is collected from 917 cases of two drill-and-blast tunnels in the western mountainous areas of China. A method of calculating rock drillability index during the drilling process of percussion rotary drilling rigs is proposed, and a feature system for drilling parameters at the tunnel face and a sample database are constructed. Using staking generalized learning algorithm, with support vector machine (SVM), extreme tree (ET) and random forest (RF) algorithms as base learners, and a decision tree as the meta-learner, an intelligent identification model of rock hardness is constructed based on the feature system of 4 original drilling parameters and 54-drilling parameter feature system, respectively. The performance of the model in the field is verified using accuracy, precision, recall, and the balanced F score as the evaluation indexes. The results show that the intelligent classification model for rock hardness based on the 54-feature drilling parameter system has the best performance, and the accuracy rate of the model in the prediction set is 92.35%, the recall rate is 92.01%, the precision rate is 92.90%, and the balanced F score is 92.45%. During field validation, the model has an accuracy of 91.23%, a recall of 91.11%, a precision of 92.18%, and an F₁ value of 91.64%.

Graphical abstract

关键词

掌子面 / 岩石坚硬程度 / 钻进参数 / 岩石可钻性指标 / 集成学习

Key words

Tunnel face / Rock hardness / Drilling parameters / Rock drillability index / Ensemble learning

随着钻爆法隧道机械化、智能化建造技术的提升以及隧道开挖面积的增大，隧道掌子面围岩稳定性问题受到了国内外学者的广泛关注^［1-2］。快速、准确地描述岩体质量是保障地下工程施工设计安全性和合理性的前提^［3-5］。岩石坚硬程度是岩体质量评价的主要指标之一，影响了掌子面围岩稳定性。在钻爆法隧道施工过程中，地质人员通常通过观察掌子面岩石岩性、风化程度，结合岩石单轴压缩试验，共同确定岩石坚硬程度，进而评价其岩体质量。然而，观察岩性、风化程度的方法受地质人员判识经验的影响较大，岩石单轴压缩试验需要投入的人力、物力较大，难以满足钻爆法隧道智能建造的需求。

通过钻进参数获取地质条件的技术属于接触式测量技术，也称随钻测量技术（Measurement-While-Drilling technology）。自19世纪60年代开始，国内外学者便在煤矿工程、隧道工程领域中开展了该项技术的研究^［6］。该项技术的本质是利用一系列传感器采集钻机破岩过程中的监测数据，通过理论推导、数值模拟、数理统计、人工智能等技术，建立机器参数与围岩地质信息之间映射关系的测量技术。其中，钻孔过程中采集的机器参数包括钻孔图像、压力、速度、扭矩、流量等^［7-10］。根据钻孔机理，目前常用的钻机可分为冲击回转式钻机和旋转式钻机^［8，11］。

利用钻孔过程中的钻进参数获取地质信息，国内外研究学者开展了一系列研究。Honer等^［12］提出了旋转式钻机钻进比能的计算方法，并判识了地层岩性。Qin等^［13］通过试验采集了钻进过程的震动频谱和声学频谱，对地层岩性进行了区分。谭卓英等^［14］提出了旋转式钻机钻进比功的计算方法，并探究了钻进比功与岩石风化程度的响应规律。王玉杰等^［15］和戴剑博等^［16］以推进力、扭矩、钻进速度和转速等钻进参数为输入参数，采用机器学习算法实现岩石单轴抗压强度（Unconfined Compressive Strength，UCS）的预测。王杰^［17］利用支持向量机分类算法（Support Vector Machine，SVM），研发了基于煤矿钻进参数的煤岩层界面识别系统，其输入参数主要包括转速、回转扭矩、推进力、推进速度、破碎比功等。梁栋才等^［18］利用超前水平钻的钻进参数和贝叶斯原理，构建了掌子面前方地层识别模型。以上的研究表明，钻进参数在地层岩性、风化程度、单轴抗压强度之间存在较好的响应规律，利用钻进参数构建岩石坚硬程度的智能解析模型具有可行性。然而，以上的研究对象是旋转式钻机，例如超前水平钻机、地质钻机等。若想直接将以上的研究成果用于钻爆法隧道施工过程中掌子面岩石坚硬程度的智能判识，需增加工序。

近年来，随着钻爆法隧道施工装备的逐渐成熟，掌子面炮孔施作逐渐由原来的人工钻孔转变为凿岩台车机械施作。更重要的是，凿岩台车在钻进过程中，利用凿岩台车装备的一系列压力、速度传感器，使其具备了实时采集钻进参数的能力^［19］。赵思光等^［20］针对凿岩台车的冲击回转式破岩方式提出了基于钻进速度的隧道围岩基本质量指标（Basic Quality，BQ）计算方法；随后，王明年等^［21］根据冲击回转式钻机破岩机理，提出了凿岩台车冲击-推进-回转协同破岩过程中机械比能的计算式，并用于隧道掌子面围岩单轴抗压强度和弹性模量的解析。王明年等^［22］以单个爆破循环为单位，考虑凿岩台车炮孔分布特征、隧道洞型，提出了基于炮孔随钻参数的隧道掌子面围岩三维精细化分级方法。易文豪等^［23］利用大断面岩质隧道的钻进参数，采用支持向量机算法，提出了掌子面围岩非均一性判识方法。

综上所述，冲击回转式钻机和旋转式钻机采集的钻进参数与地质信息之间具有较好的映射关系。然而，如何建立凿岩台车（冲击回转式钻机）钻进参数与岩石坚硬程度的研究还待进一步深入，构建的人工智能模型还有待进一步优化。

本文依托我国西部山区的2座钻爆法隧道工程，采集了917份掌子面炮眼钻孔过程中形成的钻进参数和岩石坚硬程度样本数据。根据凿岩台车的机械运动原理和钻进参数含义，提出冲击回转式钻机钻孔过程中岩石可钻性指标计算方法，同时，构建隧道掌子面钻进参数特征体系和样本数据库。基于构建的岩石坚硬程度样本数据库，采用堆叠泛化（Staking）集成学习算法，以支持向量机（Support Vector Machine，SVM）、极限树（Extremely Randomized Trees，ET）、随机森林（Random Forest，RF）算法为基学习器，决策树（Decision Tree，DT）为元学习器，分别构建了基于4项原始钻进参数和基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型。最后，利用岩石坚硬程度样本数据库中的预测集数据和现场试验，进一步检验了2种模型的性能。

1 地质概况

掌子面钻进参数与岩石坚硬程度样本来源于我国西部山区的2座钻爆法隧道。1号试验隧道全长11.5 km，最大埋深约1 150 m，地层岩性主要包括花岗岩、闪长岩等；风化程度主要包括微风化、弱风化和强风化3类。2号试验隧道全长24.7 km，最大埋深约1 050 m，地层岩性主要包括石英岩、片麻岩、板岩等；风化程度主要包括微风化、弱风化和强风化3类。

根据地层岩性、风化程度分布情况，利用国际岩石力学学会^［24-25］和TB 10003—2016《铁路隧道设计规范》^［26］的岩石坚硬程度测试方法，2座试验隧道岩石的坚硬程度均包括极硬岩、硬岩、较软岩和软岩4类，地质概况如图1所示。

2 样本采集

样本采集包括凿岩台车钻进参数和岩石坚硬程度2个方面。其中，凿岩台车钻进参数是钻爆法隧道掌子面岩石坚硬程度智能判识模型的输入参数，岩石坚硬程度是钻爆法隧道掌子面岩石坚硬程度智能判识模型的输出参数。以掌子面开挖循环为单位，在采集过程中二者具有一一对应关系，即凿岩台车钻进参数记录的掌子面里程与岩石坚硬程度记录的掌子面里程一致。

2.1　凿岩台车钻进参数

凿岩台车钻进参数的采集装备是国产ZYS113型凿岩台车，其破岩的机械运动主要包括冲击、推进和旋转3项，其中，凿岩台车的冲击运动在破岩过程中起到了主要作用^［21］。利用凿岩台车装备的传感器可自动记录包括推进压力p_f、打击压力p_h、回转压力p_r、钻进速度v_p、水压力p_w、水流量q_w等6项随钻参数，其中水压力和水流量与地质条件无关。推进压力是保持钻头和岩石接触的压力，打击压力是钻头冲击岩石的压力，回转压力是钻头维持一定转速的旋转所需的压力，钻进速度是钻头穿透岩石的速率^［19］。

掌子面炮孔钻进参数采集示意图如图2所示。由图2可以看出：在样本采集隧道的每个开挖循环（掌子面）按照每50~70 cm布设炮孔，每个开挖循环约200~300个炮孔；任意炮孔的深度一般约2~5 m，每个炮孔在施作过程中，传感器每间隔2 cm则会采集1组钻进参数，每组钻进包括前文所述的6项随钻参数都会按照上述方法纵向每2 cm采集1组钻进参数，则每个炮孔约采集100~250组钻进参数，每个掌子面约采集2~5万组钻进参数。密度高、数量大是凿岩台车采集到的掌子面炮孔钻进参数与采矿钻机设备、石油钻井设备等其他方式采集的钻进参数的主要区别。

2.2　岩石坚硬程度

岩石坚硬程度的采集采用定性观察为主、定量测试为辅的方式。其中，定性观察是地质人员现场观察新鲜掌子面的岩性、风化程度，以掌子面地质素描的形式记录岩石坚硬程度；定量测试是试验人员通过岩石取芯，开展岩石单轴压缩试验，以试验记录表的形式记录岩石单轴抗压强度，并根据TB 10003—2016《铁路隧道设计规范》^［26］中岩石单轴抗压强度与岩石坚硬程度的映射关系，确定岩石坚硬程度。岩石单轴抗压强度与岩石坚硬程度的映射关系见表1。

3 隧道掌子面岩石坚硬程度智能判识样本数据库

3.1　岩石可钻性指标

研究表明，使用单一的钻进参数不足以实现对岩体完整程度、岩石坚硬程度等岩体质量指标进行表征。各钻进参数之间存在相互影响，以原始钻进参数为基准，通过特征组合、交互生成的组合特征，能够更加全面地反映包括岩石坚硬程度在内的各项岩石质量指标。

因为钻机与岩石之间复杂的作用关系以及各项原始钻进参数之间的相关性，现有研究通过对原始钻进参数进行组合，得到一些无量纲指标用以表征岩石质量特征，而这些无量纲指标能够反映岩体的钻进情况，又称为岩石可钻性指标。

Schunnesson^［27］综合考虑旋转式钻机的钻头转速v_r、进给速度v_p和钻头直径D，提出了等效速度Γ_v的计算方法，具体计算式为

{\Gamma }_{\mathrm{v}}=\frac{F_{\mathrm{f}}D}{M_{\mathrm{r}}}（1）

式中：F_f为推进力；M_r为回转扭矩。

在此基础上，根据凿岩台车采集的随钻参数类型和破岩原理，进一步提出了等效推进力Γ_ff、等效冲击力Γ_fh、难钻进性Γ_hard和综合可钻性E这4项新的岩石可钻性指标，计算式分别为

{\Gamma }_{\mathrm{f}\mathrm{f}}=\frac{F_{\mathrm{f}}D}{M_{\mathrm{r}}}（2）

{\Gamma }_{\mathrm{f}\mathrm{h}}=\frac{F_{\mathrm{h}}D}{M_{\mathrm{r}}}（3）

{\Gamma }_{\mathrm{h}\mathrm{a}\mathrm{r}\mathrm{d}}=\frac{{\Gamma }_{\mathrm{f}\mathrm{f}}{\Gamma }_{\mathrm{f}\mathrm{h}}}{{\Gamma }_{\mathrm{v}}}（4）

E=\frac{\mathrm{l}\mathrm{g}{\Gamma }_{\mathrm{v}}}{\mathrm{l}\mathrm{g}{\Gamma }_{\mathrm{f}\mathrm{f}}\mathrm{l}\mathrm{g}{\Gamma }_{\mathrm{f}\mathrm{h}}}（5）

其中，

F_{\mathrm{f}}=\frac{\mathrm{\pi }{D}_{\mathrm{f}}^{\mathrm{2}}{p}_{\mathrm{f}}}{\mathrm{8}}

M_{\mathrm{r}}=\frac{p_{\mathrm{r}}{q}_{\mathrm{r}}{i}_{\mathrm{r}}}{\mathrm{2}\mathrm{\pi }}

F_{\mathrm{h}}=\frac{D_{\mathrm{h}\mathrm{B}}{m}_{\mathrm{h}}\sqrt[]{\mathrm{2}\mathrm{\pi }{p}_{\mathrm{h}}{S}_{\mathrm{h}}}}{\mathrm{2}{t}_{\mathrm{h}}}

式中：F_h为冲击力；D_f为推进油缸活塞直径，m；D_hB为冲击油缸活塞前端直径，m；m_h为活塞质量，kg；i_r为回转机构减速比；q_r为液压马达排量，m³ · r^－1；t_h为撞击纤尾时间，取0.000 5 s；S_h为冲击活塞的冲击行程，m。

根据凿岩台车自动化采集的4项原始钻进参数和5项岩石可钻进指标，在凿岩台车钻孔过程中可获得9类用于描述岩石坚硬程度的钻进参数。理论上，岩石坚硬程度越高，对应的岩石力学参数值越大，特别是岩石单轴抗压强度；进给速度越低，推进压力、打击压力、回转压力、难钻进指标、E指标、等效速度、等效冲击力、等效推进力越高。

3.2　掌子面钻进参数特征体系

每个循环采集到的所有钻进参数数据作为1份钻进参数样本，其中包含的数据点数量可达数万级别，显然这些钻进参数原始数据并不能直接作为智能模型的输入，需要进行进一步的特征提取。

在实际工程中，因为凿岩台车采集到的钻进参数数据存在负值或是不可能值^［9］，这些数值是因凿岩台车硬件或传感器问题产生的测量误差，并不能够反映实际的地质情况，因此在进行特征提取之前，需要对原始的钻进参数数据进行清洗，去除其中的离散点。采用箱型图清洗的方法对4项原始钻进参数进行清洗，清洗结果如图3所示。

由图3可知：采用箱型图法清洗了4项原始钻进参数的异常值后，极硬岩、硬岩、较软岩3种岩石坚硬程度样本的4项原始钻进参数离散型明显降低，呈现了较为明显的梯度分布，更有利于模型智能判识岩石坚硬程度；从各项钻进参数的均值看，随着岩石坚硬程度的增加，打击压力、推进压力逐渐增加，回转压力、进给速度逐渐降低。

在机器学习中，特征体系构建的目的是从原始数据中提取有用的特征，以便帮助模型能够更好地理解数据的本质，并从中发现隐藏在数据背后的模式和规律，以做出正确的预测。钻进参数特征体系构建主要考虑钻进参数间的相互影响获取5项可钻性指标作为组合特征，并进一步考虑单一循环内的海量钻进参数数据，生成钻进参数统计特征代替原始数据点以减少特征维度、简化模型。在先前的研究中，研究人员采用各项钻进参数的均值作为该份样本的代表值^［23］，并取得了一定成效，但均值只是常用统计分析手段中的一种，使用多种统计手段结合能够更全面地提取原始钻进参数所包含的地质信息。

基于特征组合和统计分析建立了掌子面钻进参数特征体系见表2。由表2可知：掌子面钻进参数特征体系使用的统计手段包含描述数据分布整体水平的均值、描述数据分布形态的3项四分位数（第一四分位数、第二四分位数、第三四分位数）以及描述数据离散程度的标准差、变异系数，合计6种统计手段。4项原始钻进参数特征（原始特征）和5项岩石可钻性指标（组合特征）结合6种统计手段，最终构建了掌子面钻进参数特征体系（54项）。

3.3　样本数据库

基于构建的钻进参数特征体系，对采集到的所有钻进参数样本进行特征提取，并与采集到的岩石坚硬程度进行一一对应，得到一份包含隧道名称和断面里程2项隧道信息、54项钻进参数特征以及对应岩石坚硬程度，共计57个字段的样本数据表。为便于后续智能判识模型的数据抽取调用，采用MySQL数据库管理软件，在样本数据表的基础上构建隧道掌子面岩石坚硬程度智能判识样本数据库，其架构见表3。

依托的2座试验隧道均处于建设期，在这2座试验隧道分别采集了470和447份样本，共计917份样本数据，在采集的样本中，包含了极硬岩、硬岩、较软岩共3类岩石坚硬程度，花岗岩、闪长岩、石英岩、片麻岩、板岩共5种岩性，微风化、弱风化、强风化共3种风化程度。样本数据库地质概况见表4。

由表4可知：极硬岩样本有399份，硬岩样本有306份，较软岩样本有212份；极硬岩样本中包含了花岗岩、石英岩和片麻岩3种岩性，微风化和弱风化2种风化程度；硬岩样本中包含了闪长岩、片麻岩和板岩3种岩性，微风化和弱风化2种风化程度；较软岩样本中包含了闪长岩、板岩、石英岩3种种岩性，弱风化和强风化2种风化程度。

4 隧道掌子面岩石坚硬程度智能判识模型

隧道掌子面岩石坚硬程度智能判识属于机器学习中的分类任务，其主要流程包括特征提取、数据集划分、数据集预处理、机器学习算法选择、模型训练和模型评估。为进一步验证构建的钻进参数特征体系对掌子面岩石坚硬程度判识的有效性，构建了基于4项原始钻进参数的岩石坚硬程度智能判识模型（DP4_EL_RH）和基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型（DP54_EL_RH），详见表5。

4.1　集成学习

在机器学习领域中，对特定任务而言，单一模型的性能存在上限，为进一步提升模型性能，往往会采取集成学习（Ensemble Learning）的方法将多个模型整合在一起，共同完成智能判识任务。集成的方法包含袋装法Bagging、堆叠泛化Stacking以及提升方法Boosting共3种，而Stacking集成学习方法在算法性能以及训练成本2方面综合而言优于其余2种集成学习方法。Stacking集成学习方法是将多个基模型的输出（对于分类问题来说，输出为概率向量）作为元模型的输入，进而融合不同基分类器的特点，构建泛化性能更好的模型。为保障集成学习模型的泛化性和鲁棒性，集成学习的基模型应选用单项性能较优、种类较多的学习器，元模型则是复杂度较低的学习器。

在集成学习的基模型选择上，选择在机器学习领域应用最广泛且在大多数任务表现良好的SVM，ET和RF这3类机器学习算法。元模型则采用模型原理简单的DT算法。

与传统的机器学习分类模型相比，集成学习模型在模型训练上有所不同。传统的机器学习算法模型进行数据划分，将划分出的数据集分别进行模型训练和模型评估。隧道掌子面岩石坚硬程度智能判识模型（集成学习）的Stacking集成学习训练示意图如所图4所示。

由图4可知：智能判识模型在进行Stacking集成学习训练时主要包括以下步骤。

（1）对数据集按照4∶1的比例划分为训练集和预测集。同时，将训练集按照4∶1的比例进一步划分5次，每次划分的样本均不相同。

（2）利用训练集数据，以4项原始钻进参数或54项掌子面钻进参数特征体系作为基模型的输入参数，采用SVM，RF和ET这3种对基模型进行训练和贝叶斯优化，获得训练集所有样本的3种基模型分类结果特征数据集。

（3）以3种基模型分类结果特征数据集作为元模型（极限树）的输入参数，训练元模型。

（4）将预测集的钻进参数数据，带入已训练好的DP4_EL_RH和DP54_EL_RH，检验模型性能。

4.2　数据集划分及过采样

在集成学习构建流程中，采用4∶1的比例将构建的样本数据集划分为训练集和预测集。同时，对训练集按照4∶1的比例的拆分5次，用于结果特征数据集的生成。数据集划分结果见表6。

在模型训练过程中，如果训练集中存在样本不均衡的问题，会导致训练出来的模分类结果偏向于多数类而忽视少数类，因此采用合成少数过采样技术（Synthetic Minority Over-sampling Technique，SMOTE）过采样技术对数据集进行处理，通过随机插值的方法将少数类样本扩充至与多数类样本数量一致，进而消除样本不均衡带来的影响。训练集过采样详情见表7。

完成对样本数据集的划分及过采样之后，需要进一步对样本数据进行标准化处理，即将每一项特征转换为标准差为1，均值为0的分布，以消除不同特征之间量纲及数量级差异对模型带来的影响，标准化的公式如式6所示。

x\mathrm{\text{'}}=\frac{x-\mu }{\sigma }（6）

式中：x为任意集合原始特征数据；x'为任意集合标准化后的特征数据；μ为训练集该特征数据的均值；σ为训练集该特征数据的标准差。

4.3　模型训练

集成学习模型的训练分为2步，分别为基模型的训练和元模型的训练。其中，元模型的模型复杂度较低，训练方法对其性能无明显影响。而基模型则需要对其进行超参数优化，以尽可能地提升各个基模型的基础性能，最终实现集成学习模型性能的提升。采用的超参数优化方法是贝叶斯优化算法，优化了SVM基模型的3项超参数、ET基模型的5项超参数、RF基模型的5项超参数。值得说明的是，SVM模型的超参数主要包括正则化参数（C）、核函数类型（Kernel）、核函数的参数（Gamma），ET和RF模型的超参数相同，主要包括决策树深度（Max_depth）、最大分离特征数（Max_features）、最小叶节点数（Min_samples_leaf）、最小分离样本数（Min_samples_split）、决策树个数（N_estimators）。2种输入特征的基模型最优超参数见表8。

在基模型训练过程中，能够得到每个基模型对完整的训练集样本的分类概率向量，将3个基模型结果横向拼接即是基模型分类结果特征数据集，直接输入元模型即可完成对元模型的训练。

4.4　预测集结果

采用不同的输入参数，相同的模型训练方法，分别构建了基于4项原始钻进参数和54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型。将预测及数据分别带入2种模型，以召回率、准确率、精准率和F_{\mathrm{1}}值为模型性能评价指标，检验模型性能。在相同预测集条件下，DP4_EL_RH模型和DP54_EL_RH模型预测结果如图5所示。

由图5可知：在183份预测集样本中，DP4_EL_RH模型准确率为87.43%，精确率为87.23%，召回率为87.33%，F_{\mathrm{1}}值为87.28%；DP54_EL_RH模型准确率为82.35%，精确率为92.01%，召回率为92.90%，F_{\mathrm{1}}值为92.45%。

5 模型性能分析

5.1　预测集结果

为检验所构建的2种钻爆法隧道岩石坚硬程度智能判识模型的模型性能，利用183份预测集样本，对比分析了2种岩石坚硬程度模型判识结果和规范岩石坚硬程度判识结果。模型性能的评价指标主要包括召回率、准确率、精准率和F_{\mathrm{1}}值。2种模型在预测集中表现的模型性能分析结果见表9。

在183份预测集样本中，基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型的模型性能高于基于4项原始钻进参数的岩石坚硬程度智能判识模型。由此可以看出，上文提出的利用5项岩石可钻性和6项统计手段构建掌子面钻进参数特征体系，可较好的提高岩石坚硬程度的智能判识模型性能。这样的模型提升效果在表9中表现为召回率、准确率、精准率和F_{\mathrm{1}}值的提高。其中，准确率提高了4.92%，精确率提高了4.78%，召回率提高了5.57%，F_{\mathrm{1}}值提高了5.17%。

5.2　现场验证集结果

为进一步检验DP4_EL_RH和DP54_EL_RH模型的泛化性。在上文所述的2座钻爆法试验隧道，进一步开展了采集了57份新样本和模型现场试用的研究工作。57份新样本主要包括了凿岩台车钻进参数和掌子面地质素描等2类数据，掌子面地质素描记录的岩石坚硬程度主要包括极硬岩、硬岩、较软岩共3类。其中，极硬岩样本共计31份，硬岩样本共计17份，较软岩样本共计9份。DP4_ EL_RH和DP54_EL_RH现场验证结果如图6所示。DP4_EL_RH和DP54_EL_RH模型性能分析结果见表10。

由图5、图6、表9和表10可知：2种岩石坚硬程度判识模型在模型构建过程中，利用的样本数量仅734份（训练集），相比于图像型数据，其数据量还有待进一步提高。因此，2种模型在预测集中的性能高于现场验证数据集（57份新样本）。DP54_EL_RH相比于DP4_EL_RH模型，DP54_EL_RH模型在现场57份新样本的岩石坚硬程度判识过程中，展现出了更优的泛化性。这样的模型泛化性提升效果在表9中表现为召回率、准确率、精准率和F_{\mathrm{1}}值的提高。其中，准确率提高了8.77%，精确率提高了9.78%，召回率提高了11.81%，F_{\mathrm{1}}值提高了10.79%。

6 结论

（1）区别于传统的基于钻进参数的岩石坚硬程度智能判识模型，在4项原始钻进参数（v_p，p_f，p_r和p_h）的基础上，进一步提出了Γ_v，Γ_fh，Γ_ff，Γ_hard和E共5项岩石可钻进指标，结合均值、标准差、四分位数（第一分位数、第二分位数、第三分位数）、变异系数等6种统计特征构建的Staking集成学习的岩石坚硬程度智能判识模型，具有较高的岩石坚硬程度智能判识精度。

（2）在183份预测集样本和57份现场验证集样本中，基于54项掌子面钻进参数特征体系的岩石坚硬程度智能判识模型（DP54_EL_RH）召回率、准确率、精准率和F_{\mathrm{1}}值等模型性能均优于基于4项原始钻进参数的岩石坚硬程度智能判识模型（DP4_EL_RH）。在183份预测集样本中，DP54_EL_RH相比于DP4_EL_RH，其准确率提高了4.92%，精确率提高了4.78%，召回率提高了5.57%，F_{\mathrm{1}}值提高了5.17%；在57份现场验证集样本中，准确率提高了8.77%，精确率提高了9.78%，召回率提高了11.81%，F_{\mathrm{1}}值提高了10.79%。

（3）目前，凿岩台车主要应用于岩体相对完整的岩质隧道，故采集的样本、研究的问题主要针对岩质隧道。若想实现基于凿岩台车钻进参数的岩石坚硬程度的智能判识，需根据4项原始钻进参数构建新的评价指标，但提出的掌子面钻进参数特征体系构建方法仍可借鉴。

参考文献

[1] 王明年，张霄，赵思光，等. 软弱围岩隧道机械化全断面施工超前支护体系设计方法研究［J］. 铁道学报，2020，42（8）：146-154.

[2] WANG Mingnian， ZHANG Xiao， ZHANG Siguang， et al. Research on Design Method of Advance Support System for Mechanized Full-Face Excavation of Tunnels in Soft and Weak Surrounding Rock ［J］. Journal of the China Railway Society， 2020， 42 （8）： 146-154. in Chinese

[3] 王卓雄. 基于光面爆破的软弱围岩隧道全断面施工可行性研究［D］. 重庆：重庆大学，2020.

[4] WANG Zhuoxiong. Feasibility Study of Full-Section Construction of Soft Rock Tunnel Based on Faceted Blasting ［D］. Chongqing： Chongqing University， 2020. in Chinese

[5] WANG J C， XU H H， ZOU J P. Fine Detection Technology of Rock Mass Structure Based on Borehole Acousto-Optic Combined Measurement ［J］. Measurement， 2022， 187： 110259.

[6] SHENG D J， YU J， TAN F， et al. Rock Mass Quality Classification Based on Deep Learning： a Feasibility Study for Stacked Autoencoders ［J］. Journal of Rock Mechanics and Geotechnical Engineering， 2023， 15 （7）： 1749-1758.

[7] BROOK M， HEBBLEWHITE B， MITRA R R. Coal Mine Roof Rating （CMRR）， Rock Mass Rating （RMR） and Strata Control： Carborough Downs Mine， Bowen Basin， Australia ［J］. International Journal of Mining Science and Technology， 2020， 30 （2）： 225-234.

[8] TEALE R. The Concept of Specific Energy in Rock Drilling ［J］. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts， 1965， 2 （1）： 57-73.

[9] VAN ELDERT J， SCHUNNESSON H， SAIANG D， et al. Improved Filtering and Normalizing of Measurement-while-Drilling （MWD） Data in Tunnel Excavation ［J］. Tunnelling and Underground Space Technology， 2020， 103： 103467.

[10] LI H S， LIU S Y， CHANG H H. Experimental Research on the Influence of Working Parameters on the Drilling Efficiency ［J］. Tunnelling and Underground Space Technology， 2020， 95： 103174.

[11] NAVARRO J， SCHUNNESSON H， GHOSH R， et al. Application of Drill-Monitoring for Chargeability Assessment in Sublevel Caving ［J］. International Journal of Rock Mechanics and Mining Sciences， 2019， 119： 180-192.

[12] KIM M S， LEE S S. Investigation of Geological Conditions beyond the Excavation Face Using a MSP Boring Data Monitoring System ［J］. International Journal of Rock Mechanics and Mining Sciences， 2022， 157： 105161.

[13] SONG C H， KWON K B， CHO M G， et al. Development of Lab-Scale Rock Drill Apparatus for Testing Performance of a Drill Bit ［J］. International Journal of Precision Engineering and Manufacturing， 2015， 16 （7）： 1405-1414.

[14] HONER P C， SHERRELL F W. The Application of Air-Flush Rotary Percussion Drilling Techniques in Site Investigation ［J］. Quarterly Journal of Engineering Geology， 1977， 10 （3）： 207-220.

[15] QIN M， WANG K， PAN K， et al. Analysis of Signal Characteristics from Rock Drilling Based on Vibration and Acoustic Sensor Approaches ［J］. Applied Acoustics， 2018， 140： 275-282.

[16] 谭卓英，岳中琦，谭国焕，等. 金刚石钻进能量与花岗岩地层风化程度的关系［J］. 北京科技大学学报，2008，30（4）：339-343.

[17] TAN Zhuoying， YUE Zhongqi， TAN Guohuan， et al. Relationship between Diamond Penetrating Energy and Weathered Degree in Granite Formation ［J］. Chinese Journal of Engineering， 2008， 30 （4）： 339-343. in Chinese

[18] 王玉杰，佘磊，赵宇飞，等.基于数字钻进技术的岩石强度参数测定试验研究［J］.岩土工程学报，2020，42（9）：1659-1668.

[19] WANG Yujie， SHE Lei， ZHAO Yufei， et al. Experimental Study on Measurement of Rock Strength Parameters Based on Digital Drilling Technology ［J］. Chinese Journal of Geotechnical Engineering， 2020， 42 （9）： 1659-1668. in Chinese

[20] 戴剑博，王忠宾，张琰，等. 煤矿井下钻进速度影响因素及其智能预测方法研究［J］. 煤炭科学技术，2024，52（7）：209-221.

[21] DAI Jianbo， WANG Zhongbin， ZHANG Yan， et al. Research on the Influencing Factors for Drilling Rate in Coal Mines and Its Intelligent Prediction Methods ［J］. Coal Science and Technology， 2024， 52 （7）： 209-221. in Chinese

[22] 王杰. 基于钻进参数的煤岩界面识别系统研究［J］. 煤田地质与勘探，2023，51（9）：72-80.

[23] WANG Jie. Research on Coal-Rock Interface Recognition System Based on Drilling Parameters ［J］. Coal Geology & Exploration， 2023， 51 （9）： 72-80. in Chinese

[24] 梁栋才，汤华，吴振君，等. 基于多钻进参数和概率分类方法的地层识别研究［J］. 岩土力学，2022，43（4）：1123-1134.

[25] LIANG Dongcai， TANG Hua， WU Zhenjun， et al. Stratum Identification Based on Multiple Drilling Parameters and Probability Classification ［J］. Rock and Soil Mechanics， 2022， 43 （4）： 1123-1134. in Chinese

[26] 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.

[27] 赵思光，王明年，罗丽菊，等. 基于凿岩台车钻进速度的隧道围岩基本质量指标计算方法［J］. 中国铁道科学，2023，44（2）：83-91.

[28] ZHAO Siguang， WANG Mingnian， LUO Liju， et al. Calculation Method for Basic Quality Index of Tunnel Surrounding Rock Based on Penetration Velocity of Drill Jumbo ［J］. China Railway Science， 2023， 44 （2）： 83-91. in Chinese

[29] 王明年，易文豪，赵思光，等. 基于钻进参数的隧道掌子面围岩单轴抗压强度和弹性模量解析［J］. 中国公路学报，2024， 37（7）：22-34.

[30] WANG Mingnian， YI Wenhao， ZHAO Siguang， et al. Analysis of Uniaxial Compressive Strength and Elasticity Modulus of Tunnel Face Surrounding Rock Based on Drilling Parameters ［J］. China Journal of Highway and Transport， 2024， 37 （7）： 22-34. in Chinese

[31] 王明年，赵思光，童建军，等. 基于炮孔钻进参数的隧道掌子面围岩三维精细化分级方法［J］. 铁道学报，2024，46（10）：163-173.

[32] WANG Mingnian， YI Wenhao， ZHAO Siguang， et al. Three-Dimensional Fine Classification Method for Tunnel Face Surrounding Rock Based on Blasting Hole Drilling Parameters of Drilling Jumbo ［J］. Journal of the China Railway Society， 2024， 46 （10）： 163-173. in Chinese

[33] 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.

[34] 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

[35] MARTIN G C， ULUSAY R. The ISRM Suggested Methods for Rock Characterization， Testing and Monitoring： 2007—2014 ［J］. Bulletin of Engineering Geology and the Environment， 2015， 74 （4）： 1499-1500.

[36] ZHENG H， FENG X T， CHEN Z Y， et al. ISRM Suggested Method for Reporting Rock Laboratory Test Data in Electronic Format ［J］. Rock Mechanics and Rock Engineering， 2014， 47 （1）： 221-254.

[37] 国家铁路局. TB 10003—2016 铁路隧道设计规范 ［S］. 北京：中国铁道出版社，2017.

[38] National Railway Administration of the People's Republic of China. TB 10003—2016 Code for Design of Railway Tunnel ［S］. Beijing： China Railway Publishing House， 2017. in Chinese ）

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

基金资助

国家自然科学基金资助项目(51878567)

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)