基于随钻参数和掌子面图像信息融合的大断面隧道围岩智能分级模型

An Intelligent Classification Model of Surrounding Rock for Large Cross-Section Tunnel Based on the Information Fusion of Drilling Parameters and Tunnel Face Images

摘要

为在施工阶段快速、准确地判识隧道围岩级别，提出一种利用随钻参数和掌子面高清数码图像2类多源异构数据进行信息融合的围岩分级模型。以位于山区的2座钻爆法大断面隧道工程为背景，采集随钻参数和掌子面高清数码图像样本各807份，对2类样本信息进行针对性处理；利用处理后的数据，基于随机森林模型和Inception-v3模型训练，分别建立随钻参数围岩智能分级模型和掌子面高清数码图像围岩智能分级模型；运用信息融合技术对2类数据进行特征融合，构建随钻参数和掌子面高清数码图像信息融合的围岩分级模型；依托背景工程对3种模型进行验证与对比。结果表明：在相同的样本条件下，融合分级模型的性能最好，准确率为94.48%，平均召回率为91.52%，平均精确率为91.13%，平衡F分数为91.20%；通过现场试验进一步对比3种模型在全新样本上的性能表现，融合分级模型准确率达到92.31%，已具有工程应用价值，能够实现对现场各掌子面随钻参数和掌子面图像的自动处理与信息提取，并对围岩级别做出智能判识。

Abstract

To achieve rapid and accurate surrounding rock classification during the construction phase, a surrounding rock classification model was proposed by integrating information of 2 types of multi-source heterogeneous data including drilling parameters and high-definition digital images of the tunnel face. Based on 2 large cross-section tunnel projects with drilling and blasting methods in the mountainous regions, 807 samples of drilling parameters and 807 samples of high-definition digital images of the tunnel face were collected, and information of these 2 types of samples were processed specifically. Using the processed data, based on the training of Random Forest model and an Inception-v3 model, intelligent classification models of surrounding rock based on drilling parameters and high-definition digital images of the tunnel face were established respectively. Information fusion techniques were then applied to integrate the features of these 2 types of data, constructing an information fused surrounding rock classification model based on drilling parameters and high-definition digital images of the tunnel face. The 3 models were validated and compared using data from the background projects. The results indicated that under identical sample conditions, the fused classification model achieved the best performance, with an accuracy of 94.48%, an average recall rate of 91.52%, an average precision of 91.13%, and a balanced F-score of 91.20%. Further field experiments were conducted to evaluate the performance of the 3 models on new samples, where the fused classification model achieved an accuracy of 92.31%, demonstrating its engineering applicability. This model enabled the automatic processing and information extraction of drilling parameters and tunnel face images at each tunnel face in the field, providing intelligent surrounding rock classification.

Graphical abstract

关键词

大断面隧道 / 围岩分级 / 随钻参数 / 掌子面高清数码图像 / 信息融合

Key words

Large cross-section tunnel / Surrounding rock classification / Drilling parameters / High-definition digital image of tunnel face / Information fusion

随着隧道施工技术、智能型施工装备的逐渐成熟，大断面施工方法逐渐应用于隧道工程中^［1-2］。随着断面开挖尺寸的增大，掌子面稳定性问题开始受到国内外研究学者的关注^［3-5］。掌子面的围岩质量不仅会直接影响掌子面稳定性，还会决定掌子面的支护形式。国内在评价掌子面围岩质量时，通常以围岩级别作为围岩质量的综合指标。受断层、密集节理、地层偏压等因素影响，大断面隧道施工过程中掌子面围岩常常揭示出非均一性特征^［6］，因此传统的掌子面围岩质量特征主要依靠地质人员的经验判识，这种方式手段单一、时效性差，判识准确率受技术人员水平的影响。近年来，人工智能技术逐渐成熟，接触式、非接触式的隧道信息采集装备的研制水平不断提升，这些都为全电脑凿岩台车的随钻参数^［7］和掌子面高清数码图像^［8-9］对大断面岩质隧道围岩质量融合判释提供了数据采集和技术开发上的支撑。

通过全电脑凿岩台车的随钻参数获取地质信息属于“接触式测量”技术。早在20世纪60年代，国内外研究学者便开始了对随钻测量技术的研究，以期在钻进过程中建立传感器采集的机器参数与围岩参数之间的映射关系^［10］。起初，国内外研究学者利用超前水平钻孔获取掌子面前方围岩地质信息；随后，随着机器算法在分类、回归问题中表现出良好性能，人们逐渐将机器学习算法引入基于随钻参数的地质信息智能判识过程中。张幼振等^［11］提出了一种基于随钻参数核模糊C均值聚类算法的含煤地层岩性模糊识别方法。Li等^［12］利用随钻参数和集成学习算法建立了岩性识别模型，实现了对砂岩、泥岩、灰岩等3种岩性的智能判识。Zhao等^［13］利用随钻参数和机器学习算法建立了岩石单轴抗压强度回归模型。对于目前已实现实时采集打击压力、回转压力等随钻参数的全电脑凿岩台车^［7］，王明年等^［14-16］先针对冲击-旋转耦合式破岩的凿岩机提出1种基于钻进速度的隧道围岩基本质量指标（BQ）计算方法，而后又提出了长进尺、大断面条件下的围岩三维精细化分级方法。

通过高清数码图像获取地质信息属于“非接触式测量”技术。20世纪50年代以来，人们开始利用电子计算技术处理图像信息^［17］。在隧道工程领域中，早先主要采用阈值分割^［18］、边缘检测^［19］等技术实现结构面信息的提取；近年来，随着深度学习、图神经网络的快速发展，国内外研究学者基于高清数码图像，利用人工智能算法，实现了岩体质量影响因素的快速提取。柳厚祥等^［20］通过深度学习技术提取公路隧道掌子面图片中的围岩分级相关信息，具体包括围岩的节理、裂隙、破碎程度、粗糙程度和光滑程度等。方昱等^［21］针对现阶段围岩分级方法存在的主要问题，提出隧道围岩分级的遗传-支持向量分类方法。凌同华等^［22］结合岩石表面岩性特征信息，提出基于MobileNetV3轻量化网络模型的岩石岩性快速识别方法。韩帅^［23］基于Inception-v3深度卷积神经网络模型，建立了岩石图像集分析的深度学习迁移模型，运用迁移学习方法实现了岩石岩性的自动识别与分类。以上研究表明，利用图像识别技术可快速获取与围岩质量直接相关的地质信息。

随着当下人工智能技术的高速发展，现有研究已经可以通过随钻参数这一接触式测量信息获取围岩岩石坚硬程度、岩体完整程度、围岩力学特性等围岩岩体内部的质量指标；通过掌子面高清数码图像这一非接触式测量信息获取围岩表层的围岩岩性、结构面等信息。随钻参数信息和图像信息2类数据获取的指标虽有不同，但都属于对围岩质量的直接描述。结合2类数据能够对围岩质量进行更加全面、准确的判识，以往的研究并未重视这2类数据的差异和联系，在判识围岩质量时往往只选取其一作为数据源。如何融合随钻参数和掌子面高清数码图像2类数据各自的优势，实现对围岩级别的更准确判识，还有待进一步研究。

以我国西部山区2座典型的钻爆法隧道为工程背景，施工过程中采集得到随钻参数样本和高清数码图像样本各807份，即每1份样本同时具备掌子面高清数码图像、随钻参数和围岩级别共3项主要信息；对采集得到的原始数据进行数据处理，构建大断面岩质隧道随钻参数和掌子面高清数码图像的样本数据库；针对样本库中存储的Ⅲ~Ⅴ级岩质围岩的一般地质情况，利用随钻参数构建基于随机森林算法的围岩智能分级模型（简称“随钻参数分级模型”），利用掌子面高清数码图像构建基于Inception-v3算法的围岩智能分级模型（简称“掌子面图像分级模型”），利用信息融合技术构建随钻参数与掌子面高清数码图像融合的智能分级模型（简称“融合分级模型”）；对比分析3种分级模型的性能，并根据背景工程采集得到的39个全新样本进一步检验围岩分级模型的分级性能。

1 工程概况

以我国西部山区的2座典型钻爆法隧道作为工程背景，所有随钻参数、高清数码图像样本均来源于此。2座隧道全长约34.31 km，沿线山脉纵横，沟谷深切。施工过程中揭示的围岩级别主要是Ⅲ，Ⅳ和Ⅴ级3类，地层岩性主要包括花岗岩、变粒岩、板岩和闪长岩，风化程度为未风化、弱风化和强风化，岩体完整性程度包括较完整、较破碎和破碎。2座隧道工程均以全断面钻爆法施工为主，但隧道围岩质量复杂多变，需要对爆破参数和支护设计参数进行动态调整，这对开挖掌子面的围岩质量判识提出了较高要求。这2座典型钻爆法隧道地质条件概况如图1所示。

2 采集装备及方法

2.1　随钻参数采集

所有凿岩台车随钻参数的采集装备均为国产ZYS113型凿岩台车，其传感器布置如图2所示。该型凿岩台车搭载的凿岩机为法国蒙特贝H110型凿岩机，属于液压型凿岩机。凿岩机采用“冲击+旋转”耦合方式破岩，钻孔破岩过程可拆解为冲击（锤击）、旋转、推进和冲洗4个动作。在凿岩机钻孔过程中，传感器自动记录包括推进压力P_f、打击压力P_h、回转压力P_r、进给速度V_p、水压力P_W和水流量Q_W等6项随钻参数，其中P_W和Q_W与围岩级别无关^［9］，其余4项随钻参数与围岩质量具有较强相关性，其含义见表1。

凿岩台车采用等深度间隔的方式记录随钻参数，即每钻进2 cm记录一次。钻爆法施工一次爆破循环的进尺约为2~3 m，每次循环会布设炮孔200~300个。故在1次循环中，对这一循环的掌子面，凿岩台车能够采集到的随钻参数约有2~5万组。当前掌子面的炮孔施作完成后，凿岩台车以掌子面为单位生成1份随钻参数标准文件，如图3所示。在1个掌子面上采集的全部随钻参数整合即是1个掌子面的随钻参数样本。

2.2　掌子面高清数码图像采集

待现场爆破结束、掌子面扒渣并出渣完成后，采用高清数码相机，开展掌子面的高清数码图像采集工作。采集前，在距离掌子面10~12 m处布置照明范围大、亮度高的移动灯源。采集时，须确保得到的掌子面高清数码图像质量，不仅图像中无机器、人员、爆渣和喷混等遮挡，而且图像应在覆盖隧道轮廓的基础上，再向四周超出隧道轮廓约0.5~1.0 m。现场采集方法示意如图4所示。对1个掌子面，通过计算机程序识别图像的照度，从10张图像中选择照度最高的1张图像作为该掌子面的掌子面高清数码图像样本。

3 数据处理及数据库建立

依托背景工程，采集得到掌子面随钻参数样本和高清数码图像样本各807份，两者在数量上完全一致且一一对应，其中Ⅲ级围岩587份，Ⅳ级围岩97份，Ⅴ级围岩123份。在以这些数据为基础开展围岩智能分级的研究之前，需要对原始数据进行数据处理并进行存储，以方便后续研究的调用。

3.1　数据处理

随钻参数属于数值型数据，掌子面高清数码图像属于图像数据，两者为多源异构数据^［24］。理论上，不开展数据转换，就无法利用已有的机器学习算法训练2类不同的数据，因此首先需对2类数据分别进行处理。

1）随钻参数处理

凿岩台车采集的随钻参数V_p，P_f，P_h和P_r通常包含负值或不可能值的测量误差^［25-27］，相比其他的清洗方法，箱型图法能够快速有效地对这些异常值进行清洗。对采集得到的所有随钻参数进行箱型图法清洗，结果如图5所示。

每个掌子面的随钻参数均包含大量数据点，难以直接用于机器学习。为进一步从大量随钻参数数据点中挖掘得到其所蕴含的围岩地质特征，降低单个随钻参数的数据维度，考虑采用描述数据分布整体水平的均值、四分位数（含中位数），以及描述离散程度的方差或标准差、变异系数等，对随钻参数进行信息的提取。提取出的统计信息即可作为该掌子面的随钻参数特征，构建随钻参数的特征体系，便于后续围岩智能分级的研究。

均值反映了大量随钻参数的集中趋势，计算式为

u_c=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{c}_i}{n}（1）

式中：u_c为目标掌子面的第c项随钻参数均值，c的取值为1，2，3，4；c_i为目标掌子面第c项随钻参数中第i个数据点的数值；n为目标掌子面的数据点总数。

四分位数总结了大量随钻参数的分布情况。将全部数据按大小顺序排列后分成相等的4个部分，处在各分位点的数值就是四分位数。按此定义，将第c项随钻参数的3个四分位数分别用Q_1，c，Q_2，c 和Q_3，c 表示。

标准差为方差开平方，可以描述随钻参数的每个变量与总体平均值之间的差异，计算方法为

{\sigma }_c=\sqrt[]{\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}(c_i-u_c{)}^{\mathrm{2}}}{n}}（2）

式中：{\sigma }_c为目标掌子面的第c项随钻参数的标准差。

变异系数反映随钻参数的离散程度和平均水平大小，计算方法为

c_{v,c}=\frac{{\sigma }_c}{u_c}（3）

式中：c_{v,c}为目标掌子面的第c项随钻参数的变异系数。

以清洗后的随钻参数为基础，以单个掌子面为单位，对包含的所有随钻参数数据点进行数理统计，即可分别统计目标掌子面的4项随钻参数平均值、第一分位数、第二分位数（中位数）、第三分位数，标准差，变异系数等6项统计特征，最终得到共计24项随钻参数统计特征数值。全部随钻参数的24项特征值就构成了随钻参数特征数据集。

2）掌子面图像处理

按前述方法，即可获取质量较好的掌子面图像。然而，采集的图像信息中还有初期支护信息，需使用计算机程序对隧道轮廓进行智能识别，自动剔除非围岩区域的信息。处理后的全部掌子面高清数码图像就构成了掌子面高清数码图像处理后数据集。剔除非围岩区域前后的掌子面高清数码图像如图6所示。

3.2　数据库建立

对采集到的807个掌子面的随钻参数和掌子面高清数码图像，采用MySQL数据库管理软件，构建大断面隧道掌子面的随钻参数和高清数码图像数据库。样本数据库中存储的807个样本的地质条件分布概况见表2。

将随钻参数特征数据集和掌子面高清数码图像处理后数据集与里程信息结合起来构建随钻参数数据表、掌子面高清数码图像数据表，加上掌子面地质素描信息构建的掌子面地质素描数据表，共计3个数据表组成了样本数据库。其中，随钻参数数据表包括4项随钻参数的6类统计参数，共计24项特征数值；掌子面高清数码图像数据表包括掌子面高清数码图像1项数据；断面里程是连接外键，通过断面里程相同这一条件，将随钻参数数据表和掌子面高清数码图像数据表和掌子面地质素描数据表一一匹配起来；围岩级别来源于掌子面地质素描，作为后期模型训练的标签。3个数据表共含有图像字段信息和24项随钻参数特征字段信息、断面里程字段信息和围岩级别字段信息等27个字段信息，由此得到的大断面隧道随钻参数和掌子面高清数码图像样本数据库架构如图7所示。

4 模型构建

为分析信息融合对围岩智能分级模型性能的提升效果，将全部数据划分为训练集和预测集，并对训练集进行过采样处理，对随钻参数的训练集进行标准化处理。在此基础上，使用训练集数据，先在随机森林模型的基础上训练并构建得到随钻参数分级模型，再基于Inception-v3算法构建深度学习模型，训练并构建得到掌子面图像分级模型，最后将两种模型进行融合，构建融合分级模型。为保证3种分级模型性能的可对比性，采用相同的数据集划分方式，即3种模型的训练集、预测集所对应的掌子面完全一致，区别仅在于所使用的数据类型不同。

4.1　随钻参数分级模型构建

以构建的大断面岩质隧道掌子面随钻参数样本和高清数码图像数据库中全部样本作为模型构建所使用的数据集，抽取24项随钻参数字段信息作为输入特征，抽取对应的围岩级别作为标签，对随机森林模型^［28-29］进行训练，构建随钻参数分级模型。

随钻参数分级模型构建主要包括数据集拆分、训练集样本不平衡处理、特征归一化、模型训练及超参数优化、模型评估等5个步骤。其中，数据集拆分时按4∶1的比例将数据集分割为训练集和预测集，训练集用于模型的构建，预测集用于模型性能评估。训练集共包含644个样本，预测集共包含163个样本。随钻参数分级模型数据集拆分详情如见表3。

样本不平衡问题通常通过欠采样、过采样和样本权重调整3种方法来解决^［30］，相比欠采样和权重调整方法，采用ADASYN方法进行过采样处理^［31］能够有效降低样本不平衡的影响，同时保证对信息进行了充分利用。过采样的标准是每个类别的样本数量完全相等。过采样前后训练集的样本量如表4所示。

为消除不同特征之间量纲和数量级差异对模型造成的影响，需要对随钻参数特征进行特征标准化。对于近似满足正态分布的随钻参数而言，将随钻参数特征数据转换为均值为0、标准差为1的分布的标准化手段要比将整体数据缩放到0~1之间的归一化手段合适。特征标准化的计算方法为

x\mathrm{\text{'}}=\frac{x-u}{\sigma }（4）

式中：x和x′分别为任意一组特征数据和标准化特征数据；u为训练集特征数据的平均值；\sigma为训练集特征数据的标准差。

采用贝叶斯优化算法对随机森林算法的决策树深度、最大特征数、最小叶节点数、最小分离样本数、决策树个数等5项超参数进行优化，优化结果见表5。

4.2　掌子面图像分级模型构建

基于构建的大断面岩质隧道掌子面高清数码图像数据库，抽取围岩级别和掌子面高清数码图像，构建掌子面高清数码图像围岩智能分级数据集。利用Inception-v3算法^［32］，搭建一个Inception-v3的深度学习模型，以掌子面高清数码图像为输入特征，围岩级别为输出参数，对Inception-v3模型进行训练，构建掌子面图像分级模型。掌子面图像分级模型构建主要包括数据集拆分、训练集样本不平衡处理、模型训练、模型评估等4个步骤。其中，数据集的拆分比例、样本不平衡处理方法与随钻参数分级模型相同，此处不再赘述。模型训练利用Python开源软件完成。

4.3　融合分级模型

信息融合技术是指对多样化信息来源和不同格式的数据进行搜集与融合，构建全面、精确、实时且高效的集成信息。信息融合技术专注于探究如何优化、融合及协同运用多源信息资源，确保各类信息间能够相互补充，进而实现对某一特定事物或目标的更为全面、更为深刻的认知。信息融合的方法可分为数据级融合、特征级融合和决策级融合3种^［33］。对于原始数据结构不同、数据信息量庞大的随钻参数和掌子面高清数码图像而言，数据级融合的融合难度大，计算成本过高；而决策级融合的精度低于特征级融合。因此，采用特征级融合方法构建融合分级模型，先将随钻参数和掌子面高清数码图像均转换为数值特征，再对数值特征进行合并后训练融合分级模型，具体流程如图8所示。

如图8所示，相比于单一信息输入的围岩分级模型，融合分级模型的特点体现在融合分级数据集的构建上，即抽取随钻参数的24项随钻参数特征，掌子面图像分级模型全连接层结果的3项数值型特征，构建了融合分级数据集。数据集拆分、训练集样本不平衡处理、特征归一化、模型训练及超参数优化、模型评估等5个步骤与随钻参数分级模型构建流程相同。值得说明的是，超参数优化过程中，虽然融合分级模型仍采用了随机森林算法和贝叶斯优化算法，但由于数据集的输入特征不同，导致融合分级模型的超参数贝叶斯优化结果与随钻参数分级模型的超参数优化结果不同。融合分级模型的超参数贝叶斯优化结果见表6。

5 模型性能对比

5.1　不同模型预测集性能

将训练完成的随钻参数分级模型、掌子面图像分级模型和融合分级模型，带入预测集测试模型性能。评价模型性能时，参考文献［34—35］，分别采用精确率、准确率、召回率和平衡F分数（模型精确率和召回率的调和平均值，简称F_{\mathrm{1}}值）等4项指标。模型的准确率A、精确率P、召回率R和F_{\mathrm{1}}值的计算式分别为

A=\frac{T_{\mathrm{P}}+T_{\mathrm{N}}}{T_{\mathrm{P}}+T_{\mathrm{N}}+F_{\mathrm{P}}+F_{\mathrm{N}}}（5）

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}（6）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}（7）

F_{\mathrm{1}}=\frac{\mathrm{2}{T}_{\mathrm{P}}}{\mathrm{2}{T}_{\mathrm{P}}+F_{\mathrm{P}}+F_{\mathrm{N}}}（8）

式中：T_{\mathrm{P}}为真正类的数量，表示样本的真实类别是正类，模型的识别结果也是正类；F_{\mathrm{N}}为假负类的数量，表示样本的真实类别是正类，模型的识别结果是负类；F_{\mathrm{P}}为假正类的数量，表示样本的真实类别是负类，模型的识别结果是正类；T_{\mathrm{N}}为真负类的数量，表示样本的真实类别是负类，模型的识别结果也是负类。

参考文献［32—33］，将精确率、召回率和F_{\mathrm{1}}值这3项指标作为对每一类别样本下模型判识性能的表征，分别对Ⅲ，Ⅳ和Ⅴ级3类样本的3项指标求平均，得到描述模型整体判识性能的平均精确率、平均召回率和平均F_{\mathrm{1}}值。

构建3种模型的预测集混淆矩阵如图9所示。可以看出：对于随钻参数分级模型，准确率为90.18%，平均召回率为85.59%，平均精确率为83.77%，平均F_{\mathrm{1}}值为84.13%；对于掌子面图像分级模型，准确率为82.21%，平均召回率为75.45%，平均精确率为72.31%，平均F_{\mathrm{1}}值为73.14%；对于融合分级模型，准确率为94.48%，平均召回率为91.52%，平均精确率为91.13%，平均F_{\mathrm{1}}值为91.20%；融合分级模型的4项模型性能指标均为最高，这表明对每种围岩级别的样本，融合分级模型的判识精度都是最高的。在围岩分级任务中，融合分级模型要比以随钻参数和掌子面高清数码图像为单一输入的模型性能更优。

为进一步分析融合随钻参数和掌子面高清数码图像对模型性能的提升效果，对比分析2种单一输入参数模型以及融合分级模型在预测集中的模型性能。3种模型的模型性能见表7。

由表7可知：整体来看，融合分级模型相比于随钻参数分级模型，准确率提高了4.30%，平均精确率提高了7.36%，平均召回率提高了5.93%，平均F_{\mathrm{1}}值提高了7.07%；融合分级模型相比于掌子面图像分级模型，准确率提高了12.27%，平均精确率提高了18.82%，平均召回率提高了16.07%，平均F_{\mathrm{1}}值提高了18.06%。

5.2　不同模型预测结果

预测集中，部分样本预测结果及对应掌子面高清数码图像见表8。可以看出：随钻参数分级模型倾向于向围岩质量好的方向预测；掌子面图像分级模型的分类准确率受图像质量影响较大，在图像模糊、光照条件差的情况下准确率较低；而融合分级模型能够融合2种模型的优势，在种模型预测结果不一的情况下得到正确的预测结果，提升模型的整体性能。

5.3　现场验证结果

为进一步检验构建模型的泛化性能，结合背景工程的2座隧道进一步开展现场验证工作。为方便工程应用，搭建1个软件系统平台，将施工装备与围岩智能分级模型联系起来，通过系统平台与搭载图像采集装置的智能凿岩台车，在试验隧道内进行掌子面随钻参数和高清数码图像的自动采集，并调用模型进行围岩级别的智能判识。对共计39个掌子面的随钻参数和掌子面高清数码图像进行采集，并对这些掌子面进行了围岩智能分级。在39个掌子面中真实级别为Ⅲ级的有20个，真实级别为Ⅳ级的有14个，真实级别为Ⅴ级的有5个。在这些掌子面中，有9个掌子面的围岩级别被3种模型中的1种或多种判识错误，判识错误样本的现场围岩级别和模型判识的正误情况见表9。

由表9可知：融合分级模型在39份验证样本上的表现最佳，仅判错3份样本，准确率为92.31%，随钻参数分级模型次之，判错4份样本，准确率为89.74%，掌子面图像分级模型表现相对较差，判错7份样本，准确率为82.05%；融合分级模型融合了随钻参数和图像2类信息的优势，取长补短，能够对围岩级别进行准确判识，但对于2种单一输入参数模型均判识错误的2份样本，融合分级模型同样判识错误。虽然融合分级模型仍不能实现对围岩级别的百分百准确判识，但其对围岩分级性能已能够用于工程应用，基于大量数据对钻爆法隧道的围岩质量进行智能判识，为后来工序提供数据支撑。

将3种围岩智能分级模型与软件系统平台相结合，能够对实际工程中每一个掌子面的随钻参数原始样本和掌子面图像原始样本进行数据处理，通过自动地提取数万个随钻参数数据点的24项特征数值并剔除掌子面高清数码图像中的非围岩区域，可以对输入样本进行信息提取与总结，从而实现施工阶段对围岩级别的精准判识。判识得到的围岩智能分级结果能够为隧道施工的爆破参数设计、支护参数设计提供数据支持。

6 结语

利用随钻参数和掌子面高清数码图像，实现对施工阶段隧道围岩级别的智能判识。首先，依托我国西部山区2座钻爆法大断面隧道工程，采集得到807个掌子面的随钻参数和掌子面高清数码图像。其次，分别对2类数据进行处理并构建数据库，对随钻参数原始数据进行清洗和数理统计，获得24项统计特征数值；对掌子面高清数码图像原始数据进行非围岩区域的剔除，自动识别照度最高的1张图像作为该掌子面的图像样本；利用2种多源异构数据，采用MySQL数据库管理软件进行存储。然后，构建分级模型，使用随钻参数特征数据集，在随机森林模型的基础上训练并构建得到随钻参数分级模型；使用掌子面高清数码图像处理后的数据集，基于Inception-v3算法构建深度学习模型，再训练并构建得到掌子面图像分级模型；利用信息融合技术，对随钻参数和掌子面数码图像的数值特征进行融合，构建得到融合分级模型。最后，依托背景工程进行验证，先通过预测集发现融合分级模型的准确率比随钻参数分级模型的提高4.30%，比掌子面图像分级模型的提高12.27%；再开展现场验证，进一步采集并判识39个掌子面的相关数据，发现随钻参数分级模型、掌子面图像分级模型和融合分级模型的准确率分别为89.74%，82.05%和92.31%。融合分级模型通过对随钻参数和图像2类数据的处理及特征提取，实现了信息融合，能够取长补短地对围岩级别做出更准确的判识。在具体实践中，该融合分级模型结合具备随钻参数和掌子面图像自动采集、传输功能的智能施工机械，可以实现对施工现场的围岩级别智能判识，为爆破参数设计、支护参数设计等工作提供高质量的数据支持。

依托背景工程采集到的样本数据只包含3种围岩级别，从进一步提升该融合分级模型的泛化性和工程适用性的角度，还需要继续扩充样本的数量，更多地采集少数类的样本，从根源上解决样本不均衡的问题。同时，后续还可以尝试对更多相关数据进行融合处理的方法，实现更智能、更准确的围岩分级，如，进一步探索利用地质勘察阶段的地质信息和超前地质预报的地质信息为围岩分级提供信息支撑的可行方法等。

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， ZHAO 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.

[4] 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

[5] ZHANG X， WANG M N， LI J W， et al. Safety Factor Analysis of a Tunnel Face with an Unsupported Span in Cohesive-Frictional Soils ［J］. Computers and Geotechnics， 2020， 117： 103221.

[6] 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.

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

[8] ZHANG X， WANG M N， WANG Z L， et al. A Limit Equilibrium Model for the Reinforced Face Stability Analysis of a Shallow Tunnel in Cohesive-Frictional Soils ［J］. Tunnelling and Underground Space Technology， 2020， 105： 103562.

[9] 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.

[10] 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

[11] 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.

[12] 王洋，王述红，郭牡丹，等.隧道掌子面节理信息快速数字识别及稳定性分析［J］.岩土工程学报，2011，33（11）：1734-1739.

[13] WANG Yang， WANG Shuhong， GUO Mudan， et al. Fast Digital Identification of Joint Information of Tunnel Work Face and Its Stability Analysis ［J］. Chinese Journal of Geotechnical Engineering， 2011， 33 （11）： 1734-1739. in Chinese

[14] 冷彪，张毅，杨辉，等.隧道掌子面岩体裂隙快速识别方法［J］.西南交通大学学报，2021，56（2）：246-252，322.

[15] LENG Biao， ZHANG Yi， YANG Hui， et al. Rapid Recognition of Rock Mass Fractures in Tunnel Faces ［J］. Journal of Southwest Jiaotong University， 2021， 56 （2）： 246-252， 322. in Chinese

[16] 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.

[17] 张幼振，张宁，邵俊杰，等.基于钻进参数聚类的含煤地层岩性模糊识别［J］.煤炭学报，2019，44（8）：2328-2335.

[18] ZHANG Youzhen， ZHANG Ning， SHAO Junjie， et al. Fuzzy Identification of Coal-Bearing Strata Lithology Based on Drilling Parameter Clustering ［J］. Journal of China Coal Society， 2019， 44 （8）： 2328-2335. in Chinese

[19] LI Q F， PENG C， FU J H， et al. A Comprehensive Machine Learning Model for Lithology Identification while Drilling ［J］. Geoenergy Science and Engineering， 2023， 231： 212333.

[20] ZHAO R J， SHI S S， LI S C， et al. Deep Learning for Intelligent Prediction of Rock Strength by Adopting Measurement while Drilling Data ［J］. International Journal of Geomechanics， 2023， 23 （4）： 04023028.

[21] 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.

[22] 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

[23] 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.

[24] WANG Mingnian， ZHAO Siguang， TONG Jianjun， 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

[25] 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.

[26] 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

[27] 冷彪.基于数码成像的隧道掌子面地质信息系统研究［D］.成都：西南交通大学，2009.

[28] LENG Biao. Research on Tunnel Face Geology Information System Based on Digital Image ［D］. Chengdu： Southwest Jiaotong University， 2009. in Chinese

[29] 尹冠生，高建国，史明辉，等.图像分块下的隧道裂缝识别方法［J］.交通运输工程学报，2022，22（2）：148-159.

[30] YIN Guansheng， GAO Jianguo， SHI Minghui， et al. Tunnel Crack Recognition Method under Image Block ［J］. Journal of Traffic and Transportation Engineering， 2022， 22 （2）： 148-159. in Chinese

[31] 刘学增，叶康.隧道衬砌裂缝的远距离图像测量技术［J］.同济大学学报：自然科学版，2012，40（6）：829-836.

[32] LIU Xuezeng， YE Kang. A Long-Distance Image Measuring Technique for Crack on Tunnel Lining ［J］. Journal of Tongji University （Natural Science）， 2012， 40 （6）： 829-836. in Chinese

[33] 柳厚祥，李汪石，查焕奕，等.基于深度学习技术的公路隧道围岩分级方法［J］.岩土工程学报，2018，40（10）：1809-1817.

[34] LIU Houxiang， LI Wangshi， ZHA Huanyi， et al. Method for Surrounding Rock Mass Classification of Highway Tunnels Based on Deep Learning Technology ［J］. Chinese Journal of Geotechnical Engineering， 2018， 40 （10）： 1809-1817. in Chinese

[35] 方昱，刘保国，刘开云.隧道围岩分级的遗传-支持向量分类耦合模型［J］.铁道学报，2013，35（1）：108-114.

[36] FANG Yu， LIU Baoguo， LIU Kaiyun. Tunnel Surrounding Rock Grading Model Based on Genetic-Support Vector Classification Coupling Algorithm ［J］. Journal of the China Railway Society， 2013， 35 （1）： 108-114. in Chinese

[37] 凌同华，陈梓浓，张胜，等.岩石岩性轻量化网络识别方法及其隧道工程应用［J］.铁道科学与工程学报，2023，20（9）：3604-3615.

[38] LING Tonghua， CHEN Zinong， ZHANG Sheng， et al. Lightweight Network Identification Method of Rock Lithology and Its Application in Tunnel Engineering ［J］. Journal of Railway Science and Engineering， 2023， 20 （9）： 3604-3615. in Chinese

[39] 张野，李明超，韩帅.基于岩石图像深度学习的岩性自动识别与分类方法［J］.岩石学报，2018，34（2）：333-342.

[40] ZHANG Ye， LI Mingchao， HAN Shuai. Automatic Identification and Classification in Lithology Based on Deep Learning in Rock Images ［J］. Acta Petrologica Sinica， 2018， 34 （2）： 333-342. in Chinese

[41] 田四明，吴克非，王志伟，等.中国铁路隧道智能化建造实现路径探讨［J］.铁道学报，2022，44（1）：134-142.

[42] TIAN Siming， WU Kefei， WANG Zhiwei， et al. Development Status and Implementation Path Analysis on Intelligent Construction of Mountain Tunnels in China ［J］. Journal of the China Railway Society， 2022， 44 （1）： 134-142. in Chinese

[43] NAVARRO J， SANCHIDRIÁN J A， SEGARRA P， et al. Detection of Potential Overbreak Zones in Tunnel Blasting from MWD Data ［J］. Tunnelling and Underground Space Technology Incorporating Trenchless Technology Research， 2018， 82： 504-516.

[44] GHOSH R， DANIELSSON M， GUSTAFSON A， et al. Assessment of Rock Mass Quality Using Drill Monitoring Technique for Hydraulic ITH Drills ［J］. International Journal of Mining and Mineral Engineering， 2017， 8 （3）： 169-186.

[45] 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.

[46] BREIMAN L. Random Forests： Random Features ［J］. Machine Learning， 2001， 45 （1）： 5-32.

[47] 宋述芳，何入洋.基于随机森林的重要性测度指标体系［J］.国防科技大学学报，2021，43（2）：25-32.

[48] SONG Shufang， HE Ruyang. Importance Measure Index System Based on Random Forest ［J］. Journal of National University of Defense Technology， 2021， 43 （2）： 25-32. in Chinese

[49] 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.

[50] PAN X Y， JIA R， HUANG J H， et al. A Resistance Outlier Sampling Algorithm for Imbalanced Data Prediction ［J］. Intelligent Data Analysis， 26 （3）： 583-598.

[51] JAHANDAD， SAM S M， KAMARDIN K， et al. Offline Signature Verification Using Deep Learning Convolutional Neural Network （CNN） Architectures GoogLeNet Inception-V1 and Inception-V3 ［J］. Procedia Computer Science， 2019， 161： 475-483.

[52] 李洋，赵鸣，徐梦瑶，等.多源信息融合技术研究综述［J］.智能计算机与应用，2019，9（5）：186-189.

[53] LI Yang， ZHAO Ming， XU Mengyao， et al. A Survey of Research on Multi-Source Information Fusion Technology ［J］. Intelligent Computer and Applications， 2019， 9 （5）： 186-189. in Chinese

[54] 王中天，许敏怡，尤东方，等.随机森林与深度森林的分类性能对比［J］.中国卫生统计，2023，40（3）：349-353.

[55] WANG Zhongtian， XU Minyi， YOU Dongfang， et al. Comparison on Classification Performance between Random Forest and Deep Forest ［J］. Chinese Journal of Health Statistics， 2023， 40 （3）： 349-353. in Chinese

[56] 汤志立，徐千军.基于9种机器学习算法的岩爆预测研究［J］.岩石力学与工程学报，2020，39（4）：773-781.

[57] TANG Zhili， XU Qianjun. Rockburst Prediction Based on Nine Machine Learning Algorithms ［J］. Chinese Journal of Rock Mechanics and Engineering， 2020， 39 （4）： 773-781. in Chinese

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重大课题(K2020G035)

中国国家铁路集团有限公司科技研究开发计划重大课题(K2021G024)