基于综合超前地质预报的岩溶溶洞涌水突泥规模预测方法

A Prediction Method for Scale of Karst Cave Water Inrush and Mud Outburst Based on Comprehensive Advanced Geological Prediction

摘要

为了提高隧道施工穿越岩溶溶洞时涌水突泥灾害预测预报的准确性，该文提出了先行预报岩溶溶洞不良地质条件，随后预测涌水突泥地质灾害的方法。首先，基于多项式朴素贝叶斯算法，建立岩溶溶洞超前预报模型，预报岩溶溶洞规模等级；其次，将岩溶溶洞规模预报结果作为涌水突泥的输入条件，建立了基于遗传算法（GA）的支持向量机（SVM）岩溶溶洞涌水突泥等级预测模型。将随机种子视为一个可优化的超参数，通过调整数据划分时的随机种子，可提高机器学习模型的整体训练效果；采用预测填充法——K最近邻算法和SMOTE算法生成合成样本进行样本缺失值填充和解决样本不均衡问题。将GA‑SVM模型与SVM、GS‑SVM、IPOS‑SVM 3种模型比较，发现GA‑SVM模型预测的整体准确率最高。模型测试表明：岩溶溶洞综合超前预报模型准确率为81.25%，涌水突泥等级预测模型准确率为91.67%。经多个隧道应用表明效果良好，研究成果为隧道岩溶溶洞涌水突泥预测预报提供了一种新方法。

Abstract

To improve the accuracy of water inrush and mud outburst disaster prediction during tunnel construction through karst caves, a method of first forecasting the unfavorable geological conditions of karst caves and subsequently predicting water inrush and mud outburst geological disasters was proposed in this paper. First, a karst cave advanced prediction model based on the polynomial naive Bayes algorithm was established to predict the scale grade of karst caves. Secondly, taking the scale prediction results of karst caves as the input condition for water inrush and mud outburst, a support vector machine (SVM) grade prediction model for karst cave water inrush and mud outburst based on the genetic algorithm (GA) was established. The random seed was regarded as an optimizable hyperparameter, and the overall training effect of machine learning models could be improved by adjusting the random seed during data partitioning; the prediction imputation methods, namely the K-nearest neighbor algorithm and SMOTE algorithm, were adopted to generate synthetic samples to fill in missing sample values and solve the problem of sample imbalance. By comparing the GA-SVM model with three models (SVM, GS-SVM, and IPOS-SVM), the results indicate that the overall prediction accuracy of the GA-SVM model is the highest. Model testing demonstrates that the accuracy of the comprehensive advanced prediction model for karst caves is 81.25%, and the accuracy of the grade prediction model for water inrush and mud outburst is 91.67%. Applications in multiple tunnels indicate good effects, and the research results provide a new method for the prediction of water inrush and mud outburst in tunnel karst caves.

Graphical abstract

0 引言

隧道建设过程中，当穿过岩溶洞穴发育的区域时，容易发生涌水突泥现象，对隧道的施工危害极大，因此提前识别隧道施工安全隐患，对减少人员伤亡和工程经济损失具有重要的现实意义。

岩溶溶洞涌水突泥等级预测是防治涌水突泥灾害的有效措施之一。国内外学者采用了一系列理论和方法对隧道施工期的岩溶溶洞涌水突泥灾害进行预测，大多数预测方法是综合考虑多个影响指标对岩溶溶洞涌水突泥灾害进行研究。李术才等^［1］以岩溶溶洞为不良地质条件，综合超前地质预报方法，提出了隧道涌水突泥四色预警机制；张庆松等^［2］综合考虑岩组岩性、地质构造、地下水位和预计涌水量等因素，对隧道岩溶溶洞涌水突泥的风险进行了分级评价；李利平等^［3］基于岩溶溶洞不良地质条件建立模糊层次理论隧道涌突水等级预测模型；白明洲等^［4］提出了基于岩溶溶洞形成条件、超前水平钻探和地质雷达相结合的岩溶隧道涌水突泥超前预测方法；韩琳等^［5］通过对隧道涌水突泥机理及影响因数分析，对涌水突泥进行了风险分级；毛邦燕^［6］分析了现代深部岩溶发育条件，选取多个指标构建预测指标体系，建立了基于层次分析法（Analytical Hierarchy Process，AHP）的涌水突泥危险性分级预测模型；朱珍等^［7］采用加权平均方法建立了隧道突涌水风险评估分析模型；徐钟等^［8］基于风险评价理论建立了岩溶隧道涌水突泥发生的风险综合评价模型；翁其能等^［9］基于层次分析法和模糊综合评价法建立了隧道涌水突泥风险评价模型；杨艳娜^［10］选取岩石的可溶性、构造条件、地表汇水条件、水循环运移特征和地下水位5个预测指标，采用多元统计的方法建立了各指标与涌水突泥概率之间的普遍方程；Li等^［11］从岩溶工程地质、水文地质和施工因素三个方面选取了12个影响因素构建岩溶隧道涌水突泥风险预测指标体系，采用置信区间对涌水突泥风险等级进行预测；Li等^［12］基于可靠性理论计算涌水突泥的概率和遗传算法‒反向传播神经网络（GA-BPNN）预测涌水突泥灾害的后果，建立了综合涌水突泥概率和后果的定量预测模型。

综上所述，现有研究大多只能判断岩溶溶洞不良地质条件存在与否，难以对其规模进行预报；对岩溶溶洞涌水突泥的预测停留在以灾害发生的概率或风险等级为主，很少对岩溶溶洞涌水突泥规模预测的研究；对岩溶溶洞不良地质条件与涌水突泥地质灾害之间的关联研究不足，缺乏基于岩溶溶洞不良地质条件预报结果的方法，对涌水突泥地质灾害进行预测。

本文提出“先行预报岩溶溶洞规模等级，随后预测岩溶溶洞涌水突泥”的方法。首先，基于超前地质预报方法构建岩溶溶洞不良地质条件的综合预报指标体系，提出基于多项式朴素贝叶斯的岩溶溶洞综合超前预报方法；其次，将岩溶溶洞规模预报结果作为涌水突泥的输入条件，从地质因素和水的因素构建岩溶溶洞涌水突泥等级预测指标体系，提出基于遗传算法的支持向量机（Genetic Algorithm-Support Vector Machine，GA-SVM）岩溶溶洞涌水突泥等级预测模型，并将该模型应用于实际工程。

1 岩溶溶洞预报模型

1.1 综合预报指标体系

结合地质分析预报法和超前物探预报法，综合考虑诱发岩溶溶洞发育的基本条件，选取地质类指标和物探类指标对岩溶溶洞规模等级进行判别，如图1所示。

（1） 地层岩性。不同岩性的岩石对地下水的溶解作用和溶洞的形成有不同的响应，而岩石的可溶性则是影响溶洞发育的根本因素。依据岩性特性，将地层岩性划为非碳酸盐岩地层（如花岗岩、砂岩）、不纯碳酸盐岩或碎屑岩地层（如泥灰岩、白云质灰岩）、纯碳酸盐岩与不纯碳酸盐岩交替组成的互层状地层（如白云岩化灰岩、碎屑灰岩）、纯碳酸盐岩地层（如灰岩、白云岩）。

（2） 地下水出水状态。在岩溶区域，围岩内地下水的出水状态与岩溶溶洞的发育规模息息相关，是溶洞形成与演化过程中不可忽视的关键要素。参考《工程岩体分级标准》（GB 50218—2014），地下水的出水状态可系统地划分为以下四类：干燥、潮湿、淋雨状出水与涌流状出水。

（3） 临近前兆。施工过程中出现的异常现象是溶洞临近的直观信号。岩溶溶洞临近前兆现象主要有：① 裂隙、溶隙间出现较多的铁染锈或黏土；② 岩层明显湿化、软化，或出现淋水现象；③ 小溶洞出现的频率增加，且多有水流、河砂或水流痕迹；④ 有哗哗的流水声。根据文献资料^［13］和实际工程案例调查，将岩溶溶洞临近前兆分为4个等级，如表1所示。

（4） 钻探异常。超前水平钻探是直接揭露溶洞空间位置、规模和填充状态的关键手段，同时可以预报掌子面前方是否存在岩溶溶洞。岩溶溶洞钻探异常表现有：① 钻进速度突然增大；② 钻孔中涌水量剧增，且夹有泥砂或小砾石或钻孔中有凉风冒出。结合文献资料^［14］，钻探异常指标分级可参考临近前兆指标分级。

（5） TSP法指标。TSP法可以预报掌子面前方是否存在岩溶溶洞及其具体位置。TSP法对岩溶溶洞的解译特征有：纵、横波波速明显下降，纵、横波波速比v_P/v_S与泊松比μ出现骤然上升趋势，杨氏模量E出现下降趋势。

选取Δ（v_P/v_S）为TSP法的分级参数，根据笔者团队积累的案例（146个），采用等频离散法将数据分为4个包含相同数量的区间。参考文献［15］，结合TSP法解译结果二分类（是与否），将TSP法指标分为4个等级，如表2所示。

（6） GPR法指标。GPR法可以预报掌子面前方是否存在岩溶溶洞及其空间分布。GPR法对岩溶溶洞的解译特征有：岩溶空腔振幅较弱至中等；频率为较均匀中频，边界处存在少量高频反射；波形分布较均匀，同相轴延续性较好。含水溶洞振幅强度为较强；频率主要为较均匀低频，边界处存在少量高频反射；波形分布较均匀，同相轴延续性较好。

选取同相轴长度参数作为GPR法分级标准。根据笔者团队积累的案例（137个），结合文献［16］，参考TSP法指标分级，将GPR法指标分为4个等级，如表3所示。

岩溶溶洞规模是岩溶溶洞基本参数，也是分析岩溶溶洞大小以及含水状况的关键指标。参考胡居义等^［17］的研究成果，提出了一种以溶洞洞径或洞径比（溶洞洞径与隧道开挖洞径之比）和溶洞内是否含水为依据的岩溶溶洞规模分级方案，如表4所示。

1.2 数据整理与指标相关性分析

基于1.1节的岩溶溶洞综合预报指标体系分级标准，结合笔者团队近年来积累的隧道工程案例，共收集包括鹧鸪山隧道、米仓山隧道、药王谷隧道、九皇山隧道等多个隧道岩溶溶洞样本159个，数据库覆盖范围广泛，具有一定普适性，典型样本如表5所示。

为了量化分析岩溶溶洞等级与预测指标之间的相关性，采用最大信息系数理论（Maximal Information Coefficient，MIC），进行相关性系数分析，结果如图2所示。由图2可见：两两预报指标之间的相关性系数基本小于0.6。根据Fan等^［18］研究，当两个指标之间的相关性系数绝对值小于0.6时，则认为两个指标相互独立，可以同时保留在模型中。

岩溶溶洞规模与钻探异常之间最大的MIC相关

性系数为0.66，表明岩溶溶洞规模与钻探异常之间呈现较强的非线性关系。岩溶溶洞规模与GPR法、地下水出水状态、TSP法之间的MIC相关性系数为0.35~0.55，存在一定的非线性关系；与临近前兆、地层岩性之间的非线性关系最弱。

1.3 MNB岩溶溶洞预测模型构建

（1） 综合超前预报模型建立

朴素贝叶斯方法（Categorical Naive Bayes，NB）是一种基于贝叶斯定理的有监督学习算法^［19］。多项式朴素贝叶斯（Multinomial Naïve Bayes，简称MNB）是经典朴素贝叶斯的一种变体，假设每个特征在每个类别都符合多项式分布，适合离散特征。每个类别y的条件概率P(x_i|y)通过平滑的最大似然估计得到：

\widehat{y}=\mathrm{a}\mathrm{r}\mathrm{g}\underset{y}{\mathrm{m}\mathrm{a}\mathrm{x}}P(y){\displaystyle \prod _{i=\mathrm{1}}^n}P(x_i|y)（1）

\widehat{P}(x_i|y)=\frac{N_{x_i,y}+\alpha }{N_y+\alpha n}（2）

式中：\widehat{y}为模型最终输出的岩溶溶洞等级预测结果；P（y）为溶洞等级y的先验概率；n为模型输入的预报指标总数量；x_i 为第i个预报指标的实际观测值；P(x_i|y)为当溶洞等级为y时，观测到第i个预报指标x_i 的概率；N_{x_i,y}为在等级为y的所有溶洞样本中，第i个指标取当前观测值x_i 的样本数量；α为平滑系数，是为了处理训练样本中未出现的特征而引入的，以避免计算结果出现零概率。当\alpha =\mathrm{1}时，称为拉普拉斯平滑，称为Lidstone平滑。

根据多项式朴素贝叶斯基本原理，本文建立了基于MNB的岩溶溶洞综合超前预报模型。预报模型实现具体步骤如下：① 数据收集。以1.1节岩溶溶洞综合预报指标作为模型的输入，以岩溶溶洞规模等级作为模型输出；② 数据预处理。对样本数据进行独热编码，转换为适合机器学习算法处理的格式；③ 数据集划分。按照8∶2的比例将数据集分为训练集和测试集，采用分层抽样以保持类别比例一致；④模型训练。设置参数\alpha的寻优范围为［0，1］，步长为1×10^-4，同时，将划分数据的随机种子视为可优化的超参数，寻优范围为［0，100］，步长为1；⑤最优模型确定。采用10折交叉验证对模型预测准确率进行评估，选取预测准确率最高的模型为最优模型。

岩溶溶洞综合超前预报模型在默认随机种子和经过参数寻优后的最佳随机种子的准确率对比结果如表6所示。由表6可知：岩溶溶洞模型在最佳随机种子的情况下，测试集准确率提高了6.25个百分点。

（2） 预报结果分析

将已经划分的测试集对训练好的模型进行测试。岩溶溶洞综合超前预报模型测试集的混淆矩阵见图3，相应的评估指标结果如表7所示。

由图3可知：岩溶溶洞的测试集样本数量为32个，其中有26个样本被正确预报，6个样本预报错误。模型的测试集准确率为81.25%（表7）。综合超前预报岩溶溶洞各等级类别的精确度、召回率和F₁分数（精确度和召回率的加权调和平均数）均高于0.60，其中，Ⅰ级和Ⅱ级评估指标分值大于Ⅲ级和Ⅳ级。

2 岩溶溶洞涌水突泥等级预测模型

2.1 涌水突泥等级预测指标体系

基于“先行预报岩溶溶洞，随后预测岩溶溶洞涌水突泥”的总体研究思路，将前文预报的岩溶溶洞规模作为涌水突泥等级预测模型的输入之一。在此基础上，从地质因素和水的因素选取指标构建涌水突泥等级预测指标体系。地质因素选取了岩溶溶洞规模、岩层倾角两个指标；水的因素选取了水动力分带、地下水发育程度和地表水补给情况3个指标。具体说明如下：

（1） 岩溶溶洞规模。岩溶溶洞规模表征岩溶溶洞在空间大小、复杂程度、发育程度等多方面的特征，是衡量岩溶溶洞整体状况的重要指标。岩溶溶洞规模参考胡居义等^［17］成果，提出一种以溶洞洞径或洞径比进行判定的方法，可划分为洞径≤6 m或洞径比≤1/2（Ⅰ级）、洞径>6 m或洞径比>1/2（Ⅱ级）。

（2）岩层倾角。岩层倾角是指岩层层面与水平面的夹角，它是描述岩层在空间中倾斜程度的一个参数，渗流方向与岩层面夹角对岩溶发育有一定影响。结合文献统计^［10-20］，其分级标准为>60°（Ⅰ级）、45°~60°（Ⅱ级）、30°~45°（Ⅲ级）、≤30°（Ⅳ级）。

（3）水动力分带。指在水体环境里，因水流速度、方向、波浪作用等水动力条件的差异，水体不同区域呈现出不同的物理、化学和生物特性，进而形成特征明显的不同带状区域。根据杨艳娜^［10］对西南地区110个岩溶涌水突泥灾害点的统计，岩溶水动力分带可划分为垂直渗流带（Ⅰ级）、季节变动带（Ⅱ级）、水平径流带（Ⅲ级）和深部缓流带（Ⅳ级）。

（4）地下水发育状态。地下水发育程度直接决定涌水突泥的规模，地下水发育程度高，涌水突泥的规模就大；反之，涌水突泥的规模就小。

由于本文收集大多数案例对地下水发育程度仅涉及定性表述，因此，结合文献统计^［17］，本文采用定性描述对地下水发育程度进行分级，其分级标准为：地下水贫乏（Ⅰ级）、地下水较发育（Ⅱ级）、地下水发育（Ⅲ级）、地下水较丰富（Ⅳ级）、地下水丰富（Ⅴ级）。

（5）地表水补给情况。地表水补给量增加，导致地下水位上升，增加涌水突泥发生概率。地表水补给情况主要来源于降雨和地表水系两种途径。由于本文收集的涌水突泥案例对地表水补给情况的记录不统一，因此，结合文献统计^［10］，本文采用定性描述对地表水补给情况进行分级。其分级标准可参照地下水发育分级标准。

涌水突泥分级标准参考《公路隧道超前地质预报技术规程》（DB45/T 2525—2022）（表8）。

2.2 数据预处理与分析

根据笔者团队参与的工程案例和文献收集，共收集岩溶溶洞涌水突泥样本48个，表9为部分样本案例。

部分样本指标具有缺失值问题，会对预测准确率有一定影响。对于样本指标缺失值，采用预测填充法——K最近邻算法^［22］（KNN）填充。岩溶溶洞涌水突泥样本48个，分布极其不均衡。其中，Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级的样本数量分别为3、8、29、8。对于样本不均衡问题，采用SMOTE算法^［23］合成新的少数样本来扩大数据集，最终样本数量由原来的48个增加至116个。SMOTE算法合成新样本的公式如下：

x_{\mathrm{n}\mathrm{e}\mathrm{w}}=x_i+\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{d}(\mathrm{0,1})\times (\tilde{x}-x_i)（3）

式中：x_{\mathrm{n}\mathrm{e}\mathrm{w}}为新合成的少数类样本；\tilde{x}为第k个近邻样本；x_i为少数类样本；rand（0，1）为（0，1）的随机数。

岩溶溶洞涌水突泥数据分布特征图见图4。可以看出：各个等级均有分布，说明本文建立的涌水突泥样本数据库覆盖范围广泛，具有一定的普适性。

岩溶溶洞涌水突泥的MIC相关性分析结果见图5。涌水突泥等级与地表水补给情况存在最大的MIC相关性系数，为0.27，表明涌水突泥等级与地表水补给情况之间存在最强的非线性关系，与岩溶溶洞规模、水动力分带、岩层倾角、地下水发育程度的MIC相关性系数为0.12~0.21，存在一定的非线性关系。此外，两两预报指标之间的相关性系数均小于0.6。根据Fan等^［18］的研究成果，当两个指标之间的相关性系数绝对值小于0.6时，则认为两个指标相互独立，可以同时保留在模型中。

2.3 GA-SVM岩溶溶洞涌水突泥预测模型构建

（1） 预测模型建立

支持向量机（SVM）是由Cortes等^［24］于1995年提出的一种有监督学习算法。SVM的核心思想是构建一个能够对数据进行最优划分的超平面，使不同类别的数据点能够被清晰地分开。

对于线性可分的数据来说，给定训练样本D=｛（ x₁，y₁），（ x₂，y₂），…，（ x_m，y_m ）｝，y_i\in｛-1，+1｝，m为样本的个数， x\inRⁿ，n为样本的维度。超平面的表达式为：

{\mathit{w}}^{\mathrm{T}}\mathit{x}+b=\mathrm{0}（4）

式中： w 为法向量；b为偏置。

样本空间中任意点 x 到超平面的距离为：

r=\frac{|{\mathit{w}}^{\mathrm{T}}\mathit{x}+b|}{||\mathit{w}||}（5）

如果超平面能够将训练样本正确分类，即对于（ x_i， y_i ）\inD，满足下列分类条件：

\left\{\begin{array}{l}{\mathit{w}}^{\mathrm{T}}{\mathit{x}}_i+b\ge +\mathrm{1},y_i=+\mathrm{1}\\ {\mathit{w}}^{\mathrm{T}}{\mathit{x}}_i+b\le -\mathrm{1},y_i=-\mathrm{1}\end{array}\right.（6）

遗传算法（Genetic Algorithm，GA）是一种受达尔文进化论思想启发的启发式搜索算法^［25］。它模拟了自然界中生物进化的选择、交叉和变异等机制，通过不断迭代优化种群中的个体，逐渐收敛于最优解。遗传算法实现的具体步骤如下：① 初始化种群。随机生成一个包含多个个体的初始种群；② 评估适应度。根据问题定义的适应度函数评估每个个体的适应度；③ 选择操作。根据适应度选择部分个体作为父代；④ 交叉操作。选取父代个体进行交叉操作，产生新的子代个体；⑤ 变异操作。对子代进行变异操作，引入新的基因组合，增加种群的多样性；⑥ 替换操作。用新产生的子代替换原种群中适应度较差的个体；⑦ 重复迭代，直至满足停止条件（如最大迭代次数、目标函数收敛）。

根据SVM基本原理，本文采用遗传算法（GA）对SVM进行超参数优化，建立了基于GA-SVM涌水突泥规模等级预测模型。预测模型实现的具体步骤如下：① 数据收集。以2.1节岩溶溶洞涌水突泥预测指标作为模型的输入，以涌水突泥等级作为模型输出；② 数据预处理。对样本数据进行独热编码，转换为适合机器学习算法处理的格式；③ 数据集划分。按照8∶2的比例将数据集分为训练集和测试集，采用分层抽样以保持类别比例一致；④ 模型训练。选择径向基核函数（RBF）作为支持向量机（SVM）的核函数，对惩罚系数C和径向基核函数参数\gamma两种超参数采用遗传算法（GA）进行优化，设置遗传算法的寻优范围为C=［0.1，100］，\gamma =［0.000 1，10］，种群规模、最大迭代次数、变异概率和交叉概率参数分别为100、100、0.1、0.8，设置划分数据的随机种子的寻优范围为［0，100］，步长为1；⑤ 最优模型确定。采用10折交叉验证对模型预测准确率进行评估，选取预测准确率最高的模型为最优模型。

导入2.2节建立的样本数据库，按照预测模型具体步骤进行训练，在超参数优化过程中，岩溶溶洞涌水突泥GA-SVM模型的最佳随机种子为78，参数寻优变化曲线如图6所示。岩溶溶洞涌水突泥GA-SVM模型随着迭代次数的增加，种群开始逐渐收敛。在第68次迭代时，最优个体出现，模型的最佳超参数组合为（0.717 9，0.662 1），训练集10折交叉验证的最佳准确率为94.56%。

（2） 预测结果分析

岩溶溶洞涌水突泥的GA-SVM模型测试集的混淆矩阵如图7所示，相应的评估指标结果如表10所示。

由表10可知：岩溶溶洞涌水突泥GA-SVM模型测试集的准确率均为91.67%，且没有出现越级错误的情况。岩溶溶洞涌水突泥GA-SVM模型测试集的加权平均精确度、召回率和F₁分数均高于0.92（表10），说明模型的预测效果良好。同时经过超参数优化后，模型具有良好的泛化性和鲁棒性。

（3） 预测效果对比

为进一步验证GA-SVM模型在岩溶溶洞涌水突泥等级预测中的优越性，将116组样本应用于SVM、网络搜索优化支持向量机（GS-SVM）、改进粒子群优化支持向量机（IPSO-SVM） 3种模型，并把预测结果与GA-SVM模型进行对比，结果如表11所示。

由表11可知：经过GS、IPSO、GA优化的SVM预测模型，相较于原始SVM模型，测试集准确率分别提高了4.17个百分点、0个百分点、4.17个百分点，10折交叉验证准确率分别提高了4.33个百分点、2.22个百分点、5.45个百分点；GA相较于GS、IPSO优化后的测试集准确率分别提高了0个百分点、4.17个百分点，10折交叉验证准确率分别提高了1.12个百分点、3.23个百分点。因此，GA-SVM整体准确率较高，这表明GA-SVM模型应用于工程中具有更好的参考价值。

3 工程应用

本方法在九皇山隧道、药王山隧道和大康二号隧道等多个隧道进行了应用。此处以九皇山隧道ZK203+880~ZK203+892段为例，说明本文方法的工程应用。九皇山隧道位于绵阳市北川羌族自治县，全长2 190 m，最大埋深为257.4 m。隧道洞身围岩级别主要为Ⅳ、Ⅴ级，岩性以白云质灰岩、石灰岩为主，岩质较硬，风化裂隙局部发育，岩体较完整‒较破碎，呈镶嵌碎裂状结构，周边发育有岩溶裂隙带，地下水主要为岩溶水，地下水丰富，岩溶强发育，地下水通过溶洞、溶隙等向地下暗河进行汇集，排泄于平通河中，这些不利地质条件为隧道岩溶溶洞涌水突泥灾害的发生提供了物质和环境基础。

根据地面地质调查、掌子面地质调查、超前水平钻探和超前物探等可获得隧道ZK203+880~ZK203+892段岩溶溶洞预报模型的预测指标信息。将指标信息输入MNB岩溶溶洞预测模型，预报结果见表12。基于隧道ZK203+880~ZK203+892段岩溶溶洞规模预测结果，并通过地质勘查、掌子面地质调查、综合超前地质预报等方法可获得该段涌水突泥预测模型的预测指标信息。将指标信息输入GA-SVM岩溶溶洞涌水突泥预测模型，预测结果见表13。

根据现场开挖验证，隧道ZK203+880~ZK203+892段存在含水岩溶溶洞，具体见图8，沿隧道横向延伸约3.5 m。根据表4，判定该岩溶溶洞规模为洞径≤6 m或洞径比小于1/2，里程桩号ZK203+884右侧拱腰处发生涌水，见图9。

据现场排水量估算，最大涌水量约为5 400 m³/d，根据表8，判定为较大型涌水突泥。隧道ZK203+880~ZK203+892段岩溶溶洞和涌水突泥的预测规模、开挖验证规模及准确性评价见表14，可见岩溶溶洞预测结果为准确，岩溶溶洞涌水突泥预测结果为基本准确。

药王山隧道和大康二号隧道典型应用结果如表15所示，可见本文方法对药王山隧道和大康二号隧道岩溶溶洞与岩溶溶洞涌水突泥预测结果较为准确。本方法在九皇山隧道ZK203+880~ZK203+892中预测应用效果亦较好。

4 结论

（1） 针对岩溶溶洞不良地质条件，基于多项式朴素贝叶斯算法，建立岩溶溶洞超前预报模型，其测试集准确率为81.25%。针对岩溶溶洞涌水突泥灾害，将岩溶溶洞规模预报结果作为涌水突泥的输入条件，建立了基于遗传算法的支持向量机岩溶溶洞涌水突泥等级预测模型，其测试集准确率为91.67%。

（2） 引入随机种子，调整数据划分使测试集准确率相应提高，从而提高机器学习模型整体的预测效果。采用K最近邻算法对样本缺失值进行填充，为数据缺失问题提供了一种解决方案。采用SMOTE算法合成新的样本解决样本不均衡问题，提高了模型训练稳定性。

（3） 将GA-SVM模型与SVM、GS-SVM、IPOS-SVM 3种模型比较，发现GA-SVM模型整体准确率最高，该模型准确率可达到94.56%，表明GA-SVM模型准确率更高、泛化能力更好。

（4） 将GA-SVM岩溶溶洞涌水突泥预测模型应用于九皇山隧道ZK203+880~ZK203+892、药王山隧道ZK200+806~ZK200+794、大康二号隧道K209+092~K209+080段的岩溶溶洞涌水突泥预测，预测结果与现场情况较为符合，表明预测效果良好。

参考文献

[1] 李术才, 薛翊国, 张庆松, 等. 高风险岩溶地区隧道施工地质灾害综合预报预警关键技术研究[J]. 岩石力学与工程学报, 2008, 27(7): 1297-1307.

[2] LI Shucai, XUE Yiguo, ZHANG Qingsong, et al. Key technology study on comprehensive prediction and early-warning of geological hazards during tunnel construction in high-risk karst areas[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(7): 1297-1307.

[3] 张庆松, 李术才, 韩宏伟, 等. 岩溶隧道施工风险评价与突水灾害防治技术研究[J]. 山东大学学报(工学版), 2009, 39(3): 106-110.

[4] ZHANG Qingsong, LI Shucai, HAN Hongwei, et al. Study on risk evaluation and water inrush disaster preventing technology during construction of karst tunnels[J]. Journal of Shandong University (Engineering Science),2009,39(3):106-110.

[5] 李利平,李术才,陈军,等基于岩溶突涌水风险评价的隧道施工许可机制及其应用研究 [J].岩石力学与工程学报,2011,30(07):1345-1355.

[6] LI Liping, LI Shucai, CHEN Jun, et al. Research on the tunnel construction permit mechanism based on karst water burst risk evaluation and its application [J]. Chinese Journal of Rock Mechanics and Engineering, 2011, 30(07): 1345-1355.

[7] 白明洲, 许兆义, 王勐, 等. 长大隧道施工过程中突水突泥灾害预测预报技术研究[J]. 公路交通科技, 2005, 22(S1): 123-126.

[8] BAI Mingzhou, XU Zhaoyi, WANG Meng, et al. Study on the technology of advance forecasting underground water and mud in rush during tunnel construction in karst area[J]. Journal of Highway and Transportation Research and Development, 2005, 22(S1): 123-126.

[9] 韩琳, 李洪涛, 孙雅飞, 等. 隧道涌水突泥风险分级方法及工程应用[J]. 水利水电技术(中英文), 2023, 54(): 197-202.

[10] HAN Lin, LI Hongtao, SUN Yafei, et al. Classification method and engineering application of risk of water inrush and mud in tunnel[J]. Water Resources and Hydropower Engineering, 2023, 54(sup 1): 197-202.

[11] 毛邦燕. 现代深部岩溶形成机理及其对越岭隧道工程控制作用评价[D]. 成都: 成都理工大学, 2008.

[12] MAO Bangyan. Modern deep karst formation mechanism and evaluation of control action on cross-mountain tunnel[D]. Chengdu: Chengdu University of Technology, 2008.

[13] 朱珍, 王旭春, 袁永才, 等. 基于加权平均法的岩溶隧道突涌水风险评估[J]. 公路工程, 2015, 40(6): 51-54.

[14] ZHU Zhen, WANG Xuchun, YUAN Yongcai, et al. Risk assessment of water inrush in karst tunnels based on weighted average method[J]. Highway Engineering, 2015, 40(6): 51-54.

[15] 徐钟, 邓辉, 卢平, 等. 隧道岩溶段涌水突泥风险评价体系初探[J]. 水利水电技术, 2018(3): 127-134.

[16] XU Zhong, DENG Hui, LU Ping, et al. Preliminary study on risk evaluation system of water inrush and mud burst in karst section of tunnel[J]. Water Resources and Hydropower Engineering, 2018(3): 127-134.

[17] 翁其能, 吴秉其, 向帅, 等. 隧道涌水突泥风险评价模型研究[J]. 重庆交通大学学报(自然科学版), 2012, 31(5): 944-947, 965.

[18] WENG Qineng, WU Bingqi, XIANG Shuai, et al. Model study of risk assessment about water bursting and mud gushing in tunnel[J]. Journal of Chongqing Jiaotong University (Natural Sciences), 2012, 31(5): 944-947，965.

[19] 杨艳娜. 西南山区岩溶隧道涌突水灾害危险性评价系统研究[D]. 成都: 成都理工大学, 2009.

[20] YANG Yanna. Research of karst tunnel water bursting hazard risk assessment system in the southwest mountainous area[D]. Chengdu: Chengdu University of Technology, 2009.

[21] LI S C, WU J. A multi-factor comprehensive risk assessment method of karst tunnels and its engineering application[J]. Bulletin of Engineering Geology and the Environment, 2019, 78(3): 1761-1776.

[22] LI Z Y, WANG Y C, OLGUN C G, et al. Risk assessment of water inrush caused by karst cave in tunnels based on reliability and GA-BP neural network[J]. Geomatics, Natural Hazards and Risk, 2020, 11(1): 1212-1232.

[23] 刘志刚, 凌宏亿, 俞文生. 隧道隧洞超前地质预报[M]. 北京: 人民交通出版社, 2011.

[24] LIU Zhigang, LING Hongyi, YU Wensheng. Advanced geological prediction of tunnel[M]. Beijing: China Communications Press, 2011.

[25] 刘阳飞. 超特长隧道综合超前地质预报工法研究与应用[D]. 成都: 成都理工大学, 2016.

[26] LIU Yangfei. Comprehensive advanced geological prediction method for super long tunnel and its application[D]. Chengdu: Chengdu University of Technology, 2016.

[27] 周双龙. 基于CNN的隧道TSP超前地质预报智能解译初探[D]. 成都：成都理工大学, 2022.

[28] ZHOU Shuanglong. Preliminary study on intelligent interpretation of tunnel TSP advanced geological forecasting based on CNN[D]. Chengdu：Chengdu University of Technology, 2022.

[29] 李晨博. 岩溶隧道探地雷达超前地质预报的智能解译研究[D]. 成都: 成都理工大学, 2021.

[30] LI Chenbo. Research on intelligent interpretation of advanced geological forecast by ground penetrating radar in karst tunnel[D]. Chengdu: Chengdu University of Technology, 2021.

[31] 胡居义, 王连成. 基于综合超前地质预报的隧道施工不良地质预警体系研究[J]. 公路交通技术, 2009, 25(6): 116-119，124.

[32] HU Juyi, WANG Liancheng. Research on prewarning system for unfavorable geologies in tunnel construction based on comprehensive advanced geological prediction[J]. Technology of Highway and Transport, 2009, 25(6): 116-119，124.

[33] FAN X M, ROSSITER D G, VAN WESTEN C J, et al. Empirical prediction of coseismic landslide dam formation[J]. Earth Surface Processes and Landforms, 2014, 39(14): 1913-1926.

[34] 吴皋, 李明, 周稻祥, 等. 基于深度集成朴素贝叶斯模型的文本分类[J]. 济南大学学报(自然科学版), 2020, 34(5): 436-442.

[35] WU Gao, LI Ming, ZHOU Daoxiang, et al. Text classification based on deep ensemble naive Bayes model[J]. Journal of University of Jinan (Science and Technology), 2020, 34(5): 436-442.

[36] 王璐. 基于遗传算法和支持向量机的西南岩溶越岭隧道涌水量预测[D]. 成都: 成都理工大学, 2019.

[37] WANG Lu. Prediction of water inflow in southwest karst crossing-mountain tunnel based on genetic algorithm and support vector machine[D]. Chengdu: Chengdu University of Technology, 2019.

[38] 王凯平. 弱胶结软岩隧道突水灾变演化特征与预测方法研究[D]. 济南: 济南大学, 2022.

[39] WANG Kaiping. Study on evolution characteristics and prediction method of water inrush disaster in weakly consolidated soft rock tunnel[D]. Jinan: University of Jinan, 2022.

[40] 付忠良, 陈晓清, 任伟, 等. 带学习过程的随机K最近邻算法[J]. 吉林大学学报(工学版), 2024, 54(1): 209-220.

[41] FU Zhongliang, CHEN Xiaoqing, REN Wei, et al. Random K-nearest neighbor algorithm with learning process[J]. Journal of Jilin University (Engineering and Technology Edition), 2024, 54(1): 209-220.

[42] 王震, 佟志勇, 彭美华, 等. 基于改进SMOTE算法的网络入侵检测研究[J]. 黑龙江大学自然科学学报, 2024, 41(4): 470-476.

[43] WANG Zhen, TONG Zhiyong, PENG Meihua, et al. Research on network intrusion detection based on improved SMOTE algorithm[J]. Journal of Natural Science of Heilongjiang University, 2024, 41(4): 470-476.

[44] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.

[45] 冯阳飞. 基于遗传算法的道路平面线形组合设计参数优化[J]. 中外公路, 2020, 40(6): 1-6.

[46] FENG Yangfei. Discussion on optimal design parameter of road curve based on GA[J]. Journal of China & Foreign Highway, 2020, 40(6): 1-6.