深部隧道围岩分级——传统体系演进与极端环境挑战的应对

Rock mass classification for deep tunnels: evolution of traditional methods and responses to extreme environmental challenges

摘要

针对深部热水力极端环境条件下隧道围岩分级面临的难题，本文在阐明隧道围岩分级技术发展历程的基础上，对比分析了 BQ（basic quality）、RMR（rock mass rating）和 Q-system 分级方法的局限性与围岩智能分级的适用条件，剖析了深部热水力环境对围岩质量的劣化作用，探讨了深部热水力极端环境下的围岩分级框架。研究表明，传统围岩分级方法在深部热水力环境下的指标及其评分不合理；现有数据驱动的围岩智能分级模型因缺乏关键地质与物理力学机制的约束，在极端工况下的预测性、泛化性和可解释性仍显不足。为此，初步构建了考虑热水力极端环境的深部围岩分级框架，确立了包含岩体组成、岩体赋存环境和开挖扰动因素的深部围岩质量评价逻辑。未来深部围岩分级研究需探索机理驱动与智能算法的协同作用，为未来融合多模态地质大模型与智能体，构建具备自主感知、持续学习与动态协同决策能力的隧道智能建造体系提供参考。

Abstract

To address challenges in deep tunnel rock mass classification under deep thermo-hydro-mechanical (THM) extreme environments, this paper reviews the technique’s evolution; illustrates the limitations of methods like basic quality, rock mass rating, and Q-system, and the applicability of intelligent classification methods; analyzes quality degradation in deep THM environments; and proposes a classification framework for such extreme conditions. The findings reveal that the index and its ratings for traditional classification methods are inadequate for deep THM conditions. Moreover, existing data-driven intelligent classification models lack the essential constraints of geological and physical–mechanical mechanisms, leading to insufficient predictability, generalizability, and interpretability under extreme conditions. Consequently, a preliminary deep rock mass classification framework accounting for THM environments is constructed, establishing a quality evaluation logic that integrates rock mass composition, rock mass environments, and excavation disturbance factors. Future research on deep rock mass classification should emphasize the synergy between mechanism-driven models and intelligent algorithms. This study provides a theoretical reference for the future integration of large multimodal geological models and autonomous agents, which is based on the construction of an intelligent tunnel construction system with autonomous perception, continuous learning, and dynamic collaborative decision-making capabilities.

关键词

深部隧道 / 围岩分级 / 人工智能 / 热水力环境 / 可解释性

Key words

deep tunnel / rock mass classification / artificial intelligence / thermo-hydro-mechanical environment / interpretability

参考文献

[1] 安博， 2013. 隧道震裂岩体的工程特性及处治措施研究[D]. 成都： 成都理工大学.

[2] An B, 2013. Discussion on engineering properties and of treatment measures of tunnel crossing shattered rock[D]. Chengdu：Chengdu University of Technology. （in Chinese）

[3] 陈近中， 2007. 双江口电站工程岩体质量分级研究[D]. 成都： 成都理工大学.

[4] Chen J Z, 2007. Engineering rock mass classification of Shuangjiangkou hydroelectric station[D]. Chengdu：Chengdu University of Technology. （in Chinese）

[5] 陈寿堂， 2012. 水岩耦合作用对隧道稳定性影响分析及隧道围岩分级修正方法研究[D]. 成都： 西南交通大学.

[6] Chen S T, 2012. Analysis on impact of water-rock coupling on tunnel stability and study on the modification method in rock classification[D]. Chengdu： Southwest Jiaotong University. （in Chinese）

[7] 陈卫东， 李天斌， 黄音昊， 等， 2024. 隧道围岩分级特征智能识别及可视化研究[J]. 铁道科学与工程学报， 21（1）： 406-421.

[8] Chen W D， Li T B， Huang Y H， et al.， 2024. Intelligent identification of classification features of tunnel surrounding rock and visualization[J]. Journal of Railway Science and Engineering， 21（1）： 406-421. （in Chinese）

[9] 陈曦， 曾亚武， 刘伟， 等， 2019. 岩体基本质量分级模糊综合评价法研究[J]. 武汉大学学报（工学版）， 52（6）： 511-522.

[10] Chen X， Zeng Y W， Liu W， et al.， 2019. Research on classification of rock mass basic quality based on fuzzy comprehensive evaluation method[J]. Engineering Journal of Wuhan University， 52（6）： 511-522. （in Chinese）

[11] 陈湘生， 全昭熹， 陈一凡， 等， 2024. 极端环境隧道建造面临的主要问题及发展趋势[J]. 隧道建设（中英文）， 44（3）： 401-432.

[12] Chen X S， Quan Z X， Chen Y F， et al.， 2024. Primary challenges and developmental trends of tunnel construction in extreme environments[J]. Tunnel Construction， 44（3）： 401-432. （in Chinese）

[13] 东北工学院采矿系井巷教研室， 1959. 论我国岩石分级[M]. 北京： 煤炭工业出版社.

[14] 范新宇， 贾志献， 白雪亮， 等， 2019. 熵权模糊综合评价模型在极软岩隧洞围岩分级中的应用[J]. 工程地质学报， 27（6）： 1236-1243.

[15] Fan X Y， Jia Z X， Bai X L， et al.， 2019. Classification of extremely soft rock tunnels using comprehensive evaluation model of entropy-weighted fuzzy[J]. Journal of Engineering Geology， 27（6）： 1236-1243. （in Chinese）

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

[17] Fang Y， Liu B G， Liu K Y, 2013. Tunnel surrounding rock grading model based on genetic-support vector classification coupling algorithm[J]. Journal of the China Railway Society， 35（1）： 108-114. （in Chinese）

[18] GB 50487-2008 水利水电工程地质勘察规范（2022 年版）[S].

[19] GB 50487-2008 Code for engineering geological investigation of water resources and hydropower[S]. （in Chinese）

[20] GB/T 50218- 1994 工程岩体分级标准[S].

[21] GB/T 50218-1994 Standard for engineering classification of rock masses[S]. （in Chinese）

[22] GB/T 50218- 2014 工程岩体分级标准[S].

[23] GB/T 50218- 2014 Standard for engineering classification of rock mass[S]. （in Chinese）

[24] 葛伟杰， 刘艳章， 秦绍兵， 等， 2023. 考虑采动影响的 ACI-RMR 法矿山巷道围岩质量分级研究[J]. 有色金属工程， 13（9）： 121-129.

[25] Ge W J， Liu Y Z， Qin S B， et al.， 2023. Quality classification for roadway surrounding rock by ACI-RMR method considering the influence of mining[J]. Nonferrous Metals Engineering， 13（9）： 121-129. （in Chinese）

[26] 耿晓杰， 2015. 深埋条件下隧道稳定性评价方法及应用研究[D]. 北京： 北京科技大学.

[27] Geng X J, 2015. Research on stability evaluation method and application of deep tunnel[D]. Beijing：University of Science and Technology Beijing. （in Chinese）

[28] 谷德振， 黄鼎成， 1979. 岩体结构的分类及其质量系数的确定[J]. 水文地质工程地质，（2）： 8-13.

[29] 关宝树， 1978. 铁路隧道围岩分类[M]. 北京： 人民铁道出版社.

[30] 管洪良， 2011. 岩溶隧道围岩分级系统研究[D]. 重庆： 重庆大学.

[31] Guan H L, 2011. Study on surrounding rock classification system for karst tunnel[D]. Chongqing：Chongqing University. （in Chinese）

[32] 郭平业， 卜墨华， 张鹏， 等， 2023. 高地温隧道灾变机制与灾害防控研究进展[J]. 岩石力学与工程学报， 42（7）： 1561-1581.

[33] Guo P Y， Bu M H， Zhang P， et al.， 2023. Review on catastrophe mechanism and disaster countermeasure of high geotemperature tunnels[J]. Chinese Journal of Rock Mechanics and Engineering， 42（7）： 1561-1581. （in Chinese）

[34] 何满潮， 任树林， 陶志刚， 2022. 深埋隧道灾变防控方法[J]. 工程地质学报， 30（6）： 1777-1797.

[35] He M C， Ren S L， Tao Z G, 2022. Disaster prevention and control methods for deep buried tunnels[J]. Journal of Engineering Geology， 30（6）： 1777-1797. （in Chinese）

[36] 黄音昊， 2021. 隧道围岩分级特征参数的图像智能识别及应用[D]. 成都： 成都理工大学.

[37] Huang Y H, 2021. Image recognition of feature parameters of surrounding rock classification in tunnels and its application[D]. Chengdu： Chengdu University of Technology. （in Chinese）

[38] 姜鹏， 章剑青， 朱征平， 2020. 公路隧道围岩分级岩体基本质量指标修正方法探讨[J]. 公路， 65（1）： 332-335.

[39] JTG 3370.1- 2018 公路隧道设计规范 第一册 土建工程[S].

[40] JTG 3370.1- 2018 Specifications for design of highway tunnels section 1 civil engineering[S]. （in Chinese）

[41] JTG D70- 2004 公路隧道设计规范[S].

[42] JTG D70- 2004 Code for design of road tunnel[S]. （in Chinese）

[43] JTG/T 3660- 2020 公路隧道施工技术规范[S].

[44] JTG/T 3660- 2020 Technical specifications for construction of highway tunnel[S]. （in Chinese）

[45] JTG/T D70-2010 公路隧道设计细则[S].

[46] JTG/T D70-2010 Guidelines for design of highway tunnel[S]. （in Chinese）

[47] JTJ 026-90 公路隧道设计规范[S].

[48] JTJ 026-90 Design specification for highway tunnel[S]. （in Chinese）

[49] 李利平， 邹浩， 刘洪亮， 等， 2024. 钻爆法隧道智能建造研究现状与发展趋势[J]. 中国公路学报， 37（7）： 1-21.

[50] Li L P， Zou H， Liu H L， et al.， 2024. Research status and development trends in intelligent construction of drill-and-blast tunnels[J]. China Journal of Highway and Transport， 37（7）： 1-21. （in Chinese）

[51] 李孟熠， 2023. 热水力作用下花岗岩细观劣化模型与细宏观损伤演进机制研究[D]. 武汉： 武汉大学.

[52] Li M Y, 2023. Investigation on the deterioration model for meso-mechanical strength and the meso-macro damage evolution mechanism of granite under thermo-hydro-mechanical treatment[D]. Wuhan：Wuhan University. （in Chinese）

[53] 李术才， 许振浩， 黄鑫， 等， 2018. 隧道突水突泥致灾构造分类、地质判识、孕灾模式与典型案例分析[J]. 岩石力学与工程学报， 37（5）： 1041-1069.

[54] Li S C， Xu Z H， Huang X， et al.， 2018. Classification，geological identification， hazard mode and typical case studies of hazard-causing structures for water and mud inrush in tunnels[J]. Chinese Journal of Rock Mechanics and Engineering， 37（5）： 1041-1069. （in Chinese）

[55] 李腾， 2018. 大型金矿深部充填法采场围岩稳定性分析及控制[D]. 北京： 北京科技大学.

[56] Li T, 2018. Study on the wallrock stability and safety control of deep filling stope in the large gold mine[D]. Beijing：University of Science and Technology Beijing. （in Chinese）

[57] 李天斌， 孟陆波， 王兰生， 2016. 高地应力隧道稳定性与地质灾害防治[M]. 北京： 科学出版社.

[58] Li T B， Meng L B， Wang L S, 2016. Stability of high-stress tunnels and prevention of large-scale rockburst disasters[M]. Beijing：Science Press. （in Chinese）

[59] 林韵梅， 1996. 岩石分级的理论与实践[M]. 北京： 冶金工业出版社.

[60] 刘华， 2020. 裂隙岩体卸荷机理与强震区围岩分级修正研究[D]. 杭州： 浙江工业大学.

[61] Liu H, 2020. Study on unloading mechanism of fractured rock mass and the amendment of rock classification in strong seismic area[D]. Hangzhou： Zhejiang University of Technology. （in Chinese）

[62] 卢波， 张玉峰， 邬爱清， 等， 2021. 地应力张量特征对地下洞室轴线方位优化的启示[J]. 工程科学与技术， 53（2）： 54-65.

[63] Lu B， Zhang Y F， Wu A Q， et al.， 2021. Implications of geo-stress tensor characteristics in optimizing the azimuth of underground cavern[J]. Advanced Engineering Sciences， 53（2）： 54-65. （in Chinese）

[64] 卢向前， 2023. 基于机器学习的隧道围岩快速分级方法及关键指标智能解析研究[D]. 成都： 成都理工大学.

[65] Lu X Q, 2023. Machine learning-based rapid classification method of tunnel surrounding rock and intelligent analysis of key indicators[D]. Chengdu：Chengdu University of Technology. （in Chinese）

[66] 吕擎峰， 赵本海， 潘松杰， 等， 2020. 基于 TSP 和 PCA-Bayes 法的隧道围岩分级[J]. 地下空间与工程学报， 16（1）： 80-86.

[67] Lv Q F， Zhao B H， Pan S J， et al.， 2020. Classification of tunnel surrounding rock based on TSP system and PCA-Bayes discriminant method[J]. Chinese Journal of Underground Space and Engineering， 16（1）： 80-86. （in Chinese）

[68] 马俊杰， 李天斌， 孟陆波， 等， 2019. MSVM 在汶马高速公路隧道围岩分级中的应用[J]. 成都理工大学学报（自然科学版）， 46（3）： 373-380.

[69] Ma J J， Li T B， Meng L B， et al.， 2019. Application of MSVM to the classification of surrounding rock in Wenchuan−Barkam Highway tunnels， Sichuan， China[J]. Journal of Chengdu University of Technology （Science & Technology Edition）， 46（3）： 373-380. （in Chinese）

[70] 牛文林， 2015. 公路隧道围岩分级方法及智能判定系统研究——以泥巴山隧道为例[D]. 成都： 成都理工大学.

[71] Niu W L, 2015. Study on rock mass classification method and intelligent classification system of road tunnel-Niba Mountain tunnel as an example[D]. Chengdu：Chengdu University of Technology. （in Chinese）

[72] 齐三红， 杨继华， 郭卫新， 等， 2013. 修正 RMR 法在地下洞室围岩分类中的应用研究[J]. 地下空间与工程学报， 9（增刊 2）： 1922-1925.

[73] Qi S H， Yang J H， Guo W X， et al.， 2013. Application study on underground caverns surrounding rock classification based on the revised RMR method[J]. Chinese Journal of Underground Space and Engineering， 9（S2）： 1922-1925. （in Chinese）

[74] 戚伟， 付建新， 李腾， 2020. 考虑节理劣化效应的深部围岩应力演化规律及敏感性分析[J]. 采矿与安全工程学报， 37（2）： 327-337.

[75] Qi W， Fu J X， Li T, 2020. Stress evolution law and sensitivity analysis of surrounding rock in deep mine considering deterioration effect caused by joint[J]. Journal of Mining & Safety Engineering， 37（2）： 327-337. （in Chinese）

[76] 钱七虎， 2012. 地下工程建设安全面临的挑战与对策[J]. 岩石力学与工程学报， 31（10）： 1945-1956.

[77] Qian Q H, 2012. Challenges faced by underground projects construction safety and countermeasures[J]. Chinese Journal of Rock Mechanics and Engineering， 31（10）： 1945-1956. （in Chinese）

[78] SD 134-84 水工隧洞设计规范（试行）[S].

[79] 申艳军， 闫蕊鑫， 2014. 工程因素对施工期地下洞室围岩质量影响分析[J]. 长江科学院院报， 31（8）： 66-72.

[80] Shen Y J， Yan R X, 2014. Impact of engineering factors on surrounding rock quality of underground caverns during construction[J]. Journal of Yangtze River Scientific Research Institute， 31（8）： 66-72. （in Chinese）

[81] SL 303- 2017 水利水电工程施工组织设计规范[S].

[82] SL 303- 2017 Specifications for construction planning of water resources and hydropower projects[S]. （in Chinese）

[83] 谭文辉， 武洋帆， 刘景军， 等， 2020. 深部岩体质量分级 Q 系统的改进[J]. 中国矿业， 29（2）： 161-165.

[84] Tan W H， Wu Y F， Liu J J， et al.， 2020. An improved Q-system for deep rock mass classification[J]. China Mining Magazine， 29（2）： 161-165. （in Chinese）

[85] TB 10003- 1999 铁路隧道设计规范[S].

[86] TB 10003- 1999 Code for design on tunnel of railway[S]. （in Chinese）

[87] TB 10003-2016 铁路隧道设计规范（2024、2026 年局部修订）[S].

[88] TB 10003- 2016 Code for design of railway tunnel[S]. （in Chinese）

[89] 汪炳锋， 江铃峰， 2023. 基于深部岩体特征的 RMR 法修正[J]. 采矿技术， 23（5）： 6-11.

[90] 王婧潇， 李培楠， 朱合华， 等， 2026. 隧道工程地质建模不确定性的综合分析与动态评估[J]. 岩石力学与工程学报， 45（7）： 2012-2029.

[91] Wang J X， Li P N， Zhu H H， et al.， 2026. Integrated analysis and dynamic assessment of uncertainty in geological modeling for tunnel engineering[J]. Chinese Journal of Rock Mechanics and Engineering， 45（7）： 2012-2029.（in Chinese）

[92] 王明年， 李玉文， 2008. 公路隧道围岩亚级分级方法[M]. 成都： 西南交通大学出版社.

[93] 王明年， 童建军， 易文豪， 等， 2024. 基于多元地质信息的钻爆法隧道围岩级别智能判识及软件系统[J]. 隧道建设（中英文）， 44（12）： 2451-2468.

[94] Wang M N， Tong J J， Yi W H， et al.， 2024. Intelligent classification and software system for surrounding rock based on multivariate geological information[J]. Tunnel Construction， 44（12）： 2451-2468. （in Chinese）

[95] 王石春， 何发亮， 李苍松， 2007. 隧道工程岩体分级[M]. 成都： 西南交通大学出版社.

[96] 王思敬， 1990. 坝基岩体工程地质力学分析[M]. 北京： 科学出版社.

[97] 王思敬， 杨志法， 刘竹华， 1984. 地下工程岩体稳定分析[M]. 北京： 科学出版社.

[98] 王新中， 2023. 热水力耦合条件下花岗岩力学特性与灾变行为研究[D]. 成都： 四川大学.

[99] Wang X Z, 2023. Study on mechanical properties and catastrophic behavior of granite under thermo-hydro-mechanical coupling conditions[D]. Chengdu： Sichuan University. （in Chinese）

[100] 王章琼， 晏鄂川， 王亚军， 2018. 基于修正 Q 值的武当群片岩岩体质量分级方法研究[J]. 现代隧道技术， 55（1）： 65-70.

[101] Wang Z Q， Yan E C， Wang Y J, 2018. Rock mass quality classification of Wudang group schist based on a corrected Q-value[J]. Modern Tunnelling Technology， 55（1）： 65-70. （in Chinese）

[102] 吴俊， 2025. 基于分区随钻参数的隧道围岩智能分级方法研究[D]. 重庆： 重庆交通大学.

[103] Wu J, 2025. Research on intelligent classification method of tunnel surrounding rock based on zonal drilling parameters[D]. Chongqing： Chongqing Jiaotong University. （in Chinese）

[104] 吴秋军， 2017. 铁路隧道围岩变形机理与分级方法研究[D]. 成都： 西南交通大学.

[105] Wu Q J, 2017. Deformation mechanism and classification method for surrounding rock of railway tunnels[D]. Chengdu： Southwest Jiaotong University. （in Chinese）

[106] 向露露， 童建军， 王明年， 等， 2024. 集成卷积神经网络和视觉 Transformer 的隧道掌子面岩性判识研究[J]. 隧道建设（中英文）， 44（5）： 1056-1067.

[107] Xiang L L， Tong J J， Wang M N， et al.， 2024. Ensemble convolutional neural networks and visual Transformers：research on tunnel face rock identification[J]. Tunnel Construction， 44（5）： 1056-1067. （in Chinese）

[108] 向明智， 2009. 金沙江白鹤滩电站工程岩体质量分类[D]. 成都： 成都理工大学.

[109] Xiang M Z, 2009. Engineering rock mass classification of Bai Hetan hydroelectric station at Jinsha river[D]. Chengdu：Chengdu University of Technology. （in Chinese）

[110] 谢本贤， 陈沅江， 史秀志， 2007. 深部岩体工程围岩质量评价的 IRMR 法研究[J]. 中南大学学报（自然科学版）， 38（5）： 987-992.

[111] Xie B X， Chen Y J， Shi X Z, 2007. IRMR method for evaluation of surrounding rock quality in deep rock mass engineering[J]. Journal of Central South University （Science and Technology）， 38（5）： 987-992. （in Chinese）

[112] 谢和平， 张茹， 任利， 等, 2022. 川藏铁路深埋隧道围岩灾变分析与思考[J]. 工程科学与技术， 54（2）： 1-20.

[113] 谢和平， 张茹， 张泽天， 等， 2023. 深地科学与深地工程技术探索与思考[J]. 煤炭学报， 48（11）： 3959-3978.

[114] Xie H P， Zhang R， Zhang Z T， et al.， 2023. Reflections and explorations on deep earth science and deep earth engineering technology[J]. Journal of China Coal Society， 48（11）： 3959-3978. （in Chinese）

[115] 邢念信， 徐复安， 1986. 坑道工程围岩分类与支护设计[J]. 岩石力学与工程学报， 5（4）： 359-376.

[116] Xing N X， Xu F A, 1986. Surrounding rock classification and support design in tunnel engineering[J]. Chinese Journal of Rock Mechanics and Engineering， 5（4）： 359-376. （in Chinese）

[117] 徐常松， 2025. 基于视觉的隧道掌子面识别与围岩区域定位研究[D]. 武汉： 江汉大学.

[118] Xu C S, 2025. Research on tunnel face recognition and surrounding rock location based on vision[D]. Wuhan： Jianghan University. （in Chinese）

[119] 许振浩， 张庆豪， 李千纪， 等， 2024. 基于高光谱成像技术的岩体质量评价方法、系统及装置：CN118503905B[P]. 2024-11-01.

[120] Xu Z H， Zhang Q H， Li Q J， et al.， 2024. Rock mass quality evaluation method， system and device based on hyperspectral imaging technology： CN118503905B[P]. 2024-11-01. （in Chinese）

[121] 闫长斌， 吴伟功， 王贵军， 2018. 含层间剪切带的层状复合岩体质量分级[J]. 岩石力学与工程学报， 37（增刊 1）： 3449-3457.

[122] Yan C B， Wu W G， Wang G J, 2018. Quality classification of stratified composite rock mass with interlayer shear zones[J]. Chinese Journal of Rock Mechanics and Engineering， 37（S1）： 3449-3457. （in Chinese）

[123] 杨博文， 2019. 基于可拓理论的动态围岩等级判定方法研究[D]. 湘潭： 湖南科技大学.

[124] Yang B W, 2019. Study on the method of dynamic surrounding rock classification based on extension theory[D]. Xiangtan： Hunan University of Science and Technology. （in Chinese）

[125] 杨子文， 傅冰骏， 徐荣熙， 1982. 根据弹性纵波速度来定量评价岩体的工程质量[C]// 地下工程经验交流会论文选集. 北京： 地质出版社： 343-349.

[126] 姚萌， 2020. 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.

[127] Yao M, 2020. Study on intelligent classification of surrounding rock based on drilling jumbo’s drilling parameters[D]. Chengdu： Southwest Jiaotong University. （in Chinese）

[128] 殷明伦， 2019. 隧洞岩体质量评价及围岩稳定性的尺度效应研究[D]. 北京： 中国矿业大学（北京）.

[129] Yin M L, 2019. Scale-effect study of tunnels on quality evaluation and stability of surrounding rock[D]. Beijing： China University of Mining and Technology （Beijing）. （in Chinese）

[130] 尤哲敏， 2013. 大断裂区深埋隧道地应力特征及围岩稳定性分析[D]. 武汉： 中国地质大学（武汉）.

[131] You Z M, 2013. Analysis of characteristics of in situ stress and surrounding rock stability in deeply buried tunnel with large faults[D]. Wuhan： China University of Geosciences （Wuhan）. （in Chinese）

[132] 余莉， 陈建平， 张磊， 2013. 修正 Q 值围岩分级方法在碳酸盐地区大断裂超深埋特长隧道的应用研究[J]. 现代隧道技术， 50（3）： 32-39.

[133] Yu L， Chen J P， Zhang L, 2013. On the application of a modified Q-value classification to a long，deep tunnel near large faults in a carbonate area[J]. Modern Tunnelling Technology， 50（3）： 32-39. （in Chinese）

[134] 张琦， 朱合华， 黄贤斌， 等， 2017. 基于 Mamdani 模糊推理的山岭隧道围岩 RMR₁₄ 分级 [J]. 岩土工程学报， 39（11）： 2116-2124.

[135] Zhang Q， Zhu H H， Huang X B， et al.， 2017. A new rock mass rating method based on Mamdani fuzzy inference for rock tunnels[J]. Chinese Journal of Geotechnical Engineering， 39（11）： 2116-2124. （in Chinese）

[136] 赵思光， 2023. 基于凿岩台车钻进参数的隧道围岩智能精细化分级方法研究[D]. 成都： 西南交通大学.

[137] Zhao S G, 2023. Research on intelligent and refinement classification method of tunnel surrounding rock based on drilling parameters of drill jumbo[D]. Chengdu： Southwest Jiaotong University. （in Chinese）

[138] 赵文， 金陈， 路博， 等， 2022. 基于图解法的 BQ 分级限定条件及计算公式研究[J]. 东北大学学报（自然科学版）， 43（1）： 117-123.

[139] Zhao W， Jin C， Lu B， et al.， 2022. Study on limited conditions and calculation formula of BQ classification based on graphic method[J]. Journal of Northeastern University （Natural Science）， 43（1）： 117-123. （in Chinese）

[140] 赵逸文， 2020. 基于应力状态与结构面产状修正系数改进的层状岩体质量 BQ 分级研究[D]. 绍兴： 绍兴文理学院.

[141] Zhao Y W, 2020. Research on BQ classification of improved layered rock mass based on the stress state and the mechanism surface shape correction factor[D]. Shaoxing： Shaoxing University. （in Chinese）

[142] 郑帅， 姜谙男， 张峰瑞， 等， 2019. 基于机器学习与可靠度算法的围岩动态分级方法及其工程应用[J]. 岩土力学， 40（增刊 1）： 308-318.

[143] Zheng S， Jiang A N， Zhang F R， et al.， 2019. Dynamic classification method of surrounding rock and its engineering application based on machine learning and reliability algorithm[J]. Rock and Soil Mechanics， 40（S1）： 308-318. （in Chinese）

[144] 周梦琳， 陈强， 汪波， 等， 2024. 基于图像识别的公路隧道围岩智能动态分级研究[J]. 隧道建设（中英文）， 44（6）： 1274-1282.

[145] Zhou M L， Chen Q， Wang B， et al.， 2024. Intelligent dynamic classification of surrounding rock of highway tunnels based on image recognition[J]. Tunnel Construction， 44（6）： 1274-1282. （in Chinese）

[146] Alejano L R, 2025. Rock mass classification systems：a useful rock mechanics tool，often misused[J]. Rock Mechanics and Rock Engineering， 58（10）： 11147-11167.

[147] Aydan Ö， Ulusay R， Tokashiki N, 2014. A new rock mass quality rating system： rock mass quality rating （RMQR） and its application to the estimation of geomechanical characteristics of rock masses[J]. Rock Mechanics and Rock Engineering， 47（4）： 1255-1276.

[148] Barton N， 2002. Some new Q-value correlations to assist in site characterisation and tunnel design[J]. International Journal of Rock Mechanics and Mining Sciences， 39（2）： 185-216.

[149] Barton N， Lien R， Lunde J, 1974. Engineering classification of rock masses for the design of tunnel support[J]. Rock Mechanics， 6（4）： 189-236.

[150] Bieniawski Z T, 1973. Engineering classification of jointed rock masses[J]. Transaction of the South African Institution of Civil Engineers， 15（12）： 335-343.

[151] Bieniawski Z T, 1989. Engineering rock mass classifications：a complete manual for engineers and geologists in mining，civil，and petroleum engineering[M]. New York：John Wiley & Sons，Inc.

[152] Celada B， Tardáguila I， Varona P， et al., 2014. Innovating tunnel design by an improved experience-based RMR system[C]// Proceedings of the World Tunnel Congress 2014−Tunnels for a better Life. Foz Do Iguaçu： 1-9.

[153] Chen K D， Song Y H， Zhang Y L， et al., 2021. Modification of the BQ system based on the Lugeon value and RQD： a case study from the Maerdang hydropower station， China[J]. Bulletin of Engineering Geology and the Environment， 80（4）： 2979-2990.

[154] Chen L， Wang J， Zong Z H， et al., 2015. A new rock mass classification system Q_HLW for high-level radioactive waste disposal [J]. Engineering Geology， 190： 33-51.

[155] Cui Z， Sheng Q， Zhang G M， et al., 2021. A modified rock mass classification considering seismic effects in the basic quality （BQ） system[J]. Bulletin of Engineering Geology and the Environment， 80（3）： 2249-2260.

[156] Deere D U， Hendron A J， Patton F D， et al., 1966. Design of surface and near-surface construction in rock[C]// The 8th U. S. Symposium on Rock Mechanics （USRMS）. Minneapolis：OnePetro： 237-302.

[157] Erharter G H， Bar N， Hansen T F， et al., 2025. International distribution and development of rock mass classification： a review[J]. Rock Mechanics and Rock Engineering， 58（10）： 11169-11180.

[158] Ghosh R， Gustafson A， Schunnesson H, 2018. Development of a geological model for chargeability assessment of borehole using drill monitoring technique[J]. International Journal of Rock Mechanics and Mining Sciences， 109： 9-18.

[159] González de Vallejo L I, 2003. SRC rock mass classification of tunnels under high tectonic stress excavated in weak rocks[J]. Engineering Geology， 69（3/4）： 273-285.

[160] Hajiazizi M， Khatami R S, 2013. Seismic analysis of the rock mass classification in the Q-system[J]. International Journal of Rock Mechanics and Mining Sciences， 62： 123-130.

[161] Han M， Wu H X， Chen Z Q， et al., 2023. A survey of multi-label classification based on supervised and semi-supervised learning[J]. International Journal of Machine Learning and Cybernetics， 14（3）： 697-724.

[162] Hansen T F， Aarset A, 2025. Unsupervised machine learning for data-driven rock mass classification：addressing limitations in existing systems using drilling data[J]. Rock Mechanics and Rock Engineering， 58（10）： 11261-11291.

[163] Hansen T F， Erharter G H， Liu Z Q， et al., 2024. A comparative study on machine learning approaches for rock mass classification using drilling data[J]. Applied Computing and Geosciences， 24： 100199.

[164] Hoek E， Brown E T, 1997. Practical estimates of rock mass strength[J]. International Journal of Rock Mechanics and Mining Sciences， 34（8）： 1165-1186.

[165] Ji F， Shi Y C， Li R J， et al., 2019. Modified Q-index for prediction of rock mass quality around a tunnel excavated with a tunnel boring machine （TBM）[J]. Bulletin of Engineering Geology and the Environment， 78（5）： 3755-3766.

[166] Kim Y， Yun T S, 2024. Enhanced rock mass rating prediction from tunnel face imagery： a decision-supportive ensemble deep learning approach[J]. Engineering Geology， 339： 107625.

[167] Lauffer H, 1958. Classification for tunnel construction[J]. Geologie und Bauwesen， 24（1）： 46-51.

[168] Li T B， Ma C C， Zhu M L， et al., 2017. Geomechanical types and mechanical analyses of rockbursts[J]. Engineering Geology， 222： 72-83.

[169] Li Y， Chen J Y， Shen Y F， et al., 2025. MWD-based real-time identification of rock weathering： a comparison of supervised and unsupervised machine learning methods[J]. Tunnelling and Underground Space Technology， 163： 106744.

[170] Ma J J， Li T B， Li X， et al., 2022. A probability prediction method for the classification of surrounding rock quality of tunnels with incomplete data using Bayesian networks[J]. Scientific Reports， 12（1）： 19846.

[171] Ma J J， Li T B， Faradonbeh R S， et al., 2024. Data-driven approach for intelligent classification of tunnel surrounding rock using integrated fractal and machine learning methods[J]. Fractal and Fractional， 8（12）： 677.

[172] Ma J J， Li T B， Yang G， et al., 2023. A real-time intelligent classification model using machine learning for tunnel surrounding rock and its application[J]. Georisk： Assessment and Management of Risk for Engineered Systems and Geohazards， 17（1）： 148-168.

[173] Mehrishal S， Leem J， Kim J， et al., 2025. Tunnel rapid AI classification （TRaiC）：an open-source code for 360° tunnel face mapping， discontinuity analysis， and RAG-LLM-powered geo-engineering reporting[J]. Remote Sensing， 17（16）： 2891.

[174] Palmström A， 1995. RMi-a rock mass characterization system for rock engineering purposes[D]. Oslo：University of Oslo.

[175] Rad H N， Jalali Z, 2019. Modification of rock mass rating system using soft computing techniques[J]. Engineering with Computers， 35（4）： 1333-1357.

[176] Rehman H， Naji A M， Kim J J， et al., 2019. Extension of tunneling quality index and rock mass rating systems for tunnel support design through back calculations in highly stressed jointed rock mass：an empirical approach based on tunneling data from Himalaya[J]. Tunnelling and Underground Space Technology， 85： 29-42.

[177] Saadati G， Javankhoshdel S， Abad J M N， et al., 2025. AI-powered geotechnics： enhancing rock mass classification for safer engineering practices[J]. Rock Mechanics and Rock Engineering， 58（10）： 11319-11349.

[178] Saroglou C， Qi S W， Guo S F， et al., 2019. ARMR，a new classification system for the rating of anisotropic rock masses[J]. Bulletin of Engineering Geology and the Environment， 78（5）： 3611-3626.

[179] Terzaghi K, 1946. Rock defects and loads on tunnel supports[M]//Proctor R V，White T L. Rock tunneling with steel supports. Youngstown： Commercial Shearing and Stamping Company.

[180] Tong Y， Yue Y， Huang Z K， et al., 2022. Modified RMR rock mass classification system for preliminary selection of potential sites of high-level radioactive waste disposal engineering[J]. Sustainability， 14（23）： 15596.

[181] Tsang C F, 2024. Coupled thermo-hydro-mechanical processes in fractured rocks： some past scientific highlights and future research directions[J]. Rock Mechanics and Rock Engineering， 57（8）： 5303-5316.

[182] Vaezi I， Yoshioka K， De Simone S， et al., 2025. A review of thermo-hydro-mechanical modeling of coupled processes in fractured rock：from continuum to discontinuum perspective[J]. Journal of Rock Mechanics and Geotechnical Engineering， 17（11）： 7460-7488.

[183] van Eldert J， Schunnesson H， Johansson D， et al., 2020. Application of measurement while drilling technology to predict rock mass quality and rock support for tunnelling[J]. Rock Mechanics and Rock Engineering， 53（3）： 1349-1358.

[184] Wang J， Fang Q， Wang G， et al., 2024. Semi-supervised recognition of tunnel surrounding rock discontinuities using drilling jumbo data[J]. Automation in Construction， 166： 105623.

[185] Wang M N， Zhao S G， Tong J J， et al., 2021. Intelligent classification model of surrounding rock of tunnel using drilling and blasting method[J]. Underground Space， 6（5）： 539-550.

[186] Wickham G E， Tiedemann H R， Skinner E H, 1972. Support determinations based on geologic predictions[C]// North American Rapid Excavation and Tunneling Conference. New York：Society of Mining Engineers of the American Institute of Mining，Metallurgical，and Petroleum Engineers： 43-64.

[187] Xiao X， Yan Z Q， Yao R B， et al., 2026. Research on hybrid CNN-LSTM model based on drilling parameters for real-time refined intelligent classification and visualization of tunnel face rock mass[J]. Arabian Journal for Science and Engineering， 51（10）： 13177-13195.

[188] Yang G， Li T B, 2026. Development of a 3D-point cloud-based spatiotemporal series model for tunnel rock mass discontinuities prediction[J]. Underground Space， 26： 282-304.

基金资助

地质灾害防治与地质环境保护全国重点实验室开放基金项目(SKLGP2026K019)

国家自然科学基金重点项目(42130719)

四川省科技计划资助项目(2025NSFSC2003)