杜義康

【摘要】隧道工程地質(zhì)條件具有復(fù)雜多變的特點(diǎn)，造成圍巖分級(jí)存在一定的模糊性。依托鄭萬高鐵湖北段隧道工程，文章建立了不同級(jí)別不同巖性的隨鉆參數(shù)與圍巖級(jí)別的數(shù)據(jù)庫，研究了推進(jìn)速度與其他隨鉆參數(shù)之間的相關(guān)性，建立了隨鉆參數(shù)與圍巖級(jí)別的Stacking集成學(xué)習(xí)模型，增加了模型分類的穩(wěn)定性，提高了模型預(yù)測(cè)準(zhǔn)確度。該方法解決了傳統(tǒng)隧道圍巖分級(jí)方法存在評(píng)價(jià)方法單一、評(píng)價(jià)不及時(shí)、主觀誤差大等問題。

【關(guān)鍵詞】隧道工程; 集成學(xué)習(xí); 圍巖分級(jí)

【中國分類號(hào)】U451+.2

【文獻(xiàn)標(biāo)志碼】

A

隧道圍巖級(jí)別是制定巖變我變、因巖施策的設(shè)計(jì)施工參數(shù)的主要依據(jù)。當(dāng)前，研究隧道圍巖分級(jí)方法主要分為間接方法和直接方法。其中，間接方法主要包括RQD方法、RMR方法、BQ方法。間接方法缺點(diǎn)是圍巖信息采集往往需要地質(zhì)人員到現(xiàn)場(chǎng)掌子面進(jìn)行巖石取樣與素描，存在人身安全風(fēng)險(xiǎn)。同時(shí)，現(xiàn)場(chǎng)測(cè)試巖體強(qiáng)度條件下需要手動(dòng)輸入少量指標(biāo)參數(shù)代入經(jīng)驗(yàn)公式，難以全面、準(zhǔn)確地描述隧道圍巖的性能與狀態(tài)。

隨著信息技術(shù)與計(jì)算機(jī)技術(shù)的進(jìn)步，越來越多國內(nèi)外研究者開始關(guān)注直接方法，即應(yīng)用模糊數(shù)學(xué)[1-2]、高斯回歸聚類[3]、相關(guān)系數(shù)[4]、人工智能[5]等技術(shù)，建立隨鉆參數(shù)與巖體之間的表征關(guān)系，快速評(píng)價(jià)隧道圍巖質(zhì)量，力求解決人為認(rèn)知差異性問題。程士俊[1]研究應(yīng)用專家系統(tǒng)實(shí)現(xiàn)圍巖自動(dòng)分級(jí)。Galende-Hernández， M [2]提出了應(yīng)用模糊與機(jī)器學(xué)習(xí)結(jié)合的方法，建立了隨鉆參數(shù)與圍巖級(jí)別的數(shù)學(xué)模型，快速評(píng)估隧道圍巖質(zhì)量。Navarro， J.[4]應(yīng)用互相關(guān)方法，研究了隨鉆變量之間的相關(guān)關(guān)系，得到推進(jìn)壓力超前于其他隨鉆參數(shù)。鄧洪亮[6]基于隧道監(jiān)控量測(cè)數(shù)據(jù)，提出了圍巖動(dòng)態(tài)分級(jí)的修正公式。王琦[7]等基于能量分析法，推導(dǎo)了巖石單位切削能與隨鉆參數(shù)關(guān)系式，并依據(jù)試驗(yàn)結(jié)果建立了隨鉆參數(shù)與巖石單軸抗壓強(qiáng)度的DP -UCS 模型。姚萌[8]研究了利用支持向量機(jī)方法建立隨鉆參數(shù)與圍巖智能分級(jí)模型。

以上研究成果促進(jìn)了隧道圍巖分級(jí)進(jìn)步，但是這些成果多數(shù)研究了單一隨鉆參數(shù)（或單一建模方法）與巖體性質(zhì)映射關(guān)系，存在準(zhǔn)確率偏低、模型泛化性能差的問題。當(dāng)前，集成學(xué)習(xí)在數(shù)據(jù)建模與挖掘領(lǐng)域取得了非常好的效果，正逐漸成為研究的熱點(diǎn)。結(jié)合國內(nèi)外學(xué)者的研究，本文借鑒集成學(xué)習(xí)思想，提出將多個(gè)機(jī)器學(xué)習(xí)模型進(jìn)行融合，通過取長補(bǔ)短的方式建立性能更優(yōu)的集成學(xué)習(xí)模型，解決圍巖級(jí)別預(yù)測(cè)準(zhǔn)確率低、模型泛化性能差的難題。

1 項(xiàng)目背景

本項(xiàng)目主要依托鄭萬高鐵湖北段隧道工程展開，隧道有32.5座，隧道總長167.619 km，占本段線路總長58.37 %。隧道開挖斷面面積約150 m2，屬于單洞雙線大斷面隧道，工程線路見圖1所示。鄭萬高鐵湖北段隧道II、III、IV、V級(jí)圍巖主要涵蓋頁巖、灰?guī)r、白云巖、砂巖、泥巖、變質(zhì)砂巖、輝綠巖7種主要巖性，其中頁巖、灰?guī)r、白云巖、砂巖、泥巖5種巖性圍巖地段長度占比88.8 %。目前，該隧道的多個(gè)標(biāo)段均使用三臂鑿巖臺(tái)車進(jìn)行掌子面開挖，應(yīng)用鑿巖臺(tái)車構(gòu)建的自感知系統(tǒng)，自動(dòng)采集鑿巖過程中的隨鉆參數(shù)，其作業(yè)現(xiàn)場(chǎng)如圖2所示。

2 隧道圍巖智能分級(jí)方法構(gòu)建

2.1 數(shù)據(jù)樣本庫建立

本文建立的隨鉆參數(shù)與圍巖級(jí)別樣本庫主要來自高家坪隧道、楚烽隧道、新華隧道、向家灣隧道、香爐坪隧道及安久鐵路界子墩隧道等，涵蓋白云巖、變質(zhì)砂巖、灰?guī)r、頁巖、泥巖，主要包含III級(jí)、IV級(jí)、V級(jí)圍巖，如表1所示。對(duì)于有監(jiān)督機(jī)器學(xué)習(xí)分類問題，圍巖級(jí)別標(biāo)簽正確性將影響圍巖級(jí)別預(yù)測(cè)的準(zhǔn)確性。依據(jù)JTG D70-2004《公路隧道設(shè)計(jì)規(guī)范》，本文采集了掌子面地質(zhì)素描，并進(jìn)行了巖石回彈、單軸飽和壓縮強(qiáng)度、巖石波速、巖體波速等測(cè)試（圖3～圖5），驗(yàn)證現(xiàn)場(chǎng)地質(zhì)工程師標(biāo)注圍巖級(jí)別標(biāo)簽的正確性，具體計(jì)算過程詳見JTG D70-2004《公路隧道設(shè)計(jì)規(guī)范》。

2.2 相關(guān)性分析

鑿巖機(jī)隨鉆參數(shù)包含推進(jìn)速度、沖擊壓力、推進(jìn)壓力、回轉(zhuǎn)壓力、回轉(zhuǎn)速度、水壓力、水流量參數(shù)。其中，回轉(zhuǎn)速度設(shè)置為恒定值，本文不考慮。一般情況下，推進(jìn)速度一定程度上

反映了隧道圍巖地質(zhì)軟弱。因此，應(yīng)用Spearman方法分析推進(jìn)速度與其他隨鉆參數(shù)的相關(guān)系數(shù)，獲得參數(shù)之間相關(guān)性。表2表示參數(shù)相關(guān)性強(qiáng)弱。

本文從隨機(jī)選取多個(gè)隧道施工輪次下的隨鉆數(shù)據(jù)，由于篇幅限制，僅列出了5個(gè)輪次的計(jì)算結(jié)果。表3是沖擊壓力與推進(jìn)速度、推進(jìn)壓力與推進(jìn)速度的相關(guān)系數(shù)。從表3得到，沖擊壓力、推進(jìn)壓力均與推進(jìn)速度呈現(xiàn)正相關(guān)，即增大沖擊壓力（或增大推進(jìn)壓力），增大推進(jìn)速度。同時(shí)，發(fā)現(xiàn)輪次1～5的沖擊壓力與速度的相關(guān)系數(shù)大于推進(jìn)壓力與速度的相關(guān)系數(shù)。表4是水壓力、水流量與推進(jìn)速度的相關(guān)系數(shù)。從表4得到，水壓力、水流量與鉆孔速度相關(guān)系數(shù)最大值為0.29，大多數(shù)小于0.2，呈現(xiàn)弱相關(guān)性。因此，巖體狀態(tài)參數(shù)與機(jī)電液設(shè)備參數(shù)之間存在一定相關(guān)關(guān)系。

2.3 數(shù)據(jù)預(yù)處理

根據(jù)上文可知，深度、鉆孔速度、回轉(zhuǎn)壓力、推進(jìn)壓力、沖擊壓力參數(shù)較重要。在此基礎(chǔ)上，從能量轉(zhuǎn)換角度，本文計(jì)算了定性判斷隧道地層脆弱帶特征的巖石鉆進(jìn)量，增大數(shù)據(jù)樣本特征維度。針對(duì)鑿巖機(jī)意外停機(jī)、回退等情況，本文提出了符合實(shí)際情況的數(shù)據(jù)預(yù)處理規(guī)則，如表5所示。同時(shí)，本文應(yīng)用歸一化方法對(duì)不同特征參數(shù)進(jìn)行無量綱化處理，避免特征參數(shù)數(shù)據(jù)量級(jí)影響。

式中：de為鉆進(jìn)能量（J/cm3），He為打擊能量（J），Ns為打擊次數(shù)（bpm），le為損失系數(shù)，V為鉆進(jìn)速度（cm/min），Ap為孔隙剖面面積（cm2）;

式中：Api為活塞受壓面積，Sp為活塞行程，Hp為沖擊壓力。

由于不同隧道的施工進(jìn)度有差異，隧道圍巖級(jí)別數(shù)目不一致，存在類樣本不平衡現(xiàn)象，導(dǎo)致分類器重視多數(shù)類而忽略少數(shù)類。為此，本文應(yīng)用SMOTE（Synthetic Minority Oversampling Technique）方法處理不平衡數(shù)據(jù)分類方法，解決數(shù)據(jù)不平衡問題。其中，SMOTE隨機(jī)過采樣策略的原理與推導(dǎo)過程參考文獻(xiàn)[9]，本文不再贅述。

2.4 隧道圍巖分級(jí)集成學(xué)習(xí)模型

機(jī)器學(xué)習(xí)方法可以有效解決統(tǒng)計(jì)回歸模型難以處理的強(qiáng)非線性、高耦合性問題。支持向量機(jī)、隨機(jī)森林、KNN等方法具有較強(qiáng)的非線性問題建模能力。然而，單一機(jī)器學(xué)習(xí)方法也存在泛化能力弱的缺點(diǎn)。因此，需要研究Stacking多模型融合的集成學(xué)習(xí)方法克服單個(gè)學(xué)習(xí)器泛化能力弱的缺點(diǎn)。

2.4.1 Stacking集成學(xué)習(xí)模型

Stacking集成學(xué)習(xí)模型建立有兩個(gè)步驟：一是基分類器選擇與生成;二是組合策略選擇。首先，預(yù)處理后的隨鉆數(shù)據(jù)集輸入到第一層學(xué)習(xí)模型，即各個(gè)學(xué)習(xí)器，每個(gè)基學(xué)習(xí)器輸出各自的預(yù)測(cè)結(jié)果;然后，將第一層輸出結(jié)果作為第二層學(xué)習(xí)模型輸入，對(duì)元學(xué)習(xí)器進(jìn)行訓(xùn)練，再由元學(xué)習(xí)器輸出最終預(yù)測(cè)的圍巖級(jí)別，具體流程，如圖6所示。本文將采用支持向量機(jī)、K近鄰、隨機(jī)森林算法作為基學(xué)習(xí)器以及線性回歸算法作為元學(xué)習(xí)器，通過10折交叉驗(yàn)證方法對(duì)每個(gè)基學(xué)習(xí)器進(jìn)行訓(xùn)練，訓(xùn)練完成后，對(duì)測(cè)試樣本進(jìn)行測(cè)試。

2.4.2 學(xué)習(xí)器基本原理

支持向量機(jī)算法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小和VC維理論的傳統(tǒng)機(jī)器學(xué)習(xí)方法，通過對(duì)訓(xùn)練樣本構(gòu)建一個(gè)最優(yōu)分類超平面，達(dá)到各相對(duì)集中的訓(xùn)練樣本與最優(yōu)分類超平面的距離最遠(yuǎn)。該方法主要針對(duì)小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)、分類和預(yù)測(cè)，它有一個(gè)正則化項(xiàng)，有助于避免數(shù)據(jù)的過擬合，能夠很好地處理非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。由于類標(biāo)簽和特征之間的關(guān)系是非線性關(guān)系，本專題選擇Gauss徑向基核函數(shù)，可以將樣本映射到一個(gè)更高維空間。

KNN（K-nearest neighbot）算法的核心思想是：每個(gè)數(shù)據(jù)樣本都對(duì)應(yīng)特征空間的1個(gè)點(diǎn)，如果在樣本空間內(nèi)1個(gè)距離當(dāng)前未知類別數(shù)據(jù)樣本最相鄰的K個(gè)已知類別樣本大多數(shù)屬于某一個(gè)類別，則當(dāng)前樣本也屬于這個(gè)類別[10]。KNN方法在類別決策時(shí)，主要依靠周圍有限相鄰樣本，而不是依靠判別類域的方法來確定所屬類別的。因此，對(duì)于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

隨機(jī)森林算法是使用分類回歸樹生成的決策樹作為基分類器，在構(gòu)建Bagging集成基礎(chǔ)上，進(jìn)一步在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇，依靠于決策樹的投票選擇來決定最后的分類結(jié)果[11]。該算法的特點(diǎn)能夠處理具有高維特征的輸入樣本。

線性回歸算法是應(yīng)用多元線性公式解決回歸問題，線性回歸算法結(jié)構(gòu)簡單，原理易懂，同時(shí)又包含了機(jī)器學(xué)習(xí)算法的典型特征，是機(jī)器學(xué)習(xí)算法的典型代表[12]。

2.4.3 模型結(jié)果分析

2.4.3.1 分類模型評(píng)估指標(biāo)

模型評(píng)估指標(biāo)用于反映模型效果，需要將模型預(yù)測(cè)結(jié)果和真實(shí)標(biāo)注進(jìn)行比較。對(duì)于分類模型往往用混淆矩陣（表6）來進(jìn)行效果評(píng)價(jià)，其中TP表示樣本標(biāo)簽為正且模型預(yù)測(cè)結(jié)果也為正的樣本數(shù)量，F(xiàn)P、FN和TN的含義類似，不再贅述。在混淆矩陣基礎(chǔ)上，引申出精準(zhǔn)率、召回率、F1-score多個(gè)評(píng)估指標(biāo)，可以從不同角度來評(píng)價(jià)分類結(jié)果的優(yōu)劣。為此，本文采用精準(zhǔn)率、召回率、f1-score、準(zhǔn)確率評(píng)估指標(biāo)，全面評(píng)估KNN、SVM、RandomForest以及Stacking模型分類效果。各項(xiàng)評(píng)估指標(biāo)定義及表達(dá)式如下所示：

（1）準(zhǔn)確率（Accuracy）：分類正確的樣本占所有樣本的比重，反映分類整體上正確率的評(píng)價(jià)。

（2）精確率（precision）：在所有預(yù)測(cè)類別為正的樣本中，模型預(yù)測(cè)正確的樣本所占比重，反映分類器預(yù)測(cè)為某一個(gè)圍巖級(jí)別正確率。

2.4.3.2 分類模型結(jié)果討論

將交叉驗(yàn)證的測(cè)試集輸入到訓(xùn)練好的模型，對(duì)圍巖級(jí)別進(jìn)行分類效果進(jìn)行評(píng)估。本文采用精準(zhǔn)率、召回率、f1-score、正確率指標(biāo)全面評(píng)估單個(gè)分類器、集成分類器學(xué)習(xí)效果的優(yōu)劣，計(jì)算結(jié)果如表7～表10所示。從表7～表10可知，在Ⅲ、Ⅳ、Ⅴ圍巖條件下，RandomForest模型的精準(zhǔn)率、召回率、f1-score、正確率指標(biāo)均優(yōu)于KNN模型以及SVM模型。Stacking集成學(xué)習(xí)模型的精準(zhǔn)率、召回率、f1-score與RandomForest模型相當(dāng)，但交叉平均準(zhǔn)確率提高了4 %，達(dá)到了92 %，證明了本文模型準(zhǔn)確性與有效性。

分級(jí)方法，通過分析得出以下結(jié)論：

（1）依托鄭萬高鐵湖北段隧道工程，本文建立了III級(jí)、IV級(jí)、V級(jí)圍巖條件下的隨鉆參數(shù)、圍巖級(jí)別數(shù)據(jù)樣本庫，涵蓋了白云巖、變質(zhì)砂巖、灰?guī)r、頁巖、泥巖，為集成學(xué)習(xí)建模提供了數(shù)據(jù)基礎(chǔ)。

（2）本文研究了定性反映地質(zhì)軟弱的推進(jìn)速度與其他隨鉆參數(shù)相關(guān)性，確定了圍巖分級(jí)特征參數(shù)。結(jié)合實(shí)際工況，確定了數(shù)據(jù)預(yù)處理規(guī)則以及不平衡類樣本處理方法，解決數(shù)據(jù)“臟”與不平衡問題。

（3）本文建立了隨鉆參數(shù)與圍巖級(jí)別的Stacking集成學(xué)習(xí)模型，增加了模型分類的穩(wěn)定性，克服了模型預(yù)測(cè)準(zhǔn)確度難以提高的問題，實(shí)現(xiàn)了預(yù)測(cè)準(zhǔn)確率達(dá)到92 %。

后續(xù)工作：為了進(jìn)一步提高隧道圍巖智能分級(jí)方法的準(zhǔn)確性，繼續(xù)收集隧道施工現(xiàn)場(chǎng)隨鉆數(shù)據(jù)、地質(zhì)數(shù)據(jù)，擴(kuò)大數(shù)據(jù)樣本庫的圍巖級(jí)別及數(shù)量。同時(shí)，由于隨機(jī)誤差的原因，收集的圍巖級(jí)別樣本中存在少數(shù)圍巖級(jí)別標(biāo)簽不正確現(xiàn)象，須深入研究修正少數(shù)不正確圍巖級(jí)別標(biāo)簽的建模方法。

致謝

本文的研究工作得到了湖南省創(chuàng)新型省份建設(shè)專項(xiàng)“超級(jí)地下工程智能成套裝備關(guān)鍵技術(shù)研究與應(yīng)用”經(jīng)費(fèi)資助（2019GK1010）、國鐵集團(tuán)科技研究開發(fā)計(jì)劃“鄭萬高鐵大斷面隧道安全快速標(biāo)準(zhǔn)化修建關(guān)鍵技術(shù)研究”經(jīng)費(fèi)資助（2017G007-H），在此表示感謝！

參考文獻(xiàn)

[1] 程士俊. 鐵路隧道圍巖分類專家系統(tǒng)[C]//第四屆全國工程地質(zhì)大會(huì)文集. 北京， 1992.

[2] Galende-Hernández M， Menéndez M， Fuente MJ，etal. Monitor-While-Drilling-based estimation of rock mass rating with computational intelligence： The case of tunnel excavation front[J]. Automation in Construction，2018， 93：325-38.

[3] Zhou H HP， Monteiro S T. Automatic Rock Recognition from Drilling Performance Data[C]// 2012 IEEE International Conference on IEEE.2012.

[4] Navarro J， Sanchidrian JA， Segarra P， etal. On the mutual relations of drill monitoring variables and the drill control system in tunneling operations[J]. Tunnelling & Underground Space Technology，2018， 72：294-304.

[5] Eskandarian S， Bahrami P， Kazemi P. A comprehensive data mining approach to estimate the rate of penetration： Application of neural network， rule based models and feature ranking[J]. Journal of Petroleum Science and Engineering，2017，156：605-15.

[6] 鄧洪亮， 周世生， 高文學(xué)，等. 基于監(jiān)控量測(cè)的圍巖分級(jí)修正方法研究[J]. 施工技術(shù)，2016，45：129-33.

[7] 王琦， 秦乾， 高松，等. 數(shù)字鉆探隨鉆參數(shù)與巖石單軸抗壓強(qiáng)度關(guān)系[J]. 煤炭學(xué)報(bào)，2018，43：1289-95.

[8] 姚萌. 基于鉆進(jìn)參數(shù)和SVM的圍巖智能分級(jí)研究[J]. 四川建筑， 2020，40：149-51.

[9] Chawla NV， Bowyer KW， Hall LO， etal. SMOTE： Synthetic Minority Over-sampling Technique[J]. Journal of Artificial Intelligence Research， 2002，16：321-57.

[10] 閭城， 陳時(shí)熠， 華心果，等. 基于改進(jìn)KNN算法的汽輪機(jī)通流故障診斷方法及應(yīng)用[J]. 熱力發(fā)電，2021，1-7.

[11] 李旭東， 方杰， 王培聰， 等. 基于隨機(jī)森林的氧氣-液氧摻混冷凝流型研究[J]. 武漢大學(xué)學(xué)報(bào)：工學(xué)版，2021，54：116-21.

[12] 董美娜， 劉麗平， 王澤忠，等. 基于Stacking集成學(xué)習(xí)的有源臺(tái)區(qū)線損率評(píng)估方法[J]. 電測(cè)與儀表， 2021，1-7.