[0001] 本发明涉及隧道围岩评价技术领域，尤其是涉及一种用于隧道围岩的分级方法及系统。

[0002] 隧道围岩分级是定量评价围岩质量和稳定性的最直接最常用的方法，分级结果直接决定隧道的开挖工法、支护参数等，是岩石隧道设计施工中非常关键的指标之一。

[0003] 由于勘察阶段不能得到详细的隧道开挖处的地质资料，常常会遇到根据勘察确定的围岩级别与实际不符。为最大限度地保证围岩稳定，需要对施工现场揭露的掌子面情况进行围岩分级。但传统的围岩分级技术存在一些缺陷：(1)受限于样本数量与经验归类，各分级方法通常是只适用于特定类型围岩；(2)不同分级方法考虑的因素不同，且不够全面完备，所得的围岩分级结论存在不一致的情况；(3)输入参数多为定性的描述，各参数的定性描述或定量转换具有较强的不确定性，围岩分级实施严重依赖于执行人员的经验。

[0004] 另外，现有技术中还包括将机器学习技术引入到围岩分级工作中的方案，以提高围岩分级的自动化程度。但随着隧道建设向深埋超长隧道方向发展，面临越来越复杂的地质条件，常用的围岩分级方法存在着智能化程度不高、分类标准体系不健全、多源地质信息利用不充分、不良地质条件考虑不精细、实际应用的精度和效率有限等不足。

[0028] 以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

[0029] 另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0030] 隧道围岩分级是定量评价围岩质量和稳定性的有效手段，有效指导隧道开挖、支护的设计与施工。常用的围岩分级方法存在着智能化程度不高、分类标准体系不健全、多源地质信息利用不充分、不良地质条件考虑不精细、实际应用的精度和效率有限等不足，无法很好地适用于深埋超长隧道建设所面临的越来越复杂的地质条件。

[0031] 为了解决上述背景技术中的问题，本申请实施例提出了一种用于隧道围岩的分级方法及系统。该方法及系统基于大数据智能驱动的方法，针对不同来源、不同格式、不同尺度的影响或描述围岩状态的多源异构信息，构建一个混合深度神经网络，从而实现端到端无需人为参与的自动学习围岩智能分级模型，可用于有效实现多源地质信息的智能融合与围岩智能评价。

[0032] 图1为本申请实施例的用于隧道围岩的分级方法的步骤图。如图1所示，本发明实施例所述的隧道围岩分级方法包括如下步骤：步骤S110收集围岩特征数据与对应的围岩级别；步骤S120构建预设融合模型，并根据步骤S110所收集到的围岩特征数据与对应的围岩级别，对预设融合模型进行训练，形成围岩智能分级模型，其中，所述预设融合模型包括依次连接的特征识别部和目标学习部，特征识别部具有针对不同类型测量数据而分别建立的特征学习网络；步骤S130利用步骤S120所构建的围岩智能分级模型，对目标围岩开展分级评价。

[0033] 图2为本申请实施例的用于隧道围岩的分级方法的整体技术路线图。图3为本申请实施例的用于隧道围岩的分级方法的实现原理图。下面结合图1和图2，对本发明实施例所述的隧道围岩分级方法的具体流程进行说明。

[0034] 在步骤S110中，收集各个样本的围岩特征数据并标注相应的围岩级别标签，从而形成围岩特征数据与围岩级别数据集。其中，围岩特征数据包括不同来源、不同格式和不同尺度的多项围岩特征参量。也就是说，数据集中包含多个样本，每个样本是围岩特征与对应围岩级别的组合，可以理解的是，每一个样本对应特定隧道内特定里程处的围岩。针对每一个样本来说，需要先获得不同来源、不同格式和不同尺度的多项围岩特征参量，并总体标注一个围岩级别标签。

[0035] 对于有监督学习的训练过程，需要在数据收集阶段准备完备的包含(训练)输入数据与目标标签的数据集，即围岩特征数据与围岩级别数据集。所输入的围岩特征参量的准备包括但不限于以下四个类别：关于描述岩石矿物性质的参数(岩石矿物性质特征)、不连续体发育情况的参数(不连续发育特征)、围岩所处地质条件的参数(地质条件背景)以及工程施工相关的参数(工程施工特征)，这几类数据会以二进制文件、图像、文本、数值、类型等各种格式所提供。

[0036] 进一步，岩石矿物性质特征通过现场测量、室内试验等方式来获得。具体地，岩石矿物性质特征包括但不限于：岩性、岩石速度、岩石软硬类型、岩石耐磨度、单轴抗压强度、抗拉强度、杨氏模量、三轴应力、各向异性、泊松比、孔隙度和渗透率等参数。

[0037] 进一步，不连续发育特征可基于掌子面图像、三维激光扫描等方式来获取。具体地，不连续发育特征包括但不限于：不连续体类型和发育参数。其中，不连续体类型包括但不限于：断层、层理、节理、裂缝和微裂隙等；发育参数包括但不限于：宽度、间距、数量、产状、粗糙度、延展性、填充物和风化蚀变程度等。

[0038] 进一步，地质条件背景包括但不限于：构造类型、地震烈度、地下水、地应力、地温等参数。工程施工特征包括但不限于：洞轴线与主要结构面的夹角、隧道开挖方式等。

[0039] 进一步，在获得不同格式类型的多项围岩特征参量后，步骤S110还会为每一项围岩特征参量中的每个数据(样本)标注对应的围岩级别标签。在为每一个数据样本参量进行围岩级别目标标签的标注时，可应用现有围岩分级方法或专家评价的方式来提供。

[0040] 在完成围岩特征数据的收集及围岩级别标注后，以在步骤S120中建立围岩智能分级模型。

[0041] 由于围岩特征数据具有多源性，使得不同来源的特征数据的格式具有多样性，为此本发明实施例在进入步骤S120构建分级模型之前，需要先对步骤S110所收集到的所有围岩特征数据进行预处理，而后按照预设的数据样本比例，对经过预处理的围岩特征数据与对应的围岩级别进行数据集划分，形成训练样本集、验证样本集和测试样本集，以利用各样本集在步骤S120模型训练过程中，对预设融合模型开展训练、交叉验证以及超参数优选与质控评价。

[0042] 进一步，在对所收集到的围岩特征数据进行预处理的过程中，包括：对定性类型的数据进行编码来完成定量转化；对一维序列数据或二维图像数据进行重采样处理，使得同一维度的数据具有相同的数据尺寸；对不同单位级的数据进行归一化或标准化处理；以及对所测量的数据进行围岩属性计算。

[0043] 具体地说，由于数据预处理是机器学习训练样本准备的一个必要步骤，从而保证输入到深度学习模型中的每一类数据具有相同的数据尺寸及数值范围。对于围岩分级描述中常用的一些定性输入，需要首先对其进行编码(例如One‑Hot编码)，以进行定量转化，方便计算机处理；不同定量输入之间可能存在数值量级差异较大的情况，需要对同一维度不同类型的定量数据进行归一化或标准化处理，以消除不同来源数据量级差异对模型训练精度的影响；当输入二维图像或一维序列(例如曲线)等数据时，需要对每一个维度不同特征数据分别进行重采样处理，从而保证同一维度数据具有相同的数据尺寸；基于所测量的数据，可进行特定的属性计算，以提取有效的围岩特征。接下来，将完成预处理的围岩特征数据样本，按照预设比例(例如70％、20％、10％)随机分割为训练样本、验证样本与测试样本，分别用于模型训练、验证与质控评价。

[0044] 接下来进入到步骤S120中，根据准备好的数据集中的输入与输出的类型与格式，构建适用的预设融合模型并对其进行训练。

[0045] 为了同时考虑多种不同类型数据的输入，预设融合模型构造为特征识别部和目标学习部这两个依次连接的部分。特征识别部对不同类型输入应用指定的网络模型有针对性地进行特征学习，然后将从所有输入数据学习到的特征融合在一起，从而经由适当的目标学习网络来与围岩级别的目标标签建立联系，实现目标学习。

[0046] 具体地说，在特征识别部中，本发明实施例会针对每种数据类型(数据格式)构建相应的特征学习网络。在为每种数据类型构建相对应的特征学习网络时，对于离散数值类型的训练输入数据，可应用多层感知机或支持向量机等网络来构建针对这一类型输入的特征学习网络；对于结构化的图像或曲线等类型的训练输入数据，可应用卷积神经网络来构建针对这一类型输入的特征学习网络；对于文本类型的训练输入数据，可应用循环神经网络来构建针对这一类型输入的特征学习网络。

[0047] 另外，目标学习部采用全连接神经网络等算法来构建以实现围岩级别的多级分类与输出。其中，应用softmax函数作为全连接神经网络的激活函数来实现围岩级别的分类与输出。

[0048] 此外，本发明实施例所述的预设融合模型还包括位于特征识别部与目标学习部之间的特征融合部。特征融合部是一种将不同种特征融合在一起的特征转换处理模型。特征融合部在独立特征学习的基础上，将所有学习到的所有特征连接起来，构成融合的特征集。特征识别部中每个特征学习网络所输出的特征，本质上表现为数组，在对不同组特征数据(一个特征学习网络输出一组的特征数组)进行连接时，根据输入数据的格式类型，可以按照矩阵横向方向(特征方向)或者矩阵纵向方向(通道方向)，将不同特征学习网络所输出的特征数组进行横向连接(行数扩充)或纵向连接(列数扩充)，形成特征集矩阵。

[0049] 具体地，在形成特征集矩阵的过程中，特征融合部会针对输入数据中包含离散数据的特征学习网络，将这些特征学习网络所输出的特征数组按照特征方向对每组数组进行串联连接；针对输入数据都是一维或二维结构化数据的特征学习网络，将当前特征学习网络所输出的特征数组，先按照通道方向对每组数组进行并联连接，而后将完成连接的数组进行矩阵转换，形成与已完成串联连接的矩阵的维度相同的数组，从而将当前转换后所形成的数组与串联连接后的矩阵，继续按照特征方向进行串联连接，这样便形成了特征集矩阵。

[0050] 也就是说，在本发明实施例中，先由针对不同输入数据类型所构建的多个特征学习网络并联成为特征识别部，再将特征识别部依次与特征融合部和目标学习部串联，从而形成预设融合模型。

[0051] 而后，基于所收集到的(经过预处理的)围岩特征数据与对应围岩级别数据集的训练样本集、验证样本集和测试样本集，对所构建好的基于多源信息的预设融合模型，进行训练、验证和测试，从而形成围岩智能分级模型。

[0052] 根据训练数据及预设融合模型的网络结构的具体特点，选择合适的损失函数作为网络模型的目标函数。基于构建的围岩智能分级混合深度神经网络(预设融合模型)，利用准备好的训练样本、验证样本与测试样本，开展模型训练、参数调试、模型验证与质控评价，具体开展最优化求解，并进行交叉验证、超参数优选与质控评价，由此，便完成模型的最优化训练，从而得到训练好的高精度强泛化能力围岩智能分级模型。

[0053] 在完成围岩智能分级模型的构建后，进入到步骤S130，以将所构建好的围岩智能分级模型投入应用。

[0054] 在步骤S130中，应用训练好的围岩智能分级模型，将经过数据类型分类和同样方式预处理的围岩特征测量数据输入至围岩智能分级模型中，对目标围岩开展分级评价，以利用智能分级模型所输出的围岩级别信息来指导隧道建设施工(可包括施工前的设计以及施工过程的设计变更，例如：可指导隧道开挖工法(全断面、三台阶等工法)的设计与变更、以及支护参数的设计与变更等)。

[0055] 另外，为了提高围岩智能分级模型的适用性和准确度，本发明实施例所述的隧道围岩分级方法，还需要对围岩智能分级模型进行不断更新。基于不同隧道和不同施工阶段的推进，扩展围岩特征数据与围岩级别数据集，以利用扩展后的围岩特征数据与围岩级别数据集对围岩智能分级模型进行更新并应用。

[0056] 具体地，随着大量隧道工程实施过程中围岩分级相关的数据样本的不断积累，为了提高围岩分级的精度或准确性，在不同隧道、不同施工阶段，开展增量学习，不断更新完善围岩智能分级模型。

[0057] 另一方面，基于上述隧道围岩分级方法，本发明实施例还提供了一种用于隧道围岩的分级系统。图4为本申请实施例的用于隧道围岩的分级系统的框架结构示意图。如图4所示，本发明实施例所述的隧道围岩分级系统包括：数据收集模块41、智能分级模型构建模块42和模型应用模块43。

[0058] 具体地，数据集收集模块41按照上述步骤S110来实施，配置为收集围岩特征数据与对应的围岩级别；智能分级模型构建模块42按照上述步骤S120来实施，配置为构建预设融合模型，并根据围岩特征数据与对应的围岩级别，对预设融合模型进行训练，形成围岩智能分级模型，所述预设融合模型包括特征识别部和目标学习部，所述特征识别部具有针对不同类型测量数据而分别建立的特征学习网络；模型应用模块43按照上述步骤S130来实施，配置为利用所述围岩智能分级模型，对目标围岩开展分级评价。

[0059] 本发明公开了一种用于隧道围岩的分级方法及系统。该方法及系统所提出的基于多源异构信息融合的围岩智能分级方法，首先综合考虑了与围岩分级直接相关的岩石矿物性质、不连续体发育、地质条件背景、工程施工四类数据，充分利用了大数据的优势，为挖掘多种测量与围岩分级目标之间的内在联系保证了数据基础。其次，构建了一个混合深度神经网络模型用于围岩智能分级，根据输入输出数据的类型、格式等特征进行多个网络模块合理组合，表现出良好的灵活性与广泛的适用性，能够有效实现围岩智能分级任务的特征学习与目标学习。再次，考虑到实际应用中部分输入数据获取不到的情况，本发明所设计的网络架构的模块化组装能够进行相应的简化适应，保证了网络模型在围岩智能分级应用中的实用性。另外，本发明所提的围岩智能分级方法应用逐渐累积的数据对所用的混合深度神经网络进行自适应增量学习，不断优化围岩智能分级模型的精度与泛化能力。

[0060] 基于影响与描述围岩状态的多源异构信息，本发明所提出的围岩智能分级方法及系统，具有以下效果：

[0061] (1)本发明充分考虑了与围岩分级评价直接相关的成因与表现两类因素，成因类因素包括影响围岩状态的宏观地质因素与微观力学参数；表现类成因包括用于测量围岩状态的各类测量及相应的计算数据。从所考虑因素反映的目标类别角度，这些因素又分为岩石矿物性质、不连续体发育、地质条件背景、工程施工四类参数，具有不同来源、不同格式、不同尺度等特征。总之，对多源异构数据的综合考虑充分利用了大数据的优势，适合挖掘多种测量与围岩分级目标之间更准确的内在联系。

[0062] (2)本发明构建了一个适用于围岩智能分级的混合深度神经网络，该网络根据输入输出数据的类型、格式等特征进行多个网络模块合理组合，表现出良好的灵活性与广泛的适用性，有效实现了围岩智能分级任务的特征学习与目标学习。

[0063] (3)在实际应用中，部分数据可以难以采集或测量，当只能获取多源异构信息中的一部分时，本发明所设计网络架构的模块化组装性质能够进行相应的简化适应，保证网络模型在围岩智能分级应用中的实用性。

[0064] (4)本发明提出的围岩智能分级模型会针对不同隧道工程、不同施工阶段，利用逐渐累积的测量数据对所用的混合深度神经网络进行自适应地增量学习，不断优化围岩智能分级模型的精度与泛化能力。

[0065] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

[0066] 应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

[0067] 说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

[0068] 虽然本发明所披露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。