[0001] 本发明涉及数据处理技术领域，尤其涉及一种高原隧道围岩分级系统。

[0002] 现阶段，一般会采用人工实地勘测的方式对高原地区隧道的围岩等级进行判断，或采用RMR法、BQ法和Q系统法等分级方法来检测围岩等级。

[0003] 但是，人工实地勘测的方式需要投入大量的人力物力财力以及时间成本，且如果前期判断失误会极大影响建设进度，增加建设成本；而传统的分级方法，没有建立能够适应高原隧道的复杂环境和特点的分级模型来进行高原隧道围岩分级，其所参考的参数标准不能很好的符合高原围岩的特性，因此，现阶段并没有一套针对高原隧道围岩分级的并且可以自我优化的系统，因此现阶段对高原隧道围岩分级的准确性较低。

[0033] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0034] 本发明实施例涉及的高原隧道围岩分级系统主要包括：数据获取模块，用于获取待测围岩样本的待测围岩数据；其中，所述待测围岩数据包括所述待测围岩样本的质量指标值、单轴抗压强度、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数；网络分级模块，所述网络分级模块与所述数据获取模块相连，用于接收所述数据获取模块发送的测试数据，并根据所述测试数据，利用高原隧道围岩分级模型确定出所述待测围岩样本的等级值；数据存储模块，所述数据存储模块分别与所述数据获取模块和所述网络分级模块相连，用于接收所述待测围岩数据和所述待测围岩样本的等级值，并生成对应的测试数据条目；所述测试数据条目用于优化所述高原隧道围岩分级模型。

[0035] 现阶段，一般会采用人工实地勘测的方式对高原地区隧道的围岩等级进行判断，或采用RMR法、BQ法和Q系统法等分级方法来检测围岩等级。但是，人工实地勘测的方式需要投入大量的人力物力财力以及时间成本，且如果前期判断失误会极大影响建设进度，增加建设成本；而传统的分级方法，没有建立能够适应高原隧道的复杂环境和特点的分级模型来进行高原隧道围岩分级，其所参考的参数标准不能很好的符合高原围岩的特性，因此，现阶段并没有一套针对高原隧道围岩分级的并且可以自我优化的系统，因此现阶段对高原隧道围岩分级的准确性较低。

[0036] 本发明提供一种高原隧道围岩分级系统，根据高原隧道围岩的特性，选择合适的待测参数，利用高原隧道围岩分级模型进行分级，并且可以用分级后得到的测试结果返回优化高原隧道围岩分级模型，从而可以不断完善高原隧道围岩的数据库以及所用的高原隧道围岩分级模型，进而可以提高高原隧道围岩分级的准确性。

[0037] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0038] 本发明实施例的说明书和权利要求书中的“第一”、“第二”用于区别类似的对象，而不必用于描述特定的顺序或者先后次序，应该理解这样的数据在适当的情况下可以互换，以便这里描述的实施例能够以除了这里图示或者描述的那些以外的顺序实施。

[0039] 参照图1，图1为本发明高原隧道围岩分级系统的总体框架示意图。

[0040] 如图1所示，所述高原隧道围岩分级系统，包括：

[0041] 数据获取模块，用于获取待测围岩样本的待测围岩数据；其中，所述待测围岩数据包括所述待测围岩样本的质量指标值、单轴抗压强度、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数；

[0042] 对于不同的环境、不同的地质条件，对隧道围岩进行等级评价所需参照的参数标准是不一样的，而在本实施例中，针对的是高原隧道围岩，故为了保证后续分级处理的精度，就需要采用更能适应高原隧道复杂环境的待测围岩数据。因此，为了保证围岩分级的准确性，能够更加准确的反应高原隧道具有的特性，本实施例中结合高原隧道的特点以及影响高原隧道围岩稳定性的三大因素(即高地应力、岩爆和大变形)，选取以下7种数据作为参数标准完成后续操作，具体为：质量指标值、单轴抗压强度、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数。

[0043] 下面依次对这些数据进行详细说明：

[0044] 1.质量指标值：围岩样本的质量指标值即RQD值，是国际上评价岩体质量的通用方法，可以定量的反应岩体的完整程度。该方法是利用直径大于或等于75mm的金刚石钻头和双层岩芯管在岩石中钻进，连续取芯，将长度在10cm(含10cm)以上的岩芯累计长度与钻孔进尺长度之比的百分数作为对应的RQD值，故在前期勘测过程中可以通过该方法测量得到该待测围岩样本质量指标的具体数值。

[0045] 2.单轴抗压强度：岩石抗压强度是基本力学属性之一，对于岩石的分类和质量具有重要的影响。长期以来，岩石的单轴抗压强度用作岩石分类标准，并用以评价岩石质量和稳定性。另外点荷载试验也可以用来确定岩石的单轴强度，点荷载试验对岩石的制作规范性要求较低，是一种快速、经济并且有效的现场测定岩石强度的方法，在岩体质量分级中得到了广泛的应用。也就是说，现阶段可选用的岩石强度数据包括单轴抗压强度和点荷载强度，而对于高原中岩体强度较低的情况，本实施例中可以选用岩石强度数据中的单轴抗压强度作为抗压强度的输入值。

[0046] 3.完整性指数：岩体的完整程度主要是指岩体受结构面的切割程度、单元块体的大小，以及块体之间的结合状态。因此，岩体完整程度与结构面的几何特征、性状有关，即由结构面的密度、组数、产状延伸度、张开度、粗糙度、起伏度、充填情况、充填物性质等决定。岩石完整性系数可以反映出岩体的结构特征。具体的，可以用岩体的纵波速度与岩块的纵波速度之比的平方表示。此外，也可以用岩体单位体积节理数反映岩体的完整性程度。

[0047] 4.节理方向评价值：在隧道的围岩分级方法中，结构面节理的走向与隧道轴线的方向也是影响围岩等级的因素之一。

[0048] 本实施例中，相关特征包括三个方面，即节理走向、节理倾向以及节理倾角，也就是说，本实施例中节理走向与隧道轴线的关系(平行、垂直等)、节理倾向(沿倾向方向掘进、逆离倾向方向掘进等)、节理倾角(所属角度区间)都会对后续的评价值产生影响，即本实施例中的节理方向评价值需要基于这三个数据确定。

[0049] 5.地下水涌水量：地下水情况反映了岩体赋存环境状况，地下水往往作为不利的因素考虑，主要是因为地下水能够软化围岩，冲蚀围岩结构面的充填物，降低围岩支护效果等，因此，地下水为影响围岩稳定性的主要因素之一。地下水渗流输入参数按每10m长的隧道涌水量的数值输入，从而得到对应的地下水涌水量。

[0050] 6.地应力：地应力是存在于地壳内部的应力。地应力主要是由两部分组成，一是由上部岩石重量引起的重力，二是由周围的地块传递来的构造应力。在隧道的开挖过程中，会使围岩应力发生变化，也会引起构造应力。相比于低海拔地区，在高原隧道的围岩有较高的地应力分布，甚至有发生岩爆的风险，对岩体的安全产生了巨大的影响。因此，将地应力因素考虑到高原隧道的围岩分级是十分有必要的。为了保证分级的方便性和快速性，将围岩的最大主应力作为围岩分级参数之一。

[0051] 7.岩爆参数：在高原隧道的开挖过程中，由于岩体中具有很高的地应力，围岩临空岩体积累的应变能可能会发生突然而猛烈的释放，导致围岩像爆炸一样的发生破坏。严重的岩爆会损坏隧道，破坏机械设备，甚至还会造成人员伤亡。在高原地区，岩爆的发生对围岩稳定应和支护结构的方式有重要影响。因此，本实施例将岩爆风险作为高原隧道围岩等级的影响参数之一。为了使参数可以被BP神经网络系统识别，将岩爆的综合评判结果转化为0～1之间的无量纲值。

[0052] 在一具体实施方式中，参照图2，图2为本发明图1中数据获取模块的功能单元示意图，所述数据获取模块包括：

[0053] 用户交互单元，用于接收用户输入的所述待测围岩样本的待测围岩数据；

[0054] 本实施例中，用户交互单元可以提供用户交互界面，其上可以显示待测围岩样本所属的隧道名称、上述七种待测围岩数据的数据条目，并且可以提供数据保存和等级计算功能按钮，用户在进入该高原隧道围岩分级系统后，用户交互单元即可提供该用户交互界面，然后用户根据显示的数据条目依次输入上述七种待测围岩数据，随后用户可点击“高原隧道围岩等级计算”按钮，系统会将计算后的围岩等级返回到对应的区域中，用户即可得到该待测围岩样本的等级值，然后用户还可以点击“数据保存”按钮，系统会将此页面的全部数据和信息(即隧道名称、用户输入的待测围岩数据以及系统输出的等级计算值)自动保存到Excel表格中，以便于后续查找和使用。其中，数据获取模块中配置有Wxpython图形库，该用户交互界面即是基于Wxpython框架设计得到的，具体的WxPython是基于Python语言的一套优秀的GUI图形库，允许程序员很方便的创建完整的、功能键全的GUI用户交互界面，并且可以跨平台运行，程序编写简单方便，易于理解。

[0055] 数据处理单元，所述数据处理单元与所述用户交互单元相连，用于将所述待测围岩样本的待测围岩数据转换为对应的浮点型数据，得到所述测试数据；

[0056] 在用户输入上述各种待测围岩数据并点击“高原隧道围岩等级计算”按钮后，系统具体是通过内部配置的神经网络模型，即高原隧道围岩分级模型来计算并输出对应的围岩等级的，而在此之前，数据处理单元并不是直接将待测围岩数据发送过去，而会将待测围岩数据转换成对应的浮点型数据，即高原隧道围岩分级模型所能识别并处理的测试数据，再发送给高原隧道围岩分级模型。

[0057] 接口转换单元，用于实现所述数据获取模块和所述网络分级模块之间的数据交互。

[0058] 如上所述，本实施例中的用户交互界面是基于Python语言设计出来的，而另外，本实施例中的高原隧道围岩分级模型则是基于Matlab语言训练得到的，那么为了在用户交互单元中调用其他软件平台提供的分级模型，就需要配置对应的API接口来实现，因此，本实施例中在数据获取模块中还需要配置接口转换单元，使得网络分级模块通过该接口转换单元与数据获取模块相连，来实现两个模块之间的数据交互。

[0059] 网络分级模块，所述网络分级模块与所述数据获取模块相连，用于接收所述数据获取模块发送的测试数据，并根据所述测试数据，利用高原隧道围岩分级模型确定出所述待测围岩样本的等级值；

[0060] 网络分级模块在通过上述接口转换单元接收到数据处理单元发送的转换为浮点型数据的测试数据后，即可调用训练好的高原隧道围岩分级模型，计算得到待测围岩样本的等级值，然后将该等级值反馈给用户交互界面进行显示。

[0061] 在一具体实施方式中，参照图3，图3为本发明图1中网络分级模块的功能单元示意图，所述网络分级模块包括：

[0062] 网络构建单元，用于构建原始神经网络模型；

[0063] 要实时对接收到的测试数据进行分级检测，在此之前就需要训练得到一个成熟的高原隧道围岩分级模型，故首先需要构建出一个原始神经网络模型。具体的，原始神经网络模型包括神经元对象的建立、用神经元组成层对象以及由层对象组成神经网络对象，从而得到原始神经网络模型。

[0064] 网络训练单元，所述网络训练单元与所述网络构建单元相连，用于获取训练数据，并根据所述训练数据训练所述原始神经网络模型，得到所述高原隧道围岩分级模型；

[0065] 在得到上述原始神经网络模型后，为了使其可以精确的对高原隧道围岩进行分级，在正式使用之前，需要利用训练数据对其进行训练。具体的，首先将这些训练数据作为该原始神经网络模型的输入值，然后原始神经网络模型会根据这些训练数据进行计算，得到隐含层及输出层中神经元各节点的输出，最后即可得到对应的训练输出值。而为了得到满足要求的目标高原隧道围岩分级模型，就需要通过不断调整原始神经网络模型的网络权值，不断减小误差，故在得到该训练输出值后，还需要确定出对应的围岩等级值的真实值，然后将两者做差得到训练误差。在得到训练误差后，可以根据该训练误差对原始神经网络模型进行调整，具体的，若训练误差大于或等于预设误差阈值，说明此时的分级网络模型精度较低，那么当前网络模型的网络权值还需要进行进一步的调整，并且，在每次调整后，都需要重新计算对应的训练误差，直到训练误差小于预设误差阈值为止，才能得到满足要求的高原隧道围岩分级模型，其中，本实施例中可以使用共轭梯度法来完成对网络模型的权值调整。

[0066] 除此之外，本实施例在进行权值调整的基础上，还可以利用验证数据对模型的超参数进行优化，得到对应的验证误差，然后确定出使得验证误差最小的模型隐含层数量，得到最终的高原隧道围岩分级模型。可以理解的，在用训练数据进行训练时，模型为了可以更好的适应这些训练数据，可能会导致过度拟合，也就是说，上述训练得到的高原隧道围岩分级模型对于这些训练数据的契合度肯定是最好的，但是如果换了其他数据最后的效果可能就难以保证了，故为了提高模型的泛化能力，利用验证数据优化模型的隐含层数量是必不可少的。

[0067] 应当明确的是，此处涉及的模型构建和训练过程是在正式进行分级操作前完成的，在正式操作过程中只需要直接调用高原隧道围岩分级模型即可。

[0068] 神经网络单元，所述神经网络单元与所述数据处理单元相连，用于接收所述测试数据，并根据所述测试数据，利用所述高原隧道围岩分级模型确定出所述待测围岩样本的等级值。

[0069] 在完成上述模型构建和训练后，如果接收到测试数据，即可实时调用该高原隧道围岩分级模型，并实时输出对应的待测围岩样本的等级值，由于经过上述训练该高原隧道围岩分级模型的精度已经很高，所以最后得到的输出结果在保证实时性的同时，还能保证准确性。

[0070] 数据存储模块，所述数据存储模块分别与所述数据获取模块和所述网络分级模块相连，用于接收所述待测围岩数据和所述待测围岩样本的等级值，并生成对应的测试数据条目；所述测试数据条目用于优化所述高原隧道围岩分级模型。

[0071] 为了方便后续工作人员随时查看相关数据，本实施例对于上述过程中产生的各种数据都会存储起来；并且，对于新的测试数据以及对应输出的待测围岩样本的等级值，本实施例还能利用其进行反馈操作，即对数据库和训练数据进行扩充和完善，并利用这些新的数据对上述高原隧道围岩分级模型进行进一步的训练和完善。

[0072] 在一具体实施方式中，参照图4，图4为本发明图1中数据存储模块的功能单元示意图，所述数据存储模块包括：

[0073] 训练数据存储单元，所述训练数据存储单元与所述网络训练单元相连，用于接收并存储所述训练数据；

[0074] 如上所述，为了便于后续工作人员随时查看相关数据，可以在数据存储模块中配置一个训练数据存储单元，然后将在模型训练中使用到的各项训练数据存储在其中。可以理解的，为了方便查找，可以通过分组存储的方式进行存储，即将同一组训练数据中的7个不同类的训练数据(即训练用的质量指标值、单轴抗压强度、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数)作为同一个数据条目进行存储。

[0075] 分级数据存储单元，所述分级数据存储单元分别与所述数据处理单元和所述神经网络单元相连，用于接收所述测试数据和所述待测围岩样本的等级值，并生成所述测试数据条目。

[0076] 除了对训练数据进行存储外，本实施例还可以对测试数据以及对应的待测围岩样本的等级值进行存储，并且，在对其进行存储的基础上，本实施例还可以利用其返回执行对高原隧道围岩分级模型的训练操作，也就是说，本实施例中对于高原隧道围岩分级模型的训练过程是一个动态的、不断优化更新的过程没从而通过更丰富的数据对高原隧道围岩分级模型进行更全面的优化，以不断提升高原隧道围岩分级模型的精度和泛化能力。

[0077] 其中，需要补充说明的是，数据存储模块中配置有Xlwings库，分级数据存储单元可以利用该Xlwings库将测试数据和述待测围岩样本的等级值转换为对应的测试数据条目，得到Excel数据存储起来。具体的，xlwings是Python操作Excel的库之一，主要作为两门语言的交互工具。其可以实现通过Excel宏调用Python脚本，以此来完成大规模复杂数据分析的工作，xlwings库调用简单方便，而且功能强大。

[0078] 本实施例中，根据高原隧道围岩的特性，选择合适的待测参数，利用高原隧道围岩分级模型进行分级，并且可以用分级后得到的测试结果自动返回优化高原隧道围岩分级模型，从而可以通过自我优化，不断完善高原隧道围岩的数据库以及所用的高原隧道围岩分级模型，进而可以提高高原隧道围岩分级的准确性。

[0079] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。