馬世偉 李守定 李 曉 馬立綱 李增林 張玉鋒

(①中國(guó)科學(xué)院地質(zhì)與地球物理研究所， 中國(guó)科學(xué)院頁(yè)巖氣與地質(zhì)工程重點(diǎn)實(shí)驗(yàn)室， 北京 100029，中國(guó))(②中國(guó)科學(xué)院地球科學(xué)研究院， 北京 100029，中國(guó))(③中國(guó)科學(xué)院大學(xué)地球與行星科學(xué)學(xué)院， 北京 100049，中國(guó))(④河北省高速公路延崇籌建處， 張家口 075000，中國(guó))(⑤華北水利水電大學(xué)， 鄭州 450045，中國(guó))(⑥中鐵工程裝備集團(tuán)有限公司， 鄭州 450016，中國(guó))

0 引 言

隧道圍巖是指隧道周圍一定范圍內(nèi)對(duì)隧道穩(wěn)定性產(chǎn)生影響的巖土體，通過(guò)現(xiàn)場(chǎng)圍巖分級(jí)判定既可以對(duì)合理選擇工程結(jié)構(gòu)參數(shù)、工程設(shè)計(jì)起到指導(dǎo)作用，也是隧道工程投資預(yù)算的主要依據(jù)(關(guān)輝輝等， 2011)。因此一種能夠?qū)r體進(jìn)行客觀評(píng)價(jià)的圍巖分類方法是隧道設(shè)計(jì)和施工階段的重要依據(jù)。

國(guó)際圍巖分級(jí)方法主要有普氏堅(jiān)固系數(shù)法、巖體質(zhì)量分級(jí)法、RSR 巖石等級(jí)結(jié)構(gòu)法、RMR 圍巖分級(jí)法、Q 值法、日本準(zhǔn)圍巖抗拉強(qiáng)度分級(jí)法、Caotes 巖石分類法、自穩(wěn)時(shí)間 ts法、Terzaghi 荷載分級(jí)法等，其中應(yīng)用范圍較為廣泛的是Barton的Q值法(Barton et al.，1974； Barton， 2002)和Bieniawski的RMR法(Bieniawski， 1989)，國(guó)內(nèi)圍巖分級(jí)方法主要為國(guó)標(biāo)BQ法，以及基于統(tǒng)計(jì)理論、人工智能、類比法思想的分類模型，其中應(yīng)用范圍最為廣泛的是《工程巖體分級(jí)標(biāo)準(zhǔn)》BQ法(中華人民共和國(guó)行業(yè)標(biāo)準(zhǔn)編寫(xiě)組， 2014)。Q分類法以巖石質(zhì)量指標(biāo)、節(jié)理組數(shù)、節(jié)理粗糙度系數(shù)、節(jié)理蝕變影響系數(shù)、節(jié)理水折減系數(shù)、應(yīng)力折減系數(shù)6個(gè)判定指標(biāo)為依據(jù)。RMR法通過(guò)對(duì)巖石強(qiáng)度、RQD值、節(jié)理間距、節(jié)理?xiàng)l件和地下水條件的各項(xiàng)參數(shù)進(jìn)行評(píng)分，各得分值相加得到的初值來(lái)進(jìn)行評(píng)價(jià)。國(guó)標(biāo)BQ法通過(guò)巖石單軸抗壓強(qiáng)度和完整性程度進(jìn)行初步評(píng)分，通過(guò)結(jié)構(gòu)面產(chǎn)狀與洞軸走向夾角、地下水系數(shù)、地應(yīng)力系數(shù)進(jìn)行修正。上述幾種巖體質(zhì)量評(píng)價(jià)方法中，巖石強(qiáng)度是必須獲取的參數(shù)，巖石強(qiáng)度參數(shù)需要進(jìn)行巖石力學(xué)試驗(yàn)確定，存在取樣實(shí)驗(yàn)時(shí)間長(zhǎng)，評(píng)價(jià)不及時(shí)等問(wèn)題，影響隧道施工工藝的制定進(jìn)而影響施工效率。滯后的圍巖評(píng)價(jià)不僅導(dǎo)致施工效率降低，還存在突發(fā)性隧道地質(zhì)災(zāi)害發(fā)生的風(fēng)險(xiǎn)。例如延崇高速公路棋盤(pán)梁隧道在開(kāi)挖不到一年時(shí)間內(nèi)發(fā)生坍塌5次，云南大風(fēng)婭口隧道塌方20余次，其中一次嚴(yán)重塌方造成工期延誤3個(gè)月(吳強(qiáng)， 2009)。因此，防塌、迅速治塌工作已經(jīng)成為隧道設(shè)計(jì)和施工人員最為關(guān)注的問(wèn)題之一，而滯后的圍巖評(píng)價(jià)常常降低施工效率，或錯(cuò)過(guò)預(yù)防突發(fā)性施工地質(zhì)災(zāi)害的窗口時(shí)間。

巖體工程質(zhì)量分級(jí)通常采用統(tǒng)計(jì)方法、回歸方法，這些方法需要已知數(shù)據(jù)分布形式和對(duì)變量之間關(guān)系的假定，且參數(shù)取樣時(shí)間長(zhǎng)，方法多樣，評(píng)價(jià)不及時(shí)。在巖石力學(xué)與工程系統(tǒng)中，數(shù)據(jù)分布形式和變量之間的關(guān)系是難以準(zhǔn)確獲知的，傳統(tǒng)方法進(jìn)行巖體分級(jí)遇到了困難與挑戰(zhàn)(馮夏庭， 1994； 趙洪波等， 2002)，快速準(zhǔn)確進(jìn)行隧道工作面巖體質(zhì)量分級(jí)，不僅提高動(dòng)態(tài)施工效率，也降低突發(fā)性隧道地質(zhì)災(zāi)害發(fā)生的概率。人工智能與巖石力學(xué)交叉，提供了一種快速高效的分析方法，不僅克服了傳統(tǒng)權(quán)系數(shù)確定方法的主觀性，而且具有快速高效便捷的特點(diǎn)。人工智能與巖石力學(xué)交叉在地質(zhì)工程領(lǐng)域取得了一些成果，如范新宇等(2019)提出了熵權(quán)模糊綜合評(píng)價(jià)模型在極軟巖隧洞圍巖分級(jí)中的應(yīng)用，楊帆等(2019)實(shí)現(xiàn)了基于時(shí)間序列與人工蜂群支持向量機(jī)的滑坡位移預(yù)測(cè)研究，周翠英等(2019)實(shí)現(xiàn)了基于機(jī)器學(xué)習(xí)的地層序列模擬。

目前存在多種人工智能分類方法和算法，分類算法一般分為 Lazy 和 Eager 兩種類型。Lazy 學(xué)習(xí)算法是從局部出發(fā)，推遲對(duì)訓(xùn)練例子的歸納過(guò)程，直到一個(gè)新測(cè)試?yán)映霈F(xiàn)，例如 K 近鄰算法、局部加權(quán)回歸算法等； 而 Eager 學(xué)習(xí)算法則是從全局出發(fā)，在新的測(cè)試?yán)映霈F(xiàn)之前，由訓(xùn)練例子總結(jié)歸納出相似判斷目標(biāo)函數(shù)，例如BP神經(jīng)網(wǎng)絡(luò)算法、徑向基函數(shù)、遺傳分類方法、粗糙集分類方法等。K 近鄰算法(桑應(yīng)賓， 2009)(KNN)是普遍常用的一種數(shù)據(jù)挖掘分類算法，該算法具有直觀、不需要先驗(yàn)統(tǒng)計(jì)知識(shí)和無(wú)師學(xué)習(xí)等特點(diǎn)，目前已經(jīng)成為數(shù)據(jù)挖掘技術(shù)理論和應(yīng)用研究方法之一(趙睿， 2013)。該方法最早由Cover和Hart在1968年提出(李夕兵等， 2009)，在自然科學(xué)和社會(huì)科學(xué)的相關(guān)領(lǐng)域得到了廣泛應(yīng)用，包括地質(zhì)學(xué)、經(jīng)濟(jì)學(xué)、農(nóng)林學(xué)、環(huán)境科學(xué)等相關(guān)學(xué)科領(lǐng)域的多個(gè)層面。但KNN算法在巖土工程領(lǐng)域的應(yīng)用很少，對(duì)KNN算法進(jìn)行改進(jìn)與應(yīng)用，考慮了實(shí)際工程中影響巖體質(zhì)量的因素(宮鳳強(qiáng)等， 2008)，試圖建立KNN算法模型對(duì)巖體質(zhì)量等級(jí)進(jìn)行預(yù)測(cè)。KNN 算法的分類原理是通過(guò)與分類對(duì)象最近的訓(xùn)練樣本 k，對(duì)于給定測(cè)試樣本，直接計(jì)算該樣本和訓(xùn)練集的距離，將距離最近的k個(gè)“鄰居”點(diǎn)的類別作為參考，作為預(yù)測(cè)結(jié)果返回，樣本之間的空間距離一般采用Euclidean 距離計(jì)量方式。

該模型應(yīng)用多項(xiàng)指標(biāo)作為判別因子，通過(guò)改進(jìn)的KNN算法模型的建立，使用巖體質(zhì)量判別指標(biāo)作為KNN算法模型的判別因子，一項(xiàng)指標(biāo)代表一個(gè)維度，圍巖級(jí)別作為類別標(biāo)簽，通過(guò)整理好的訓(xùn)練樣本集進(jìn)行訓(xùn)練，待分類樣本集輸入KNN算法模型，應(yīng)用樣本判別函數(shù)進(jìn)行類別標(biāo)簽的確定既巖體質(zhì)量級(jí)別的確定，并在延崇高速河北段隧道工程中進(jìn)行運(yùn)用。

1 公路隧道巖體質(zhì)量智能動(dòng)態(tài)分級(jí)KNN方法架構(gòu)

通過(guò)深度學(xué)習(xí)技術(shù)提取隧道掌子面照片中巖體質(zhì)量評(píng)價(jià)指標(biāo)相關(guān)信息，訓(xùn)練以隧道掌子面照片和特征標(biāo)簽為數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)模型，識(shí)別掌子面圍巖體蝕變程度、結(jié)構(gòu)面風(fēng)化程度、節(jié)理面層間結(jié)合情況和地下水狀況等分布式特征； 結(jié)合巖體裂隙圖像智能解譯方法統(tǒng)計(jì)圍巖節(jié)理組數(shù)和間距來(lái)描述隧道掌子面完整程度； 將圍巖分級(jí)各判別因子通過(guò)KNN算法進(jìn)行分析，獲得巖體質(zhì)量評(píng)價(jià)結(jié)果。

1.1 工作面采用隧道掌子面圖片人工智能巖體結(jié)構(gòu)參數(shù)辨識(shí)方法

工作面采用隧道掌子面圖片人工智能巖體結(jié)構(gòu)參數(shù)辨識(shí)的方法?；赥ensorFlow平臺(tái)應(yīng)用python語(yǔ)言通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片處理進(jìn)行結(jié)構(gòu)參數(shù)的辨識(shí)，具體流程如下：

導(dǎo)入圖片數(shù)據(jù)→預(yù)處理→建立模型→訓(xùn)練→可視化→判別指標(biāo)預(yù)測(cè)。卷積神經(jīng)網(wǎng)絡(luò)模型示意流程圖如圖1所示：

圖1 卷積神經(jīng)網(wǎng)絡(luò)模型Fig.1 Convolutional Neural Network Model

柳厚祥等(2018)利用深度學(xué)習(xí)方法AlexNet模型對(duì)隧道掌子面照片進(jìn)行分析，利用Caffe可視化工具箱提取逐層特征并附加各層的特征直方圖，對(duì)圖片分析提取了掌子面裂隙、涌水、光滑程度等特征，并利用Matlab圖像識(shí)別技術(shù)對(duì)巖體節(jié)理進(jìn)一步分析處理得出結(jié)構(gòu)面完整程度代入國(guó)標(biāo)BQ法中進(jìn)行圍巖質(zhì)量判定，準(zhǔn)確率高達(dá)87%。因此，通過(guò)人工智能深度學(xué)習(xí)對(duì)圖片處理并提取圍巖判定指標(biāo)的方法是可行高效的。

論文選用VGG卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)掌子面所含定性指標(biāo)如結(jié)構(gòu)面層間結(jié)合情況、蝕變程度、風(fēng)化狀態(tài)、地下水狀況進(jìn)行判別與提取。VGG模型選用VGG19模型，它含有16個(gè)卷積層、3個(gè)全鏈接層、5個(gè)池化層，卷積核大小為3×3，學(xué)習(xí)速率調(diào)為0.000,01。

以地下水狀況為例進(jìn)行圖片特征識(shí)別, 具體過(guò)程如圖2～圖5所示。

圖2 潮濕掌子面(圖2a)； 潮濕掌子面(圖2b)； 干燥掌子面(圖2c)； 線狀出水(圖2d)Fig.2 a.Wet palm surface; b.wet palm surface; c.dry palm surface; d.linear effluent

圖3 訓(xùn)練集與迭代次數(shù)關(guān)系Fig.3 Relationship between training set and number of iterations

圖4 測(cè)試集與迭代次數(shù)關(guān)系Fig.4 Test set versus number of iterations

圖5 部分圖片特征識(shí)別輸出結(jié)果Fig.5 Output Results of Partial Image Feature Recognition

1.2 采用人工智能方法進(jìn)行評(píng)價(jià)

通過(guò)人工智能深度學(xué)習(xí)方法對(duì)掌子面圖片所含相關(guān)判定指標(biāo)進(jìn)行提取，將這些判定指標(biāo)導(dǎo)入KNN算法模型進(jìn)行處理，得到巖體質(zhì)量評(píng)價(jià)結(jié)果。通過(guò)Anaconda Navigator軟件中的Spyder應(yīng)用python語(yǔ)言編寫(xiě)改進(jìn)的KNN分類算法，將KNN算法分類模型的判別因子即模型中的每一個(gè)維度的權(quán)重值導(dǎo)入算法模型中并對(duì)其判別結(jié)果進(jìn)行輸出。

2 延崇高速公路隧道地質(zhì)條件及圍巖質(zhì)量特征

2.1 工程地質(zhì)條件

延崇高速河北段隧道區(qū)域位于張家口市東部懷來(lái)、赤城、崇禮三縣，地處冀西北山地陰山—燕山構(gòu)造帶(圖6)。

圖6 張家口市1︰5萬(wàn)地質(zhì)圖Fig.6 ,1︰50,000 geological map of Zhangjiakou City

2.2 水文地質(zhì)條件

該區(qū)地下水主要為基巖裂隙水，局部以孔隙水為主。地下水來(lái)源主要為大氣降雨，排泄方式以地下水徑流、河水排泄及人工開(kāi)采為主。河流徑流量多集中于7～9月份，具有水流急、陡長(zhǎng)陡落、洪水季節(jié)攜帶泥沙等特點(diǎn)。地下水徑流受地形影響較大，多屬紊流運(yùn)動(dòng)，一般溝谷內(nèi)富水程度中等-強(qiáng)，山脊及山坡處富水程度弱，局部溝谷內(nèi)可見(jiàn)泉水及地表徑流。

2.3 區(qū)域內(nèi)不良地質(zhì)條件

路線穿越區(qū)地質(zhì)災(zāi)害和不良地質(zhì)作用主要為潛在不穩(wěn)定邊坡、斷層、風(fēng)吹雪、高地應(yīng)力等。

2.3.1 不穩(wěn)定邊坡

赤城南互通段路線穿越洪積扇前緣，該段地表出露以洪積碎石層為主，邊坡自然穩(wěn)定。線路施工開(kāi)挖導(dǎo)致左側(cè)坡面存在臨空面，碎石滾落現(xiàn)象時(shí)有發(fā)生，為潛在不穩(wěn)定邊坡，需要進(jìn)行邊坡支護(hù)處理。

2.3.2 斷層

杏林堡隧道K28+880處，掌子面巖性發(fā)生變化，掌子面右側(cè)圍巖為中上元古界長(zhǎng)城系高于莊組石英砂巖、砂質(zhì)白云巖、角礫狀白云巖和黑色頁(yè)巖，強(qiáng)風(fēng)化，層間結(jié)合一般。掌子面左側(cè)為侏羅系中統(tǒng)髫髻組中性火山巖夾凝灰質(zhì)砂巖，斷層產(chǎn)狀為267°∠45°。

2.3.3 風(fēng)吹雪

K95+000至終點(diǎn)段常年西北風(fēng)且風(fēng)力較大，冬季降雪后，容易在山區(qū)溝谷東南坡形成積雪。

2.3.4 高地應(yīng)力

路線穿越區(qū)域的松山特長(zhǎng)隧道、杏林堡特長(zhǎng)隧道，最大埋深400～800,m，巖性為花崗巖、安山巖、頁(yè)巖、片麻巖。受高地應(yīng)力影響，隧道開(kāi)挖過(guò)程中松山隧道堅(jiān)硬花崗巖由于彈性勢(shì)能的突然釋放易形成巖爆災(zāi)害，杏林堡特長(zhǎng)隧道頁(yè)巖、全風(fēng)化片麻巖等軟巖區(qū)域易引發(fā)擠壓大變形災(zāi)害。實(shí)際施工過(guò)程中高地應(yīng)力特征表現(xiàn)并不明顯。

2.4圍巖質(zhì)量特征

對(duì)延崇高速河北段隧道8個(gè)標(biāo)段1300份圍巖分級(jí)報(bào)告進(jìn)行統(tǒng)計(jì)，結(jié)果如圖7所示?，F(xiàn)場(chǎng)以Ⅳ級(jí)圍巖為主約占總里程53%， Ⅴ級(jí)圍巖最少約占總里程10%。以國(guó)標(biāo)BQ法為基礎(chǔ)圍巖分為Ⅲ、Ⅳ、Ⅴ級(jí)3類，將評(píng)價(jià)指標(biāo)輸入KNN算法模型，經(jīng)訓(xùn)練樣本訓(xùn)練，輸入測(cè)試數(shù)據(jù)，通過(guò)KNN算法模型計(jì)算輸出Ⅲ、Ⅳ、Ⅴ級(jí)3類圍巖級(jí)別。

圖7 圍巖質(zhì)量特征統(tǒng)計(jì)分布圖Fig.7 Statistical distribution of mass characteristics of surrounding rock

3 KNN算法分類模型

KNN算法是在已知訓(xùn)練集數(shù)據(jù)和標(biāo)簽時(shí)輸入測(cè)試數(shù)據(jù)，將測(cè)試數(shù)據(jù)的特性與訓(xùn)練集的相應(yīng)特性進(jìn)行比對(duì)，找到與訓(xùn)練集相似的前K個(gè)數(shù)據(jù)，則測(cè)試數(shù)據(jù)對(duì)應(yīng)的類別是K個(gè)數(shù)據(jù)最頻繁出現(xiàn)的類別(王慧， 2017)。

3.1 距離度量

KNN算法的核心是計(jì)算待分類樣本與訓(xùn)練樣本之間的距離，論文采用歐氏距離法來(lái)確定樣本的相似性(陳磊磊， 2015)。歐氏距離公式為：

(1)

式中：X=(x1，x2，x3…，xn)和Y=(y1，y2，y3…，yn)分別代表兩個(gè)樣本數(shù)據(jù)，n為樣本特征屬性的個(gè)數(shù)。

3.2 改進(jìn)的KNN算法

傳統(tǒng)的KNN算法未考慮每個(gè)特征指標(biāo)對(duì)分類結(jié)果信息的貢獻(xiàn)程度不同，在傳統(tǒng)的KNN算法步驟中使用熵值法對(duì)特征指標(biāo)賦予權(quán)重(張慧等， 2018)，得到的分類結(jié)果更為精確。

設(shè)有m個(gè)數(shù)據(jù)樣本，n個(gè)樣本特征指標(biāo)，存在數(shù)據(jù)矩陣M=(?ij)m×n。

(1)第j項(xiàng)指標(biāo)中的第i個(gè)樣本數(shù)據(jù)占j指標(biāo)下總體樣本的比重qij

(2)

(2)計(jì)算第j項(xiàng)指標(biāo)的信息熵hj

(3)

(3)計(jì)算第j項(xiàng)指標(biāo)的熵值ej

ej=khj

(4)

其中：k=1/1,nm

(4)計(jì)算差異性系數(shù)gj：gj=1-ej

(5)定義特征指標(biāo)的權(quán)數(shù)：

(5)

熵值法賦予權(quán)重是一種客觀賦權(quán)方法，有效避免了人為主觀性對(duì)指標(biāo)重要性的影響，有科學(xué)的理論依據(jù)。

3.3 KNN算法的模型建立

將一個(gè)分類算法抽象為系統(tǒng)參數(shù)(k，w，h)、類別標(biāo)簽Y、距離函數(shù)d、樣本分類函數(shù)Y(Xi)、樣本判別函數(shù)e、訓(xùn)練樣本集XW、待分類樣本集XD。其定義如下(李昂， 2018)：

(1)系統(tǒng)參數(shù)中(k，w，h)，k表示某一個(gè)樣本點(diǎn)X的最近鄰個(gè)數(shù)； 分量權(quán)重向量W=(w1，w2，w3…，wn)分別表示在計(jì)算距離時(shí)，樣本點(diǎn)向量X每一個(gè)維度的權(quán)重值，賦權(quán)過(guò)程按照式(2)～(5)進(jìn)行； 距離權(quán)重向量h=(h1，h2，h3…，hn)表示某一樣本點(diǎn)X的最近鄰集合中每個(gè)樣本點(diǎn)的權(quán)重，論文每個(gè)樣本點(diǎn)的權(quán)重相同。

(2)用一個(gè)n維向量X=(X1，X2，…，Xn)表示一個(gè)樣本點(diǎn)。對(duì)于某一個(gè)樣本點(diǎn)X來(lái)說(shuō)，KNNXi={X1，X2，…，XK}， 表示的是與Xi最近的k個(gè)鄰居樣本點(diǎn)的集合。

(3)類別標(biāo)簽集Y={Y1，Y2，…Ym}是系統(tǒng)中所有類別標(biāo)簽。對(duì)于一個(gè)待分類的樣本點(diǎn)Xi.，其分類結(jié)果可以表示為：

Y(Xi)=argmax∑yi∈Y∑X∈KNNXic(X，yi)

(6)

若Y(X)=yi表示樣本點(diǎn)X對(duì)應(yīng)的類別標(biāo)簽為yi； 別特地，若某些樣本X的類別標(biāo)簽未被確定，則Y(X)=⊥。

(4)距離函數(shù)d：采用歐氏距離進(jìn)行距離測(cè)量：

(7)

(5)樣本判別函數(shù)c：Rn×N→{0， 1}用于判斷樣本點(diǎn)是否屬于某一類別，若c(X，yi)=1表示樣本點(diǎn)X屬于類別yi，若c(X，yi)=0則表示樣本點(diǎn)X不屬于類別yi。

(6)訓(xùn)練樣本集XW={XIY(X)≠⊥}是一個(gè)類別簽已知的樣本點(diǎn)集合。

(7)待測(cè)樣本XD={XIY(X)=⊥}是一個(gè)類別標(biāo)簽未知的樣本點(diǎn)集合。

4 公路隧道巖體質(zhì)量智能動(dòng)態(tài)分級(jí)KNN方法

4.1 判別指標(biāo)的確定及量化

巖體是具有一定構(gòu)造的地質(zhì)體。影響巖體質(zhì)量等級(jí)的因素主要有3個(gè)：巖體性質(zhì)、巖體結(jié)構(gòu)和賦存環(huán)境。統(tǒng)計(jì)表明國(guó)內(nèi)外圍巖分級(jí)方法(表1)應(yīng)用最為廣泛的分級(jí)指標(biāo)為巖石強(qiáng)度、巖石完整程度、地下水狀況、結(jié)構(gòu)面狀態(tài)、初始應(yīng)力狀態(tài)。延崇高速河北段隧道區(qū)域高地應(yīng)力影響甚微暫不考慮； 考慮到巖石強(qiáng)度的確定需要進(jìn)行現(xiàn)場(chǎng)和室內(nèi)試驗(yàn)及分析，巖體質(zhì)量評(píng)價(jià)時(shí)間滯后，常常降低施工效率，論文采用巖體蝕變程度、風(fēng)化狀態(tài)進(jìn)行表示； 巖石完整程度通過(guò)節(jié)理?xiàng)l數(shù)、巖體體積節(jié)理數(shù)Jv進(jìn)行表示； 結(jié)構(gòu)面狀態(tài)通過(guò)結(jié)構(gòu)面走向與洞軸夾角、層間結(jié)合情況來(lái)表示。最后確定以體積節(jié)理數(shù)Jv、節(jié)理?xiàng)l數(shù)、巖體風(fēng)化程度、巖體蝕變程度、結(jié)構(gòu)面走向與洞軸夾角、結(jié)構(gòu)面層間結(jié)合情況和地下水狀況7項(xiàng)指標(biāo)作為KNN算法模型的判別因子。

表1 巖體質(zhì)量分級(jí)指標(biāo)Table1 Classification index of rock mass quality

根據(jù)RMR巖體質(zhì)量評(píng)價(jià)方法將風(fēng)化程度、巖體蝕變程度、結(jié)構(gòu)面層間結(jié)合情況和地下水狀況等定性描述進(jìn)行量化，如表2所示。

表2 定性描述量化表Table2 Qualitative description quantitative table

基于python實(shí)現(xiàn)各指標(biāo)與圍巖級(jí)別相關(guān)性分析(圖8)，由圖可知7個(gè)判定指標(biāo)與圍巖級(jí)別都具有較好的相關(guān)性。

圖8 相關(guān)性分析Fig.8 Correlation analysis

4.2 改進(jìn)KNN算法分類模型的建立

根據(jù)延崇高速河北段圍巖分級(jí)單位提供的8個(gè)隧道， 40個(gè)掌子面實(shí)測(cè)資料為例，選取150個(gè)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，再選取50個(gè)樣本數(shù)據(jù)作為待判定樣本進(jìn)行檢驗(yàn)，并以體積節(jié)理數(shù)、節(jié)理組數(shù)、風(fēng)化程度、巖體蝕變程度、結(jié)構(gòu)面走向與洞軸夾角、結(jié)構(gòu)面層間結(jié)合情況和地下水狀況作為KNN算法分類模型的判別因子即模型中的每一個(gè)維度，將圍巖級(jí)別輸出為Ⅲ、Ⅳ和Ⅴ級(jí)3個(gè)類別。

通過(guò)Anaconda Navigator軟件中的Spyder應(yīng)用python語(yǔ)言編寫(xiě)改進(jìn)的KNN分類算法，將KNN算法分類模型的判別因子即模型中的每一個(gè)維度值導(dǎo)入算法模型中并對(duì)其判別結(jié)果進(jìn)行輸出，具體流程如圖9所示。

圖9 KNN算法圍巖分級(jí)流程圖Fig.9 KNN Flow chart of surrounding rock classification of algorithm

4.3 判別模型的檢驗(yàn)

以延崇高速公路河北段隧道巖體質(zhì)量評(píng)價(jià)方法(國(guó)標(biāo)BQ法)計(jì)算得出的隧道圍巖級(jí)別作為實(shí)測(cè)值進(jìn)行模型輸出結(jié)果的校驗(yàn)，具體計(jì)算方法如下(中華人民共和國(guó)行業(yè)標(biāo)準(zhǔn)編寫(xiě)組， 2014)：

巖體基本質(zhì)量指標(biāo)BQ，應(yīng)根據(jù)分級(jí)因素的定量指標(biāo)Rc與Kv，按下式進(jìn)行計(jì)算。

BQ=100+3Rc+250Kv

(8)

式中：BQ為巖質(zhì)圍巖基本質(zhì)量指標(biāo)；Rc為巖石單軸飽和抗壓強(qiáng)度；Kv為巖體完整系數(shù)。

地下工程巖體質(zhì)量指標(biāo)[BQ]，按下式計(jì)算：

[BQ]=BQ-100(K1+K2+K3)

(9)

式中：[BQ]為巖質(zhì)圍巖基本質(zhì)量指標(biāo)修正值；K1為地下水狀態(tài)影響修正系數(shù)；K2為主要軟弱結(jié)構(gòu)面產(chǎn)裝影響修正系數(shù)；K3為初始地應(yīng)力狀態(tài)影響修正系數(shù)。

使用訓(xùn)練完成的KNN算法分類模型對(duì)50個(gè)待判別樣本進(jìn)行判別，其中誤判5個(gè)樣本，其余45個(gè)樣本判別結(jié)果與國(guó)標(biāo)BQ法判別結(jié)果完全相符(表3)。發(fā)生誤判的原因可能是：訓(xùn)練樣本數(shù)據(jù)量不足、訓(xùn)練樣本的代表性以及容量的范圍需要進(jìn)一步優(yōu)化和改善。

表3 改進(jìn)的KNN算法模型分類結(jié)果Table3 Classification results of improved KNN model

改進(jìn)的KNN算法分類模型誤判率為：

η=5/50=0.10

由此可見(jiàn)，改進(jìn)的KNN算法分類模型在隧道巖體工程質(zhì)量等級(jí)判別和分類中的應(yīng)用，是完全可行且高效的。

5 結(jié) 論

(1)公路隧道巖體質(zhì)量智能動(dòng)態(tài)分級(jí)KNN方法一種利用人工智能技術(shù)快速高效進(jìn)行巖體質(zhì)量動(dòng)態(tài)分級(jí)的方法，能夠在現(xiàn)場(chǎng)實(shí)時(shí)獲得巖體質(zhì)量評(píng)價(jià)結(jié)果。

(2)KNN分級(jí)方法中選用了7個(gè)判別指標(biāo)，綜合考慮了隧道圍巖體的結(jié)構(gòu)、賦存環(huán)境、地質(zhì)構(gòu)造等特性，并體現(xiàn)了這些指標(biāo)在實(shí)際工程評(píng)判中的可操作性和適用性。

(3)KNN分級(jí)方法誤判率低，在判別分類中排除了評(píng)分過(guò)程中人為因素的影響，具有較強(qiáng)的判別能力，為T(mén)BM圍巖實(shí)時(shí)分級(jí)做方法儲(chǔ)備。