易文豪，王明年，童建軍，趙思光，李佳旺，桂登斌，張 霄

（1. 西南交通大學 土木工程學院，四川 成都 610031；2. 西南交通大學 交通隧道工程教育部重點試驗室，四川 成都 610031）

高速鐵路單洞雙線巖質隧道開挖斷面面積可達160 m2，受斷層、密集節(jié)理、局部風化和地層分界線等因素影響，施工中掌子面圍巖常常呈現(xiàn)出非均一性特征，須及時對設計參數(shù)做出局部優(yōu)化調整。目前主要依靠現(xiàn)場地質人員對這種非均一性做出判識，其手段單一、時效性較差，并受人員技術水平的影響。隨著我國巖質隧道大型施工裝備研制水平的不斷提升，全電腦鑿巖臺車的使用越來越廣泛，利用其鉆進參數(shù)對掌子面圍巖進行非均一性判識成為可能。

國內外相關學者早已開始利用鉆進參數(shù)判識地層巖性風化程度、結構面等信息。1997年，Horner 等［1］著手利用鉆探技術評判地層巖性。之后，QIN M 等［2］通過試驗采集了鉆進過程的振動頻譜和聲學頻譜，對地層巖性進行了區(qū)分。譚卓英、岳中琦等［3-10］基于地勘過程中鉆孔的鉆進參數(shù)開展了一系列地層信息識別的研究，建立了地層地質界面儀器識別系統(tǒng)（GIWD），對地層巖性、風化程度、地質界面等地層信息進行了識別。NIU G G等［11］利用實時的綜合試驗，分析了煤礦井炮孔鉆進參數(shù)與圍巖類別的關系，對巷道圍巖類別進行了識別。為了更好地利用鉆進參數(shù)，國外的地質勘測設備公司也開發(fā)了快速鉆探測試系統(tǒng)，例如法國JEAN LUTZ 公司的DEFI，法國Apageo 公司的EXPLOFOR，日本礦研公司的MWD等。

近年來，隨著機器學習研究的不斷深入，機器學習理論逐步應用于巖體質量分析。WEDGE D等［12］利用卷積神經(jīng)網(wǎng)絡和礦物勘探中采集的鉆進參數(shù)，通過算法判斷地層巖性、地層分界面等信息并與人工判斷結果進行了對比。張志龍［13］引入BP 神經(jīng)網(wǎng)絡原理，將巖組類別、巖體結構、節(jié)理發(fā)育程度等巖體質量信息歸一化，定性預測巖體質量。NISHITSUJI Y 等［14］對比了支持向量機、深度學習與線性分類器及貝葉斯分類器等模型在巖相類型劃分方面的表現(xiàn)，認為深度學習方法更具備成為未來巖性劃分的主要方法的潛力。VALENTíN M B 等［15］利用超聲波和微電阻率成像測井數(shù)據(jù)作為輸入，通過深度殘差網(wǎng)絡構建了井眼圖像數(shù)據(jù)分類模型，識別了鈣質巖、輝綠巖、頁巖和粉砂巖4類巖性。蔡世明［16］選擇圍巖強度、自重應力、巖體完整程度和開采影響等7類參數(shù)作為神經(jīng)網(wǎng)絡輸入，判識了巷道工程圍巖穩(wěn)定性狀態(tài)。以上學者的研究表明，利用機器學習理論和鉆進參數(shù)識別地層巖性、巖層厚度和節(jié)理發(fā)育程度等地質構造信息是可行的，但如何在實際工程中進一步定量判識大斷面巖質隧道掌子面不同區(qū)域的圍巖情況，評判非均一性特征，指導設計參數(shù)調整，還有待深入研究。

本文在分析鑿巖臺車鉆頭碎巖能量轉換關系的基礎上，基于鄭萬高鐵隧道炮孔鉆進過程中記錄的鉆進過程樣本299 份，通過皮爾遜相關性系數(shù)明確4 項鉆進參數(shù)與圍巖級別之間具有較強相關性，據(jù)此構建大斷面巖質隧道掌子面圍巖分級樣本庫；針對高速鐵路大斷面巖質隧道常見的Ⅲ，Ⅳ和Ⅴ級巖質圍巖的一般地質情況，分別構建基于支持向量機（SVM）和2 種神經(jīng)網(wǎng)絡的大斷面巖質隧道掌子面圍巖分級模型，并采用同樣的數(shù)據(jù)對比3種模型性能；以SVM 分級模型為基礎，利用炮孔名義分級和名義分區(qū)分級名詞描述掌子面圍巖非均一性判識方法，并針對鄭萬高鐵5 條試驗隧道進行判識計算，對大斷面巖質隧道拱部及邊墻圍巖相對較差部分提出支護參數(shù)的局部優(yōu)化建議。

1 用于機器學習的大斷面巖質隧道圍巖分級樣本庫

1.1 全電腦三臂鑿巖臺車能量轉換關系

鑿巖臺車鉆頭破碎巖石的過程一般包括沖擊、回轉和推進3 種運動。鉆頭在具體工作時，通過沖擊運動，沖擊前方巖體以破碎巖石；通過回轉運動，旋轉剝離鉆孔內壁破碎巖石；通過推進運動，在動力驅動下確保鉆頭與巖石的始終接觸。鄭萬高鐵現(xiàn)場全程采用我國自主研發(fā)的ZYS113 型全電腦三臂鑿巖臺車，其鉆臂工作過程如圖1所示。

圖1 ZYS113全電腦三臂鑿巖臺車鉆具工作過程

將鉆進過程中運動的鉆頭視為質點，根據(jù)能量守恒原理，此時鑿巖臺車鉆機動力系統(tǒng)所做的功能量轉換關系［3］為

其中，

式中：P為鉆機動力系統(tǒng)輸出的總能量，J；Pk為鉆頭在鉆進過程中產(chǎn)生的動能，J；Pd為鉆機動力系統(tǒng)帶動鉆頭沖擊運動過程中所做的軸力功，J；Pf為鉆具鉆進過程中的摩擦功，J；m為鉆頭的質量，kg；v為鑿巖臺車所記錄的進給速度，m·s-1；Fd為鑿巖臺車所記錄的打擊壓強，bar；S為沖擊過程中鉆頭的絕對位移量，m。

圍巖級別能較好地反映圍巖質量和所需的鉆機動力系統(tǒng)輸出總能量。通常認為，圍巖級別越高，圍巖質量越差，破巖所需的能量越低；圍巖級別越低，圍巖質量越好，所需的鉆機動力系統(tǒng)輸出總能量越高。

鉆具鉆進過程中的摩擦功Pf由2部分組成：一部分能量用于機器自身的摩擦，最終以發(fā)聲發(fā)熱的形式耗散；另一部分能量用于鉆頭鉆進過程中的孔底摩擦和側向摩擦，即破碎巖石的有效功（摩擦功）。本文忽略較小的機器自身摩擦損耗，則單位時間內，鉆具鉆進過程中的摩擦功為

其中，

式中：Pfb為單位時間內鉆桿與孔壁摩擦消耗的能量，J；Pfs為單位時間內鉆頭回轉過程中側向摩擦破碎巖石的能量，J；D為鉆頭直徑，m；Fh為鑿巖臺車記錄的回轉壓強，bar；n為鉆頭的轉速，r·s-1；Ft為鑿巖臺車所記錄的推進壓強，bar；ΔS為推進運動過程中鉆頭的絕對位移量，m。

根據(jù)能量轉換關系可知，掌子面炮孔鉆進過程中，全電腦三臂鑿巖臺車輸入的有效功與進給速度、打擊壓強、推進壓強、回轉壓強這4項鉆進參數(shù)相關，因此研究機器學習模型時可根據(jù)能量轉換關系的推導結果和機器學習模型的具體形式構建數(shù)據(jù)類型需求。機器學習模型在訓練過程中，輸入層和輸出層數(shù)據(jù)可人工賦予，由此考慮以4項鉆進參數(shù)作為大斷面巖質隧道圍巖分級模型輸入層數(shù)據(jù)，以圍巖級別作為輸出層數(shù)據(jù)。

1.2 鉆進參數(shù)、圍巖級別的現(xiàn)場采集

考慮后期圍巖分級樣本庫構建計劃及庫中樣本的泛化性，在結合實際施工進度安排的基礎上，以鄭萬高鐵向家灣、新華、楚烽、高家坪和香爐坪5條大斷面巖質隧道為試驗隧道，開展鉆進參數(shù)、圍巖級別現(xiàn)場采集工作。5 條試驗隧道穿越地層涵蓋Ⅲ，Ⅳ和Ⅴ級圍巖，沿途無特殊地質環(huán)境，主要巖性是灰?guī)r、白云巖和頁巖。

《鐵路隧道設計規(guī)范》［17］中，圍巖分級采用定性劃分和定量指標這2 種方法綜合確定。采用現(xiàn)場掌子面地質素描獲取其巖石堅硬程度和巖體完整程度的定性描述；巖石回彈試驗、巖石抗壓強度試驗、巖石波速試驗和巖體波速試驗等方法可初步獲取其圍巖分級定量指標IBQ值，引入地下水、地應力和主要結構面產(chǎn)狀指標獲取修正后I[BQ]值。

圍巖定量指標的BQ 值IBQ和修正后的BQ 值I[BQ]具體計算方法分別為

式中：Rc為巖石單軸飽和抗壓強度，反映巖石的堅硬程度，MPa；Kv為巖體完整程度。

式中：K1為地下水影響修正系數(shù)；K2為主要軟弱結構面產(chǎn)狀修正系數(shù)；K3為初始地應力影響修正系數(shù)。

實際工程對圍巖級別的判定以定性為主，定量為輔。在試驗隧道中采集現(xiàn)場掌子面地質素描，作為定性判識結果；通過少量巖石回彈試驗、巖石抗壓強度試驗、巖石波速試驗和巖體波速試驗等方法計算圍巖IBQ值與修正后的I[BQ]值，作為定量判定結果；采集目標掌子面的4 項鉆進參數(shù)，以定量和定性判定結果相互驗證的方式確定對應掌子面圍巖級別。

1.3 鉆進參數(shù)、圍巖級別的相關性分析

在炮孔開始鉆進時，ZYS113 全電腦三臂鑿巖臺車可自動記錄炮孔位置信息；在炮孔鉆進過程中，鑿巖臺車每鉆進20 mm 會自動記錄并保存進給速度、打擊壓強、推進壓強和回轉壓強4項炮孔鉆進參數(shù)。鑿巖臺車這種自動記錄炮孔位置信息和實時采集各掌子面各炮孔4 項鉆進參數(shù)的功能，為圍巖分級數(shù)據(jù)庫的構建奠定了技術基礎。

假定對于各條試驗隧道，掌子面各炮孔和炮孔每次記錄的鉆進數(shù)據(jù)均有相同的權重，則計算單個炮孔各項鉆進參數(shù)均值和掌子面內所有炮孔各項鉆進參數(shù)均值，可得到與掌子面地質素描相對應的掌子面圍巖級別及所有炮孔所記錄的各項鉆進參數(shù)平均值。分別繪制5 條試驗隧道中Ⅲ，Ⅳ和Ⅴ級圍巖的4 項鉆進參數(shù)平均值散點圖如圖2 所示。由圖2可知，不同圍巖級別下的進給速度、打擊壓強、推進壓強和回轉壓強之間均存在較明顯的分層現(xiàn)象。

圖2 不同等級下的圍巖鉆進參數(shù)分布

變量之間沒有關系時，強行引入變量會導致分級模型準確性的降低，所以基于機器學習的分級模型需要判斷變量之間是否具有強相關性（變量間相關性的正負并不影響模型）。為此，考慮以皮爾遜相關系數(shù)定量評判鉆進參數(shù)與圍巖級別之間的相關性，利用皮爾遜相關系數(shù)的絕對值大小度量鉆進參數(shù)與圍巖級別之間的相關程度。

皮爾遜相關系數(shù)Υ=-1 表示2 個變量之間絕對負相關，Υ=1 表示絕對正相關，Υ=0 表示無關，其計算方法為

式中：xi為樣本中的單個掌子面各鉆進參數(shù)平均值；xˉ為所有樣本掌子面各項鉆進參數(shù)的平均值；yi為單個掌子面的圍巖級別，yi∈{Ⅲ}，Ⅳ，Ⅴ，i為各樣本掌子面編號；yˉ為所有樣本掌子面的圍巖級別平均值；N為樣本掌子面最大編號。

鉆進參數(shù)與圍巖級別皮爾遜相關系數(shù)的計算結果見表1。由表1可知：4項鉆進參數(shù)與圍巖級別具有較強相關性，其中進給速度與圍巖級別之間存在正相關性，意味著進給速度越大，圍巖級別也越大；推進壓強、打擊壓強、回轉壓強與圍巖級別之間存在負相關性，意味著這3 項參數(shù)的數(shù)值越大，圍巖級別越小。

表1 鉆進參數(shù)與圍巖級別皮爾遜相關系數(shù)

1.4 大斷面巖質隧道掌子面圍巖分級樣本庫構建

利用5 條試驗隧道開展掌子面的地質素描、波速試驗和單軸飽和抗壓強度測試，判識299 份樣本掌子面圍巖級別，得到的掌子面地質素描、波速試驗和單軸飽和抗壓強度測試結果相互驗證。因此，利用ZYS113 全電腦三臂鑿巖臺車獲取樣本掌子面的鉆進參數(shù)，以隧道名稱、4 項鉆進參數(shù)、圍巖級別、主要巖性和掌子面地質素描為主體，巖石回彈試驗結果、巖石抗強度試驗結果、巖石波速試驗結果和巖體波速試驗結果為輔的地質信息共同構成大斷面巖質隧道掌子面圍巖分級樣本庫。

表2 大斷面巖質隧道掌子面圍巖分級樣本庫

2 基于機器學習的大斷面巖質隧道掌子面圍巖分級模型

根據(jù)本文所構建的大斷面巖質隧道圍巖分級樣本庫，分別構建基于支持向量機和2 種神經(jīng)網(wǎng)絡的大斷面巖質隧道掌子面圍巖分級模型，對比3種模型在預測集和更換樣本2種情況下時判識準確度。

2.1 基于支持向量機的大斷面巖質隧道掌子面圍巖分級模型

從本質上看，大斷面巖質隧道掌子面圍巖級別判識問題屬于“分類”問題。由于現(xiàn)場施工環(huán)境較差和施工進度安排，實際采集得到的樣本數(shù)量較少，因此，研究時采用能較好解決分類問題、防止“維數(shù)災難”、保證較好“魯棒性”的支持向量機（Support Vector Machine，SVM）方法。作為1 種代表性的機器學習方法，SVM［19-22］從理論上提供了1 種避開高維空間復雜性，用內積函數(shù)（核函數(shù)）直接求解對應高維空間分類決策問題的思路，模型中核函數(shù)形式是人工賦予的，這樣可以避免“維數(shù)災難”，當樣本量較小時依舊能保證模型的準確度。

基于SVM 的大斷面巖質隧道掌子面圍巖分級模型（簡稱SVM 分級模型）由輸入層、隱含層和輸出層組成，輸入層包含4 個節(jié)點，即前文提到的進給速度、打擊壓強、推進壓強和回轉壓強這4項鉆進參數(shù)；隱含層包含62 個節(jié)點；輸出層包含1個節(jié)點，即圍巖級別；輸入層和輸出層的數(shù)據(jù)均需要人工賦予?；诖髷嗝鎺r質隧道掌子面圍巖分級樣本庫，構建大斷面巖質隧道掌子面圍巖分級模型的機器學習數(shù)據(jù)庫。數(shù)據(jù)庫由訓練集和預測集組成，從樣本庫中隨機選取150 份樣本作為訓練集，用于構建模型，另149 份樣本作為預測集，用于驗證模型準確度。不同圍巖級別下的數(shù)據(jù)庫訓練集和預測集樣本數(shù)量見表3。

表3 大斷面巖質隧道掌子面圍巖分級模型機器學習數(shù)據(jù)庫樣本數(shù)量

傳統(tǒng)的函數(shù)擬合方式是構建4 項鉆進參數(shù)和圍巖級別之間的低緯的映射關系，這種方法雖能降低計算量，但其計算準確度受映射函數(shù)的影響極大。為解決這一問題，本文將輸入層的4 個節(jié)點進行非線性變換，將輸入層中的數(shù)據(jù)映射到1個高緯度特征空間中，得到的SVM 分級模型結構中：輸入層節(jié)點數(shù)為4；隱含層節(jié)點數(shù)為62個；輸出層節(jié)點數(shù)為1 個；核函數(shù)類型選用徑向基函數(shù)（RBF）類型；懲罰因子C為調節(jié)優(yōu)化方向中間隔大小、分類準確偏好的權重，即對誤差的寬容度，C取值越大說明越不能容忍出現(xiàn)誤差，越易于出現(xiàn)過擬合，C取值越小則易于出現(xiàn)欠擬合，C值的過大或過小都會導致模型的泛化能力變差，本文取C=1.4；γ為RBF 函數(shù)自帶的1 個參數(shù)，決定了4 項鉆進參數(shù)映射到新的特征空間后的分布平面，γ值越大表示支持向量越少，γ值越小表示支持向量越多，本文取γ=51.2；支持向量的個數(shù)決定了迭代次數(shù)，支持向量的個數(shù)越多表示迭代次數(shù)越多，若迭代次數(shù)過多，則容易出現(xiàn)過擬合，反之若迭代次數(shù)過低，則容易出現(xiàn)分級模型準確度偏低的情況，本文取支持向量的個數(shù)為62個。

在模型構建的過程中，需先構建分類超平面。分類超平面Y可表示為

式中：sign(.)為符號函數(shù)；w為權值向量；x為輸入向量，即鉆進參數(shù)；b為閾值。

在高緯度特征空間中，利用分類決策函數(shù)輸出圍巖級別，決策函數(shù)為

其中，

式中：λ為乘系數(shù)；K(x，xj)為支持向量機的核函數(shù)，表示圍巖級別數(shù)值歸一化結果，其中xj為各輸入向量經(jīng)過高維映射后對應的輸出值。

將預測集樣本帶入大斷面巖質隧道SVM 訓練模型進行計算，并利用預測集樣本圍巖分級準確度表征該分級模型在大斷面巖質隧道一般地質條件下的適用性，準確度計算方法為

式中：Ac為某圍巖級別的準確度；ay為SVM 分級模型判識準確的某圍巖級別數(shù)量；Ay為該圍巖級別的判識總數(shù)量。

利用SVM 分級模型對預測集樣本進行計算，得到的判識準確度見表4。由表4可知：SVM 分級模型對Ⅲ級圍巖的分級準確度為93.7%，對Ⅳ級圍巖為89.3%，對Ⅴ級圍巖為73.3%；定義預測集的平均準確度為大斷面巖質隧道SVM 分級模型判釋準確的數(shù)量與預測集樣本總數(shù)量（149 份）的比值，計算其結果確度為87.9%。

表4 SVM分級模型預測集判識結果

2.2 基于神經(jīng)網(wǎng)絡的大斷面巖質隧道掌子面圍巖分級模型

分別構建基于徑向基（Radial Basis Function，RBF）和多層前饋（Back Propagation，BP）2 種常用的神經(jīng)網(wǎng)絡大斷面巖質隧道圍巖分級模型，考慮本文實際輸入數(shù)據(jù)和輸出數(shù)據(jù)類型、模型計算時間等因素，2 種神經(jīng)網(wǎng)絡的大斷面巖質隧道圍巖分級模型參數(shù)見表5；沿用SVM 的訓練集和預測集樣本，經(jīng)過2 種神經(jīng)網(wǎng)絡大斷面巖質隧道圍巖分級模型計算得到的預測集判識結果見表6。由表6 可知，在相同訓練集和預測集情況下，RBF 神經(jīng)網(wǎng)絡大斷面巖質隧道圍巖分級模型（簡稱RBF 分級模型）預測集分級準確度為76.5%，BP 神經(jīng)網(wǎng)絡大斷面巖質隧道圍巖分級模型（簡稱BP 分級模型）預測集分級準確度為85.9%，均低于SVM 分級模型的準確度87.9%。

表5 2種神經(jīng)網(wǎng)絡分級模型的參數(shù)

表6 2種神經(jīng)網(wǎng)絡分級模型預測集判識結果

2.3 不同機器學習大斷面巖質隧道掌子面圍巖分級模型的對比

為進一步驗證大斷面巖質隧道掌子面圍巖分級模型的泛化性，在試驗隧道內開展現(xiàn)場試驗。選取巖性分布較為多樣、圍巖級別分布較為復雜的新華隧道和高家坪隧道，采集新樣本共14 個，分別利用SVM 和2 種神經(jīng)網(wǎng)絡分級模型，對新樣本進行逐一判識，對比判識結果和實際結果見表7。根據(jù)判識結果進一步得到3種不同機器學習分級模型下的新樣本準確度見表8。由表7 和表8 可知，更換樣本的條件下，相較于2 種神經(jīng)網(wǎng)絡分級模型，SVM分級模型的準確度更高、泛化性更好。

表7 大斷面巖質隧道掌子面圍巖分級模型判識和實際圍巖級別對比

綜合分析表4—表8 可知：在樣本數(shù)量較小的情況下，相較于RBF、BP 這2 種神經(jīng)網(wǎng)絡分級模型，SVM 分級模型具有更好的“魯棒性”，這印證了朱秀芳等［19］的研究成果；相同樣本量下，不同分類方法的分類結果不同，但隨著樣本量的增加，SVM分級模型分類準確度不斷提高。

表8 3種不同機器學習分級模型準確度對比

由于現(xiàn)場條件限制，采集的樣本數(shù)量有限。圍巖地質條件分布復雜、隨機性大，各大斷面巖質隧道圍巖分級模型的分級準確度受樣本數(shù)量的影響較大，故SVM 分級模型在預測集和14個新樣本中仍出現(xiàn)了判識錯誤的情況。下一步，將進一步采集現(xiàn)場掌子面鉆進參數(shù)與圍巖級別，擴大樣本量，提高掌子面圍巖分級的判識準確度。

3 大斷面巖質隧道掌子面圍巖非均一性判識

在隧道工程中，巖體質量直接影響了隧道支護結構設計。表征巖體質量的巖體質量評分法，例如巖體質量RMR 分析法和Q 分析法等雖然具有定量判識圍巖質量的功能，但國內實踐中，通常會因現(xiàn)場施工條件的限制，更多地采用圍巖級別指標設計隧道支護結構［17］，而掌子面圍巖不同巖體質量的非均一性特征將直接影響隧道施工安全性和經(jīng)濟性。為區(qū)別傳統(tǒng)的掌子面圍巖分級，本文利用炮孔名義分級和名義分區(qū)分級名詞描述此掌子面圍巖非均一性判識方法，并提出大斷面巖質隧道支護結構的局部優(yōu)化建議。

單次爆破循環(huán)過程中，SVM 分級模型的隧道掌子面圍巖非均一性判識流程如圖3所示。開展判識時，首先以掌子面內單個炮孔的4項鉆進參數(shù)為輸入，對單個炮孔名義分級；同時根據(jù)掌子面炮孔位置信息，對掌子面分區(qū)；然后結合單個炮孔名義分級和掌子面分區(qū)詳情，對掌子面進行名義分區(qū)分級，最后根據(jù)分級結果，分析得到大斷面巖質隧道掌子面圍巖的非均一性特征。

圖3 隧道掌子面圍巖非均一性判識流程

3.1 掌子面分區(qū)

針對鄭萬高鐵的5 條試驗隧道，基于隧道爆破輪廓線和炮孔位置信息，描繪得到炮孔分布如圖4所示?？紤]到隧道實際施工情況和巖體本身的尺寸效應，以隧道中軸線為基準線，隧道拱頂為基準點，以2 m 為單位，將掌子面劃分為6 層6 縱共34塊，形成的掌子面分區(qū)結果和各區(qū)域編號分別如圖5和圖6所示。

圖4 炮孔分布

圖5 掌子面分區(qū)

圖6 掌子面編號

3.2 判識方法和判識結果

在1 次爆破施工過程中，以采集的單個炮孔各項鉆進參數(shù)平均值作為輸入，經(jīng)過分級模型計算得到掌子面炮孔名義分級圖。按照炮孔名義分級計算結果對炮孔名義分級圖進行填色，如圖7 所示。圖中：深藍色代表炮孔名義級別為Ⅰ級，淺藍色代表Ⅱ級，綠色代表Ⅲ級，黃色代表Ⅳ級，淺紅色代表Ⅴ級，深紅色代表Ⅵ級；炮孔名義級別越高代表炮孔區(qū)域內巖體質量越差，炮孔名義級別越低表征炮孔區(qū)域內巖體質量越好。

圖7 炮孔名義分級填色效果示意圖

在掌子面炮孔名義分級和分區(qū)的基礎上，對掌子面各區(qū)域內炮孔名義級別加權平均并四舍五入計算，實現(xiàn)了掌子面名義分區(qū)分級，并以名義分區(qū)分級的方式對掌子面圍巖非均一性進行分析。掌子面第s個分區(qū)的圍巖級別計算式為

式中：ys為掌子面第s個分區(qū)的圍巖級別；round(.)為四舍五入函數(shù)；rn為單個炮孔級別，u為炮孔編號；ib為掌子面第s區(qū)域范圍內炮孔個數(shù)，s為掌子面分區(qū)后的區(qū)域編號。

將采集區(qū)內所有掌子面的鉆進數(shù)據(jù)按上述方法進行計算，根據(jù)計算結果和區(qū)域編號，輸出掌子面各分區(qū)分級結果；再根據(jù)分區(qū)分級的數(shù)值計算結果，對掌子面各塊區(qū)域進行填色。

按照提出的大斷面巖質隧道掌子面圍巖非均一性判識方法，利用MATLAB 軟件和計算機語言編寫大斷面巖質隧道掌子面圍巖非均一性判識算法，經(jīng)過機器計算，向家灣隧道D2K584+320—D2K584+325 和楚烽隧道DK532+553—DK532+558 這2 次爆破過程中，隧道掌子面圍巖表現(xiàn)出顯著非均一性特征，局部區(qū)域出現(xiàn)了圍巖級別較差現(xiàn)象，其代表性斷面的分析結果如圖8 所示。圖8 表明：向家灣隧道D2K584+320 斷面拱頂黃色區(qū)域為Ⅳ級圍巖，其余綠色區(qū)域為Ⅲ級圍巖；楚烽隧道DK532+553 斷面左拱腳黃色區(qū)域結果為Ⅳ級圍巖，其余綠色區(qū)域為Ⅲ級圍巖。在1次爆破循環(huán)完成后，綜合揭露的最新掌子面地質素描、回彈試驗、巖石單軸飽和抗壓強度試驗等結果，判識了2條隧道爆破里程范圍內代表性斷面的掌子面圍巖非均一性特征，其結果如圖9 所示。對比圖8 機器計算結果和圖9 爆破終點掌子面照片，二者結果基本一致。

圖8 本文方法對試驗隧道代表性斷面的掌子面圍巖非均一性特征判識結果

圖9 試驗隧道爆破終點代表性斷面的掌子面圍巖非均一性特征判識結果

3.3 隧道初期支護和掌子面加固局部優(yōu)化建議

根據(jù)判識結果，對目標掌子面巖體質量較差區(qū)域初期支護錨桿布置位置、間距和噴射混凝土部位等設計參數(shù)進行局部優(yōu)化設計，見表9。由表9 可知：優(yōu)化后的初期支護錨桿間距由原來的1.5 m 下調為1.2 m，針對掌子面圍巖質量較差區(qū)域采用噴射混凝土的掌子面加固措施，提高了隧道建造的安全性和經(jīng)濟性。

表9 基于掌子面圍巖非均一性判識的局部優(yōu)化建議

4 結 論

（1）依托鄭萬高鐵5 條試驗隧道，采集299 個掌子面地質素描和鉆進參數(shù)等地質信息，構建了大斷面巖質隧道掌子面圍巖分級樣本庫，該樣本庫中包含了掌子面里程、鉆進參數(shù)、圍巖級別、巖石回彈試驗結果、巖石抗強度試驗結果、巖石波速試驗結果和巖體波速試驗結果等信息。依托樣本庫中各掌子面里程、鉆進參數(shù)、圍巖級別信息，從能量角度分析了ZYS113 全電腦三臂鑿巖臺車鉆進過程中功能轉換關系，構建了基于機器學習的大斷面巖質隧道圍巖分級數(shù)據(jù)庫。

（2）基于SVM 原理和鉆進參數(shù)，構建了基于SVM 的大斷面巖質隧道掌子面圍巖分級模型，并與基于RBF 和BP 這2 種神經(jīng)網(wǎng)絡模型的分級模型進行對比。SVM 分級模型預測集中的Ⅲ級圍巖分級準確度為93.7%，Ⅳ級圍巖為89.3%，Ⅴ級圍巖為73.3%，平均分級準確度為87.9%，樣本數(shù)量較少的條件下，SVM 分級模型具有更好的“魯棒性”；更換樣本后，SVM 分級模型分級準確度依然如此，且泛化性更好。

（3）按照本文方法，通過掌子面分區(qū)、炮孔名義分級和掌子面分區(qū)分級的方法，對鄭萬高鐵5條試驗隧道的掌子面圍巖非均一性進行了判識，得到向家灣隧道和楚烽隧道各有1 次爆破循環(huán)時隧道掌子面圍巖表現(xiàn)出顯著非均一性特征。模型的計算圍巖非均一性特征與其爆破后所揭露的掌子面照片基本保持一致，驗證了該方法分析隧道掌子面圍巖非均一性的可行性。

（4）根據(jù)掌子面圍巖非均一性判識結果，針對拱部及邊墻圍巖相對較差的區(qū)域，提出了將初期支護錨桿間距由原來的1.5 m 下調為1.2 m、針對掌子面圍巖質量較差區(qū)域采用噴射混凝土的支護參數(shù)局部優(yōu)化建議措施，提高了隧道建造的安全性、經(jīng)濟性。