梁 銘， 彭 浩， 解威威， 宋冠先， 朱孟龍， 張亞飛

(廣西路橋工程集團有限公司， 廣西 南寧 530000)

0 引言

據數(shù)據統(tǒng)計，截至2020年底，全國共有特長隧道1 175處，累計512.75萬m[1]。伴隨巨大的建設規(guī)模，我國隧道整體向大埋深、長洞線的方向轉變，選址遠、高應力、強巖溶、高水壓、構造復雜等特點也逐步凸顯[2]。為應對上述情況，保障隧道施工安全，如何進一步提高超前地質預報的合理性與準確性成為隧道領域的研究重點。

就隧道超前地質預報而言，常規(guī)的物探方法如地質雷達、TSP、紅外探水等在預報距離、預報效果及操作難度等方面均存在不同程度的局限性，而鉆探法通過對掌子面前方巖體進行物理鉆進，能直觀地反映未開挖巖體的真實地質信息[3-4]。但目前鉆探數(shù)據解譯工作主要依賴技術人員結合現(xiàn)場實際鉆探情況進行，雖然鉆機搭載的隨鉆測量系統(tǒng)可實時記錄各項鉆探參數(shù)，但通常只是作為解譯參考，并未被充分利用[5]。總體而言，該種解譯方式未跳脫經驗判斷的范疇，較為粗糙，是一種“偽定量”解譯。

隨著大數(shù)據、人工智能等信息化技術的發(fā)展，機器學習的理念已逐步滲入各個領域，為數(shù)據分析提供了新的思路[6]。近些年開始有研究者將機器學習的方法引入到隧道超前地質預報的數(shù)據定量解譯中，并已分別在TSP[7-8]、隧道掌子面圖片[9]、地質雷達[10-11]等領域取得了一定的成果。在超前鉆探方面，由于在鉆進的同時可提供大量與鉆進深度相對應的定量指標，如推進速度、推進力、轉矩、旋轉速度等，這為機器學習在超前鉆探地質預報中的應用提供了重要的數(shù)據基礎。因此，基于鉆探參數(shù)的超前鉆探圍巖質量評價受到越來越多學者的重視。國內如房昱緯等[12]針對復雜地層隧道施工，提出了一種基于神經網絡的鉆探測試數(shù)據智能分析和地層識別方法，對不同地層的識別準確率達到90%以上；邱道宏等[13]與Wang等[14]基于數(shù)字推進技術，分別利用量子遺傳(QGA)-徑向基函數(shù)(RBF)神經網絡與支持向量機(SVM)對Ⅲ～Ⅴ級圍巖超前分類進行研究，實際工程應用顯示分類效果良好。國外如Galende-Hernández等[15]將三臂臺車的推進速度、旋轉速度等8項鉆探參數(shù)與RMR法相結合，用于確定圍巖級別，預測錯誤率僅為3%左右；Ghosh等[16]從23臺鉆機共186個鉆孔中收集了推進速度、推進壓力等4項鉆探參數(shù)，利用機器學習對隧道掌子面前方巖體的空洞、塌方及破碎帶的預測展開了研究。此外，在工程實用性方面，基于超前鉆探參數(shù)的圍巖智能質量評價方法在鄭萬鐵路的多條隧道得到了成功應用[17]?？梢灶A見，基于鉆探數(shù)據定量解譯的鉆孔精細超前探測技術是未來隧道鉆探預報領域的重要發(fā)展趨勢[18]。

但以上研究普遍存在2個問題： 1)大多以單一圍巖級別或地層屬性作為預測結果，對于隧道施工的指導意義有限； 2)通常以某單一斷面的預測結果對該斷面所在一定區(qū)間范圍內的圍巖進行質量評價，未能充分考慮該區(qū)間整體的巖體質量，致使評價結果具備一定的偶然性與隨機性，且以斷面為單位極易受數(shù)據噪點的影響，從而進一步使得評價結果的真實性不足。

針對上述問題，本文提出以圍巖完整程度及圍巖級別組成隧道圍巖質量評價雙標簽，在對超前鉆探原始采樣數(shù)據進行有針對性收集的基礎上，構建適用于超前鉆探數(shù)據的預處理流程及機器學習模型，最終形成基于超前鉆探數(shù)據的隧道圍巖雙層質量評價模型，以期為隧道巖體開挖工法與支護措施的動態(tài)調整提供可靠巖體質量信息參考。

1 數(shù)據來源及分析

1.1 工程概況

柳州經合山至南寧三南高速公路鳳凰山隧道位于南寧市上林縣，隧道區(qū)屬巖溶峰叢洼地地貌。隧道設計長度約為1 500 m，最大埋深約240 m。隧址區(qū)工程地質條件復雜，主要穿越較破碎—破碎的中風化灰?guī)r地層，且?guī)r溶較為發(fā)育，極易發(fā)生涌水突泥等不良地質災害。為保障隧道施工安全，現(xiàn)場使用Casagrande廠家生產的C6-2型多功能履帶式鉆機進行超前鉆探作業(yè)，并基于鉆探數(shù)據及現(xiàn)場情況進行超前地質預報。鳳凰山隧道超前鉆探作業(yè)如圖1所示。

圖1 鳳凰山隧道超前鉆探作業(yè)示意圖(單位： m)Fig. 1 Schematic of advance drilling operation of Fenghuangshan tunnel (unit: m)

根據前期已積累的超前鉆探地質預報數(shù)據，共收集包括YK109+118～+130(1號孔)、YK109+215～+235(1號孔)等鉆探采樣數(shù)據11 233條，數(shù)據涵蓋的隧道長度累計約160 m，涉及到的數(shù)據標簽在完整程度方面包括較完整、較破碎、破碎巖體及軟泥填充空腔共4類，在圍巖級別方面包括Ⅲ級、Ⅳ級與Ⅴ級共3類。

1.2 鉆探數(shù)據分析

在隧道超前鉆探過程中，隨鉆測量系統(tǒng)隨進尺變化進行隨機數(shù)據采樣，每m采集數(shù)據約50條。每條采樣數(shù)據除深度外主要包括4項一級指標： 推進速度、推進力、轉矩與旋轉速度。其中，推進力與旋轉速度在鉆探之前根據圍巖質量進行預設，并在鉆探過程中根據推進的難易程度進行適當調節(jié)。隧道超前鉆探原始采樣數(shù)據(一級指標)如圖2所示。

(a) 推進速度(b) 推進力(c) 轉矩(d) 旋轉速度圖2 隧道超前鉆探原始采樣數(shù)據(一級指標)Fig. 2 Raw sampling data of advance drilling (first-level index)

通過對一級指標的結構特征進行定性分析可知，其主要具備以下3個特點：

1)采樣階段性。采樣過程呈現(xiàn)出明顯的階段劃分，即鉆探采樣開始的上升段及采樣過程中的穩(wěn)定段。其中，上升段通常集中在0～0.5 m的進尺范圍內，該范圍主要涉及空鉆及初噴混凝土鉆探，對圍巖質量評價無參考意義。

2)數(shù)據非線性。各定量指標之間呈現(xiàn)較為明顯的非線性相關，4項一級指標隨深度的采樣數(shù)據取值變化趨勢缺乏統(tǒng)一性與規(guī)律性。

3)離散程度大。推進速度、轉矩與旋轉速度指標的采樣數(shù)值都表現(xiàn)出了較大的離散性，具體的離散程度與不同質量的圍巖密切相關。

超前鉆探一級指標數(shù)據相關性分析如圖3所示，是通過定量的方法對所收集的4項一級指標數(shù)據進行分析。其中，主對角線以外的子圖表示推進速度、推進力、轉矩、旋轉速度兩兩指標之間的散點圖，主對角線上的圖形表示各項指標的核密度估計。由圖3可知： 1)4項一級指標之間相關性較差，這點由位于對角線兩側的散點圖中的擬合關系線可以明顯看出； 2)由核密度估計分布圖像可以看出，各項一級指標對應圍巖完整程度與圍巖級別的區(qū)分度較差，即在同一分類標簽下，各指標的分布范圍存在大量的重疊。

(a) 標簽完整程度數(shù)據相關性分析 (b) 標簽圍巖級別數(shù)據相關性分析圖3 超前鉆探一級指標數(shù)據相關性分析Fig. 3 Correlation analysis of first-level index data of advance drilling

綜上可知，想要達到較為理想的多分類效果，僅依賴一級指標是不夠的，應對原始采樣數(shù)據進行預處理，以提高數(shù)據質量。

2 鉆探數(shù)據預處理

2.1 一級指標數(shù)據降噪

在鉆探作業(yè)過程中，受作業(yè)環(huán)境、鉆機機械、鉆探人員操作等客觀因素影響，采集的大量一級指標數(shù)據中難免存在異常數(shù)據以及一些特殊推進狀態(tài)的數(shù)據。因此，在進行機器學習模型的訓練之前，需要對已有數(shù)據進行降噪處理。針對超前鉆探原始采樣數(shù)據，主要進行的降噪處理措施有以下3項：

1)上升段數(shù)據剔除。將原始采樣數(shù)據中的上升段(0～0.5 m)數(shù)據剔除，消除上升段無解譯價值數(shù)據對后續(xù)模型訓練的影響。

2)缺失值數(shù)據填充。在鉆探數(shù)據采集時，有時會因為機手的操作導致個別指標的數(shù)據出現(xiàn)少量缺失，針對這種數(shù)據缺失的情況，采用均值填充策略對缺失值進行填充。

3)貫入度異常的數(shù)據過濾。由于施工現(xiàn)場存在電磁噪聲和強機械振動，即使在正常掘進工作狀態(tài)，也有部分不正常的數(shù)據點，非正常數(shù)據點的特征為數(shù)據的貫入度異常大或者異常小[19]。貫入度

P=v1/v2。

(1)

式中：v1為推進速度；v2為旋轉速度。

根據貫入度的定義，對共計11 233條鉆探原始采樣數(shù)據的貫入度進行計算，最終計算及統(tǒng)計結果如圖4所示。

圖4 一級指標數(shù)據貫入度統(tǒng)計圖Fig. 4 Statistics of penetration degree of first-level index data

由圖4可知： 1)貫入度取值為0～2.5(因>2.5部分頻次過少，不予統(tǒng)計)，且大致以P=1為分界點，右側為軟泥填充空腔的一級指標原始采樣數(shù)據，左側為其余圍巖情況的一級指標原始采樣數(shù)據，且二者均近似呈正態(tài)分布；2)由累計頻率統(tǒng)計可以明顯發(fā)現(xiàn)，貫入度多集中于0～0.9及1.2～1.8，前者累計92%，后者累計7.3%，二者共計99.3%。以此為依據并結合工程實際經驗，將貫入度P(0.9～1.2)及P>1.8的數(shù)據進行過濾。

選取YK109+215 ～ +235(1號孔)中前10 m的推進速度原始采樣數(shù)據進行舉例說明，其數(shù)據降噪前后如圖5所示。

(a) 降噪前

(b) 降噪后圖5 一級指標數(shù)據降噪效果(推進速度為例)Fig. 5 Noise reduction effect of first-level index data (drilling rate)

2.2 數(shù)據等距分割及二級指標計算

為實現(xiàn)以段落為單位對圍巖質量進行評價的目的，在完成一級指標數(shù)據的降噪處理后，進行鉆探數(shù)據的等距分割。

考慮實際工程經驗與預報精確度，將數(shù)據分割間距定為0.5 m。同時，為深度挖掘鉆探數(shù)據對應不同圍巖質量的數(shù)據規(guī)律，對指標各自分割段內的數(shù)據進行二次計算，形成二級指標作為最終機器學習模型數(shù)據集的特征。本文選取均值與方差作為二級指標，理由如下：

1)均值。不同圍巖質量的鉆探數(shù)據都存在一定的取值范圍，均值是該取值范圍的重要體現(xiàn)，且通過取均值的方式可以降低分割間距內異常數(shù)據對整體真實數(shù)據的影響，從而提高預測結果的準確率。均值

(2)

式中n為樣本數(shù)量。

2)方差。原始采樣數(shù)據會出現(xiàn)不同程度的振幅，即離散程度，離散程度的大小與不同質量圍巖密切相關。通過取方差的方式可以較為科學與合理地反映各類圍巖的采樣數(shù)據離散程度，從而提高預測結果的準確率。方差

(3)

最終所形成的二級指標體系包括： 推進速度均值、推進力均值、轉矩均值、旋轉速度均值、推進速度方差、推進力方差、轉矩方差、旋轉速度方差共8項。

2.3 標簽編碼

為使機器學習模型識別所設置的標簽，需要對數(shù)據集分類標簽進行編碼設置，具體為： 雙層標簽，即圍巖完整程度與圍巖級別分別編碼為Y1與Y2，前者按照較完整、較破碎、破碎與泥質填充空腔的順序將標簽依次編碼為“0”、“1”、“2”、“3”；后者按照Ⅲ、Ⅳ、Ⅴ級的順序將標簽依次編碼為“0”、“1”、“2”。

最終，二維評價標簽組合形式及分布情況如表1所示。

表1 二維評價標簽組合形式及分布情況Table 1 Combination form and distribution of two-dimensional evaluation labels

2.4 特征相關性分析

在完成二級指標的計算后，對8項二級指標進行相關性分析以剔除較高相關性的指標，其相關性分析熱力圖如圖6所示。由圖6可知，8項指標之間相關性最高的2組為推進速度方差與轉矩方差，相關系數(shù)為0.55，整體相關性較低，8項指標均保留。

圖6 二級指標相關性分析熱力圖Fig. 6 Secondary index correlation analysis heat map

3 相關模型及算法理論

3.1 XGBoost多分類模型

作為集成算法中提升法(boosting)的代表算法，XGBoost通過在數(shù)據上逐一構建多個弱評估器，經過多次迭代逐漸累積并匯總多個弱評估器的建模結果，以獲取比單個模型更好的回歸或分類表現(xiàn)[20]。這種以單個決策樹作為弱評估器的疊加策略，可表示成一種加法的形式，如式(5)所示[21]。

(5)

XGBoost引入了模型復雜度來衡量算法的運算效率。因此，目標函數(shù)Obj由傳統(tǒng)損失函數(shù)與模型復雜度2部分構成，如式(6)所示。

(6)

目標函數(shù)的最小值Objmin是衡量模型好壞的一個重要指標，其最小值越小，就認為該模型的表現(xiàn)越好。Objmin運算過程中共涉及的模型超參數(shù)多達近30個，其中對模型影響程度最大[22]的主要有n_estimators、max_depth、learning_rate等6項。

3.2 genetic algorithm遺傳算法

針對XGBoost模型超參數(shù)眾多、人工調參無法發(fā)揮模型最優(yōu)性能的問題，需要對其進行全局參數(shù)自動尋優(yōu)。遺傳算法(genetic algorithm，GA)是一類通過模擬自然界生物自然選擇和自然進化的隨機搜索算法，目前常被用于模型尋參及尋找最優(yōu)解的問題之中[23]，其算法偽代碼如圖7所示。

圖7 遺傳算法偽代碼Fig. 7 Pseudo-code transmission algorithm

在圖7的輸入參數(shù)中，maxf(X)為所要求解的最大約束優(yōu)化問題;d為問題的規(guī)?；蚓S數(shù);N為初始種群個體;pc和pm分別為交叉與變異過程中的交叉概率與變異概率; MaxIt為該算法的迭代進化次數(shù);P1(t)與P2(t)為迭代生成的臨時種群;Zi(t)與B(t)為第t次迭代后遺傳進化產生的個體及其中的最優(yōu)個體。

3.3 classifier chains分類器鏈

分類器鏈(classifier chains，CC)模型[24]作為一種最典型的基于問題轉換策略的多標簽分類算法，因其簡單易用而得到廣泛的應用和發(fā)展[25]，它通過將前面分類器的結果添加到當前分類器來實現(xiàn)分類器的串行連接，克服了模型在訓練數(shù)據中忽略標簽間相關關系的局限性，從而獲得了較好的預測性能。其主要步驟如下：

1)令X?Rk為k維實例輸入特征空間，Y={l1,l2,…,lq}標簽的集合。由n個樣本數(shù)量組成的訓練樣本集D，表示為D={(xi,yi)}，i=1,2,…,n。xi=(xi,1,xi,2,…,xi,k)∈X是一個k維特征向量，xi,j代表特征向量xi的第j個元素，j=1,2,…,q。yi=(yi,1,yi,2,…,yi,q)∈{0,1}q表示一個q維的標簽向量，其中yi,j=1表示標號lj與xi相關，而yi,j=0則表示與xi無關。設Yi?Y是與xi相關的標記組成的集合，則有Yi={lj|yi,j=1，1≤j≤q}。

2)在訓練準備階段，首先,根據order命令，生成一個新的標簽序列，記為{1,2,…,q}; 然后,CC模型按照分類器鏈的序列訓練一組二元分類器f1，f2，f3，…，fq。

3)在訓練階段，每個二元分類器fj：X→{0,1}(j=1,2,3,…q)都是基于當前標簽lj同前j-1個標簽l1,l2,…,lj-1的關聯(lián)性，從特定的派生訓練數(shù)據集Dj={(xi,yi,1,yi,2,…,yi,j)}中訓練得到的。該訓練數(shù)據集Dj中的每個實例都是由原始數(shù)據集D中相對應的實例(xi,yi)派生得到的。

3.4 CC-GA-XGBoost雙標簽鏈式分類模型

實際工程經驗可知，隨著圍巖由較完整到破碎發(fā)展，總體上圍巖級別越來越高，且在探測到泥質填充空腔的情況下直接判定為Ⅴ級圍巖。基于這種標簽之間存在相關性的情況，本文在XGBoost分類模型與GA遺傳算法的基礎上，結合分類器鏈組成CC-GA-XGBoost雙標簽鏈式分類模型，通過對完成預處理的超前鉆探數(shù)據進行學習訓練，以實現(xiàn)對圍巖的雙層質量評價。具體流程如圖8所示。

圖8 CC-GA-XGBoost模型構建及應用流程Fig. 8 CC-GA-XGBoost model construction

4 模型訓練及評估

4.1 模型超參數(shù)尋優(yōu)

首先將數(shù)據集導入GA-XGBoost模型，以完整程度為基準進行超參數(shù)自動尋優(yōu)處理。根據XGBoost模型尋參個數(shù)以及數(shù)據集復雜程度，設置初始種群數(shù)量為30，使用均勻交叉的方法進行種群迭代，適應度值定義為5折交叉驗證的準確率(accuracy)，計算公式如式(7)所示。

accuracy=(TP+TN)/(TP+TN+FP+FN)。

(7)

式中： TP為正例預測正確的個數(shù)； FP為負例預測錯誤的個數(shù)； TN為負例預測正確的個數(shù)； FN為正例預測錯誤的個數(shù)。

在迭代過程中，根據適應度值每次從上一代中選擇出最優(yōu)的3個個體直接進入下一代，突變概率設置為0.1，數(shù)據集劃分比例為7∶3，即70%數(shù)據用作訓練，剩余30%用作預測。最終GA-XGBoost調參過程適應度值的迭代變化如圖9所示。

圖9 最佳適應度(accuracy)變化趨勢圖Fig. 9 Best fitness (accuracy) change trend chart

由圖9可知，經過18次迭代之后，后續(xù)種群中個體適應度的最大值、最小值與均值達到最高并保持穩(wěn)定。其中，最優(yōu)個體的適應度值(最大值)為0.959 1，即個體所攜帶的XGBoost超參數(shù)組合使得模型預測準確率為95.91%。具體參數(shù)如表2所示。

表2 XGBoost模型超參數(shù)取值Table 2 XGBoost model hyperparameter values

4.2 模型性能評估

以參數(shù)尋優(yōu)后的XGBoost模型為基礎，將鉆探數(shù)據的數(shù)據集導入CC-XGBoost進行訓練并預測雙標簽多分類結果，訓練集鏈式關系設置為order=[0,1]，數(shù)據劃分與4.1節(jié)保持一致。最終98例預測集樣本的雙標簽預測結果如圖10所示，并根據式(8)—(10)對各準確率進行求解。

(a) 完整程度標簽

(b) 圍巖級別標簽圖10 CC-GA-XGBoost模型二維標簽預測情況Fig. 10 CC-GA-XGBoost model forecast

accuracy(Y1)=A1/N。

(8)

accuracy(Y2)=A2/N。

(9)

accuracy(綜合)=A3/N。

(10)

式(8)—(10)中：A1為預測集中Y1標簽預測正確的樣本數(shù)量；A2為預測集中Y2標簽預測正確的樣本數(shù)量；A3為預測集中Y1、Y2標簽全部預測正確的樣本數(shù)量；N為預測集中的總體樣本數(shù)量。

根據圖10與式(8)—(10)可得，圍巖完整程度標簽下樣本錯判4例，分類準確率為95.91%；圍巖級別標簽下樣本錯判2例，分類準確率為97.95%；二維標簽共錯判6例，最終綜合二維質量評價準確率為93.88%。通過對誤差數(shù)據進行分析可知，在圍巖完整程度方面，模型錯判集中在較破碎～破碎，在圍巖級別方面集中在Ⅲ～Ⅳ級圍巖，實際工程中二者分類界限存在較強的模糊性，因此模型分類結果也與實際經驗相符。

同時，為了說明GA與CC對XGBoost模型雙標簽多分類的優(yōu)化效果，分別將CC-GA-XGBoost與XGBoost、GA-XGBoost與CC-XGBoost模型進行性能對比，結果如表3所示。

表3 XGBoost模型超參數(shù)取值Table 3 XGBoost model hyperparameter values

由表3可知： XGBoost模型在默認超參數(shù)組合的狀態(tài)下，Y1完整程度與Y2圍巖級別的分類準確率分別為91.84%與92.85%，雙標簽綜合分類準確率僅為88.78%；在配合GA超參數(shù)尋優(yōu)后，各項分類準確率均有所提高，分別為95.91%、96.93%與90.81%；與GA-XGBoost模型相比，CC-XGBoost僅能在默認參數(shù)組合的前提下建立完整程度與圍巖級別之間的相關性，因此完整程度的分類準確率仍與單獨的XGBoost模型保持一致，為91.84%，但其優(yōu)化效果將圍巖級別的分類準確率提高至94.90%；本文CC-GA-XGBoost模型綜合了GA與CC模型的優(yōu)化效果，3項分類準確率最高。

最后，利用XGBoost所集成的樹模型特性對所用8項特征的重要度進行分析，具體如圖11所示。

圖11 鉆探參數(shù)二級指標特征重要性分析Fig. 11 Analysis on importance of secondary index of drilling

由圖11可知： 在模型所用的8項特征中，較為重要的有推進速度方差、推進速度均值以及推進力均值，三者重要度均在0.15以上，其中，推進速度方差的重要度最大達到了0.214；旋轉速度均值、轉矩均值與轉矩方差重要度一般，分別為0.128、0.118與0.109；推進力方差與旋轉速度方差重要度最低，均低于0.1。通過分析不難發(fā)現(xiàn)，除推進力方差與旋轉速度方法外，其余6項特征在經過模型學習與訓練后均占有較高的分類參考權重。推測原因為在鉆探作業(yè)中，推進力與旋轉速度2項鉆探參數(shù)通常是在鉆進之前機手根據掌子面質量情況進行預設，且在鉆探過程中僅進行微調，導致二者在同一鉆探區(qū)間、不同分割間距的方差數(shù)值波動較小，無法在不同圍巖質量的情況下形成明顯的差異性。

5 實際工程應用

為實際驗證CC-GA-XGBoost隧道圍巖雙層質量評價模型的可用性，在鳳凰山隧道YK109+960 ～ +980里程段超前鉆探作業(yè)結束后，提取其鉆探數(shù)據進行預測及說明。該里程段的原始采樣數(shù)據如圖12所示。

圖12 YK109+960～+980一級指標數(shù)據Fig. 12 First-level index data of section YK109+960～+980

提取該里程段的一級指標原始采樣數(shù)據，按照2.1—2.3節(jié)流程進行數(shù)據預處理后，導入模型進行圍巖雙層質量評價，同時與該里程段的常規(guī)技術人員鉆探預報結果以及地質雷達預報結果進行對比。該里程段圍巖質量評價情況如表4所示(為方便展示，將模型預測結果中相同標簽里程段進行合并)。

表4 YK109+960～ +980里程段圍巖質量評價情況Table 4 Surrounding rock quality evaluation of section YK109+960～+980

根據表4，從圍巖完整程度及圍巖級別2個層次，對YK109+960 ～+980里程段共20 m范圍的超前地質預報總結如下： 1.0～5.5 m完整程度為較破碎，圍巖級別為Ⅲ級； 5.5～13.0 m完整程度為較破碎—破碎，圍巖級別為Ⅳ級； 13.0～13.5 m疑似軟泥填充空腔，圍巖級別為Ⅴ級； 13.5～14.0 m整體完整程度為較破碎，圍巖級別為Ⅳ級； 14.0～20.0 m整體完整程度為破碎，圍巖級別為Ⅴ級，其中，16～16.5 m疑似軟泥填充空腔。

顯然，對比常規(guī)的超前鉆探預報結果以及地質雷達預報結果，CC-GA-XGBoost隧道圍巖雙層質量評價模型在實際工程應用中可提供較為詳盡的預報解譯信息，根據數(shù)據等距分割的設定，最小精度為0.5 m，這對全面掌握隧道超前巖體的地質信息較為有利。同時，技術人員可以以雙層質量評價結果為參考，對超前鉆探地質預報進行信息整合，以提高預測精度。目前，該方法已作為常規(guī)超前鉆探預報的輔助解譯技術在廣西地區(qū)的一些灰?guī)r隧道中進行使用，預報準確率滿足工程實際的需求。

6 結論與討論

本研究提出一種基于超前鉆探隨鉆定量數(shù)據與機器學習算法，對隧道完整程度與圍巖級別進行雙層質量評價的方法，并有如下結論：

1)針對隧道超前鉆探數(shù)據的定量解譯問題，通過對鉆探采樣數(shù)據進行定性與定量分析，以推進速度、推進力、轉矩與旋轉速度作為一級指標體系，以圍巖完整程度與圍巖級別作為多分類雙標簽，并在此基礎上通過數(shù)據降噪、等距分割、二級指標計算等數(shù)據預處理措施，有效提高了數(shù)據集質量，為模型高精度預測提供了良好的數(shù)據基礎。

2)以XGBoost為分類器模型，結合遺傳算法以及分類器鏈構成GA-CC-XGBoost圍巖雙層質量評價模型，高效實現(xiàn)了復雜機器學習模型的超參數(shù)自動尋優(yōu)問題以及雙標簽多分類問題中各標簽內在相關性的考慮，最終所構建模型對完整程度與圍巖級別的分類準確率分別為95.91%與97.95%，綜合分類準確率為93.88%。

3)將所構建模型應用于實際隧道工程的超前鉆探地質預報中，結果表明，預報效果優(yōu)于常規(guī)鉆探預報與地質雷達預報。但應當注意到，模型預測效果與所提供鉆探數(shù)據的真實性、有效性密切相關。

本文僅對單一灰?guī)r隧道的圍巖雙層質量評價進行了研究，當實際隧道工程地質條件更為復雜，如穿越多種巖性地層、隧道地下水發(fā)育時，如何考慮不同巖性的鉆探數(shù)據特征，以及地下水對超前鉆探數(shù)據特征的影響方式，對數(shù)據預處理措施及分類模型進行調整，是下一步需要研究的重點。