孟馨, 秦?fù)碥姡?謝良甫, 袁揚(yáng)淳, 譚順利
(新疆大學(xué)建筑工程學(xué)院, 烏魯木齊 830017)
圍巖質(zhì)量預(yù)測(cè)在隧道建設(shè)中是必不可少的一環(huán),提前對(duì)隧道掌子面前方的地質(zhì)情況掌握清楚,就能為面臨的各種可能發(fā)生的地質(zhì)災(zāi)害做好充足準(zhǔn)備。在新疆天山地區(qū),擁有著復(fù)雜的地理地質(zhì)環(huán)境,溫度低、海拔高、構(gòu)造復(fù)雜、巖體破碎、不良地質(zhì)發(fā)育等都制約著隧道的建設(shè),在這種特殊的地理地質(zhì)環(huán)境下修建隧道,可借鑒的工程經(jīng)驗(yàn)比較缺乏,這也導(dǎo)致天山地區(qū)隧道施工過(guò)程中圍巖變更率極高,嚴(yán)重影響施工進(jìn)度,造成項(xiàng)目成本劇增,并會(huì)造成較大的安全隱患。如伊犁州果子溝隧道圍巖變更率接近80%,這表明傳統(tǒng)的圍巖分類(lèi)方法難以滿足天山地區(qū)復(fù)雜地理地質(zhì)環(huán)境下修建隧道的要求。
李志林等[1]結(jié)合模糊評(píng)價(jià)法、小波理論和神經(jīng)網(wǎng)絡(luò)構(gòu)建了巖溶突水風(fēng)險(xiǎn)評(píng)估體系,彌補(bǔ)了傳統(tǒng)方法在巖溶突水風(fēng)險(xiǎn)評(píng)估的復(fù)雜性、局限性及不確定性。He等[2]提出了高斯過(guò)程機(jī)器學(xué)習(xí),建立了基于TSP-203 系統(tǒng)的先進(jìn)圍巖分類(lèi)模型,該方法從 TSP-203 的檢測(cè)結(jié)果中提取有用信息,建立了圍巖分類(lèi)的定量指標(biāo)體系。Qiu等[3]以數(shù)字鉆井技術(shù)和量子遺傳算法為基礎(chǔ),構(gòu)建了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)并應(yīng)用于圍巖分類(lèi)。王佳信等[4]、孔祥松等[5]、李一冬等[6]建立了基于人工神經(jīng)網(wǎng)絡(luò)理論的圍巖分類(lèi)識(shí)別模型。Gholami等[7]利用人工智能算法對(duì)巖體質(zhì)量分級(jí)(rock mass rating,RMR)進(jìn)行了改進(jìn)。Izadi等[8]建立了薄片礦物的智能識(shí)別系統(tǒng)。Jalalifar等[9]將自適應(yīng)神經(jīng)模糊推理系統(tǒng)應(yīng)用在巖石工程分類(lèi)系統(tǒng)預(yù)測(cè)中。Asadi[10]基于人工神經(jīng)網(wǎng)絡(luò)測(cè)定巖石磨蝕性。越來(lái)越多的學(xué)者將各類(lèi)機(jī)器學(xué)習(xí)用于隧道圍巖識(shí)別,如Saeid等[11]基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)巖體可挖性指數(shù)。劉慧敏等[12]、張凱等[13]、高磊等[14]和田睿等[15]利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了巖爆危險(xiǎn)性和強(qiáng)度預(yù)測(cè)方面的研究。李汪石[16]、查煥奕[17]、柳厚祥等[18]、張峰瑞等[19]眾多學(xué)者將深層卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到隧道圍巖分類(lèi)預(yù)測(cè),并取得了較為理想的效果。這表明今后人工智能將逐步取代傳統(tǒng)經(jīng)驗(yàn)法用于隧道工程[20-24],因此現(xiàn)利用人工智能建立天山地區(qū)隧道圍巖類(lèi)別預(yù)測(cè)模型完全符合今后該領(lǐng)域的研究發(fā)展趨勢(shì)。
目前,采用神經(jīng)網(wǎng)絡(luò)研究圍巖變形規(guī)律的研究較多,但基于深度學(xué)習(xí)理論研究圍巖等級(jí)的研究略顯不足,因此現(xiàn)基于深度學(xué)習(xí)理論的 ResNet神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)東天山超長(zhǎng)隧道現(xiàn)場(chǎng)實(shí)測(cè)等數(shù)據(jù)加以分析,實(shí)現(xiàn)對(duì)圍巖等級(jí)的智能監(jiān)測(cè)。
東天山超長(zhǎng)隧道屬于G575線的重要組成部分,隧址位于新疆維吾爾自治區(qū)哈密市北部,進(jìn)口位于哈密市巴里坤哈薩克自治縣松樹(shù)塘滑雪場(chǎng)下游。出口位于哈密市西山鄉(xiāng)葫蘆溝北側(cè),車(chē)輛可由鄉(xiāng)道X089進(jìn)入施工便道到達(dá)隧道出口附近,隧道進(jìn)出口交通條件較好,如圖1所示。隧道隧址區(qū)為典型的高中山深谷類(lèi)型,隧址區(qū)大部分屬于高中山地貌區(qū),也有局部的山間溝谷地貌和丘陵地貌分布。東天山被隧道由北到南貫穿,隧道沿線區(qū)域東天山海拔最高點(diǎn)位于里程K13+700段附近,海拔最高點(diǎn)向兩側(cè)延伸,海拔逐漸降低。
圖1 東天山隧道規(guī)劃圖(1∶250 000)Fig.1 Planning of East Tianshan tunnel(1∶250 000)
隧道散射地震成像(tunnel seismic tomography,TST)技術(shù)的主要組成部分包括地震波信號(hào)采集器、三硝基甲苯(TNT)引爆裝置和TST數(shù)據(jù)采集終端。TST系統(tǒng)的震源一般采用少量的TNT炸藥引爆產(chǎn)生,TST系統(tǒng)充分認(rèn)識(shí)三維波場(chǎng)的復(fù)雜性,能有效消除側(cè)向波和面波干擾,以保證成像的真實(shí)性。TST是以逆散射成像原理為基礎(chǔ)建立的,地震波的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)信息也被引用進(jìn)來(lái),不但能獲得圍巖力學(xué)性狀的空間變化,也能確定各種地質(zhì)構(gòu)造的位置。
依托于東天山隧道,進(jìn)入隧道內(nèi)共進(jìn)行了39次TST隧道地質(zhì)超前預(yù)報(bào)工作。進(jìn)口左洞5次,進(jìn)口右洞5次,出口左洞12次,出口右洞17次。東天山隧道現(xiàn)場(chǎng)TST物探超前預(yù)報(bào)工作共分為六步,具體如下:①埋置TNT炸藥,形成震源;②埋置信號(hào)采集器;③用濕黃泥封口;④信號(hào)采集器連接主線纜;⑤主線纜連接TST終端;⑥連接引爆裝置。
(1)儀器設(shè)備。TST系統(tǒng)硬件主要包括地震波信號(hào)采集器、TNT引爆裝置、連接線纜和TST數(shù)據(jù)采集終端等幾部分組成,詳見(jiàn)圖2。
圖2 TST隧道地質(zhì)超前預(yù)報(bào)系統(tǒng)工作原理Fig.2 Working principle of TST tunnel geological advance forecast system
(2)觀測(cè)系統(tǒng)設(shè)計(jì)及布置。在掌子面近端的隧道左右邊墻體等高處各布置4個(gè)地震波信號(hào)接收器,同時(shí)在遠(yuǎn)端的隧道左右墻體等高處各布置4個(gè)地震波激發(fā)源,具體布置的觀測(cè)系統(tǒng)情況如表1及圖3所示。
(3)探測(cè)數(shù)據(jù)處理。將通過(guò)TST隧道地質(zhì)超前預(yù)報(bào)系統(tǒng)采集得到的原始物探數(shù)據(jù)采用專(zhuān)業(yè)軟件TSTwin進(jìn)行處理后可以獲得地質(zhì)偏移圖像。
表1 觀測(cè)系統(tǒng)布置圖
P1~P8為激發(fā)炮孔的編號(hào);S1~S8為接收(檢波器)孔的編號(hào); L為S4、S5到Y(jié)軸線的垂直距離圖3 TST觀測(cè)系統(tǒng)設(shè)計(jì)標(biāo)準(zhǔn)布置示意圖Fig.3 TST observation system design standard layout diagram
以東天山隧道工程項(xiàng)目為依托,采用TST超前地質(zhì)預(yù)報(bào)技術(shù)得到的TST偏移圖構(gòu)建數(shù)據(jù)集,TST超前預(yù)報(bào)一次能預(yù)報(bào)掌子面前方150 m,因此采集到的偏移圖像數(shù)量有限。數(shù)據(jù)集的大小對(duì)深度學(xué)習(xí)模型效果有著重要影響,數(shù)據(jù)量太少可能會(huì)發(fā)生過(guò)擬合,一般來(lái)說(shuō),數(shù)據(jù)量越多訓(xùn)練出來(lái)的模型效果越好。通過(guò)TST超前地質(zhì)預(yù)報(bào)技術(shù)得到的東天山隧道出口右線TST偏移圖像如圖4所示,地質(zhì)偏移圖像中的紅藍(lán)條帶代表圍巖中的巖石反射界面,紅色代表巖體由軟變硬的反射界面,藍(lán)色代表巖石由硬變軟的界面,先藍(lán)、后紅條帶的組合代表巖體先變軟然后變硬,表明存在斷裂。為了擴(kuò)充數(shù)據(jù)集,采取以滑動(dòng)窗口長(zhǎng)50 m,步長(zhǎng)為10 m,將原始的150 m長(zhǎng)的TST偏移圖像分割成11張50 m長(zhǎng)的圖像總共得到1 287張偏移圖像。
由于不同尺寸的TST偏移圖像包含的圍巖質(zhì)量特征信息量不同,使用不同的圖像尺寸會(huì)出現(xiàn)實(shí)驗(yàn)結(jié)果的偏差。為了確定最合理的圖像尺寸,分別用不同尺寸的TST偏移圖像數(shù)據(jù)集對(duì)改進(jìn)ResNet18模型進(jìn)行訓(xùn)練,結(jié)果如圖5所示??梢钥闯觯S著圖像尺寸的增大,top-1預(yù)測(cè)準(zhǔn)確率越高,說(shuō)明了尺寸越大的TST偏移圖像包含越多的圍巖質(zhì)量特征信息,但隨著圖像尺寸增大到256×256時(shí),實(shí)驗(yàn)效果趨于穩(wěn)定,說(shuō)明當(dāng)圖像尺寸達(dá)到256×256時(shí)包含的圍巖質(zhì)量特征信息量最大,再繼續(xù)增大圖像尺寸就會(huì)包含不必要的信息,還會(huì)導(dǎo)致網(wǎng)絡(luò)的冗余、參數(shù)量增大、占有內(nèi)存增多及訓(xùn)練時(shí)間過(guò)長(zhǎng),因此TST偏移圖像數(shù)據(jù)集尺寸取256×256。
圖5 不同圖像尺寸實(shí)驗(yàn)效果Fig.5 Experimental results of different image sizes
2.2.1 TST偏移圖像數(shù)據(jù)集
將經(jīng)過(guò)滑動(dòng)窗口分割的1 287張256×256×3的TST圖像作為深度學(xué)習(xí)模型的輸入值,各TST圖像對(duì)應(yīng)段揭露圍巖等級(jí)作為標(biāo)簽值,以此構(gòu)建TST偏移圖像數(shù)據(jù)集。
2.2.2 TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集
在TST偏移圖像數(shù)據(jù)集的基礎(chǔ)上,將每張TST偏移圖像與其對(duì)應(yīng)圍巖區(qū)段的地質(zhì)分區(qū)指標(biāo)相結(jié)合,即將對(duì)應(yīng)圍巖區(qū)段的地質(zhì)分區(qū)指標(biāo)擴(kuò)展成為一個(gè)256 ×256×1的矩陣作為T(mén)ST偏移圖像的第4通道,形成每張TST偏移圖像尺寸為256×256×4的組合數(shù)據(jù)矩陣,將組合后的TST偏移圖像作為深度學(xué)習(xí)模型的輸入值,組合TST偏移圖像對(duì)應(yīng)段的揭露圍巖等級(jí)作為標(biāo)簽值,以此構(gòu)建 TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集。
圖4 東天山隧道出口右線TST偏移圖像Fig.4 TST offset image of right line of East Tianshan tunnel exit
TST偏移圖像+地質(zhì)分區(qū)組合數(shù)據(jù)集構(gòu)建過(guò)程:某一圍巖區(qū)段對(duì)應(yīng)的TST偏移圖像為一張尺寸為256×256×3的圖像,東天山隧道地區(qū)地質(zhì)分區(qū)總共分為11類(lèi),由于TST偏移圖像的紅綠藍(lán)(red-green-blue,RGB)矩陣值區(qū)間為[0,255],因此將該區(qū)間平均分成11段,每一類(lèi)地質(zhì)分區(qū)指標(biāo)取對(duì)應(yīng)RGB區(qū)間的中間值,形成一個(gè)256×256×1的數(shù)據(jù)矩陣并與原始TST偏移圖像數(shù)據(jù)矩陣組合形成256×256×4的組合數(shù)據(jù)集。
2.2.3 TST偏移圖像+物探指標(biāo)數(shù)據(jù)集
在TST偏移圖像數(shù)據(jù)集的基礎(chǔ)上與偏移圖像對(duì)應(yīng)區(qū)段的高關(guān)聯(lián)度的4個(gè)物探參數(shù)擴(kuò)展成為一個(gè)256×256×1的數(shù)據(jù)矩陣,并作為偏移圖像的第四通道與偏移圖像疊加形成一張4通道的圖像,即圖像尺寸為256×256×4。將組合后的TST偏移圖像作為深度學(xué)習(xí)模型的輸入值,與之相對(duì)應(yīng)段的揭露圍巖等級(jí)作為標(biāo)簽值,依次構(gòu)建TST偏移圖像+物探指標(biāo)數(shù)據(jù)集。
TST偏移圖像+物探指標(biāo)組合數(shù)據(jù)集構(gòu)建過(guò)程:將某一圍巖區(qū)段對(duì)應(yīng)的4個(gè)高關(guān)聯(lián)度物探指標(biāo)分別形成64×256的矩陣,然后依次從上到下組合起來(lái)形成一個(gè)256×256×1的矩陣,最后與原始的3通道TST偏移圖像組合形成256×256 ×4的組合數(shù)據(jù)集。
2.2.4 TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集
將3通道TST偏移圖像作為前3個(gè)通道,地質(zhì)分區(qū)指標(biāo)作為第4通道,高關(guān)聯(lián)度物探指標(biāo)作為第5通道,按通道依次組合形成一個(gè)5通道的數(shù)據(jù)矩陣,即尺寸為256×256×5的組合數(shù)據(jù)矩陣。將組合后的數(shù)據(jù)矩陣作為深度學(xué)習(xí)模型的輸入值,與之相對(duì)應(yīng)段的揭露圍巖等級(jí)作為標(biāo)簽值,構(gòu)建TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集。
為了進(jìn)一步擴(kuò)大數(shù)據(jù)集,采用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)上述4種數(shù)據(jù)集進(jìn)行增強(qiáng),為了使偏移圖像與圍巖之間的對(duì)應(yīng)關(guān)系不發(fā)生改變,采用了垂直鏡像(圖6)、水平鏡像(圖7)這兩種數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)進(jìn)行增強(qiáng),最終得到3 861張偏移圖像。將偏移圖像所對(duì)應(yīng)段的圍巖等級(jí)作為該偏移圖像的標(biāo)簽值,按照訓(xùn)練集比測(cè)試集約為4∶1的比例將數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集兩部分,訓(xùn)練集共3 100張,測(cè)試集共761張,數(shù)據(jù)集具體分布如表2所示。
圖6 TST偏移圖像垂直鏡像Fig.6 Vertical mirror image of TST offset image
圖7 TST偏移圖像水平鏡像Fig.7 Horizontal mirror image of TST offset image
表2 東天山隧道數(shù)據(jù)集分布
深度學(xué)習(xí)就是由深層的神經(jīng)網(wǎng)絡(luò)構(gòu)成,典型的神經(jīng)網(wǎng)絡(luò)如圖8所示,一般由輸入層、中間層和輸出層三部分組成。
xi(i=1,2,3)為輸入層的值;ai(i=1,2,3)為隱含層輸入的值; h(x)為輸出值圖8 全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Full-connected neural network structure
將具有多個(gè)中間層的神經(jīng)網(wǎng)絡(luò)稱(chēng)為“深度學(xué)習(xí)網(wǎng)絡(luò)”,深度學(xué)習(xí)的本意就是具有很深層次的網(wǎng)絡(luò),一般來(lái)說(shuō),深度學(xué)習(xí)的深度指的是能夠解決深層次的問(wèn)題。
其中ResNet18主要是應(yīng)用于ImageNet數(shù)據(jù)集,ImageNet數(shù)據(jù)集中的圖像像素偏小,因此ResNet18網(wǎng)絡(luò)的第一層卷積核一般尺寸是7×7,感受視野較大,而主要用于對(duì)TST物探成像圖像進(jìn)行學(xué)習(xí),物探圖像的像素值比較大,為了能更準(zhǔn)確提取TST物探圖像的特征,將ResNet18的第一層卷積核替換為2層3×3的小尺寸卷積核,小尺寸的卷積核感受視野較小能更精確地捕捉到圖像特征,提高模型效果。此外,為了避免無(wú)用信息的影響,更準(zhǔn)確捕捉到圖像更深層的特征,在殘差單元的x路徑上添加一個(gè)2×2的平均池化層整合空間信息,步長(zhǎng)stride=1,即可保證經(jīng)過(guò)該池化層圖像尺寸不發(fā)生改變,平均池化層不會(huì)增添權(quán)重參數(shù),同時(shí)可以防止該層出現(xiàn)過(guò)擬合,經(jīng)過(guò)改進(jìn)的ResNet18網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示。
圖9 改進(jìn)ResNet18網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Improved ResNet18 network structure
采用Python3.8編程對(duì)數(shù)據(jù)集進(jìn)行讀取,由于數(shù)據(jù)集圖像RGB矩陣值處于[0,255],為了使深度學(xué)習(xí)更好地進(jìn)行優(yōu)化學(xué)習(xí),將RGB矩陣值縮小至[-1,1],由于內(nèi)存限制,將10張圖像作為一個(gè)批次(batch)進(jìn)行訓(xùn)練,訓(xùn)練前將數(shù)據(jù)集的順序隨機(jī)打亂10 000次。深度學(xué)習(xí)模型參數(shù)取學(xué)習(xí)率η=0.001,激活函數(shù)為Relu函數(shù),損失函數(shù)為交叉熵?fù)p失函數(shù),優(yōu)化器為Adam。深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練流程如圖10所示。
圖10 網(wǎng)絡(luò)訓(xùn)練流程Fig.10 Network training process
深度學(xué)習(xí)模型采用測(cè)試集準(zhǔn)確率ACC、損失值和過(guò)擬合度作為模型的評(píng)價(jià)指標(biāo),則ACC的表達(dá)式為
(1)
式(1)中:Na為測(cè)試集圖像總數(shù)量;Nc為通過(guò)深度學(xué)習(xí)模型正確分類(lèi)圍巖等級(jí)的圖像數(shù)量。
ACC值越大,代表通過(guò)深度學(xué)習(xí)模型得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果越接近,模型的性能也就越好。
損失值為模型訓(xùn)練過(guò)程中輸出值與實(shí)際標(biāo)簽值之間的差異性評(píng)價(jià)指標(biāo),損失值越小,代表輸出值與實(shí)際值越接近,模型性能越好;過(guò)擬合度為訓(xùn)練準(zhǔn)確率與測(cè)試準(zhǔn)確率的比值,過(guò)擬合度為大于1的數(shù),越接近于1,說(shuō)明訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率越接近,過(guò)擬合程度越低,模型性能越好。
采用東天山隧道TST偏移圖像數(shù)據(jù)集、TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集、TST偏移圖像+物探指標(biāo)數(shù)據(jù)集、TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集這4種數(shù)據(jù)集分別對(duì)改進(jìn)ResNet18模型進(jìn)行訓(xùn)練,結(jié)果如圖11~圖14所示。
圖11 改進(jìn)ResNet18網(wǎng)絡(luò)模型訓(xùn)練過(guò)程損失曲線Fig.11 Improved ResNet18 network model training process loss curve
圖12 改進(jìn)ResNet18網(wǎng)絡(luò)模型測(cè)試集準(zhǔn)確率曲線Fig.12 Improved ResNet18 network model test set accuracy curve
圖13 改進(jìn)ResNet18網(wǎng)絡(luò)模型訓(xùn)練集準(zhǔn)確率曲線Fig.13 Improved ResNet18 network model training set accuracy curve
圖14 改進(jìn)ResNet18網(wǎng)絡(luò)模型測(cè)試集過(guò)擬合度比較Fig.14 Comparison of overfitting degree of improved ResNet18 network model test set
通過(guò)分別采用TST偏移圖像數(shù)據(jù)集、TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集、TST偏移圖像+物探指標(biāo)數(shù)據(jù)集、TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集這4種數(shù)據(jù)集對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,由圖11~圖13可知,TST偏移圖像數(shù)據(jù)集收斂速度最快,遍歷5個(gè)epoch時(shí)損失值開(kāi)始收斂,測(cè)試集預(yù)測(cè)準(zhǔn)確率也達(dá)到最高值69.5%;TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集在遍歷10個(gè)epoch時(shí)損失值開(kāi)始收斂,且同時(shí)測(cè)試集預(yù)測(cè)準(zhǔn)確率達(dá)到最高值71.7%;TST偏移圖像+物探指標(biāo)數(shù)據(jù)集經(jīng)歷8個(gè)epoch時(shí)損失值開(kāi)始收斂,此時(shí)測(cè)試集預(yù)測(cè)準(zhǔn)確率達(dá)到最高值70.0%;TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集在遍歷15個(gè)epoch左右時(shí)損失值開(kāi)始收斂,同時(shí)測(cè)試集預(yù)測(cè)準(zhǔn)確率達(dá)到最大值72.5%。4種數(shù)據(jù)集的訓(xùn)練集準(zhǔn)確率達(dá)到最高值的時(shí)間都要稍落后于測(cè)試集,分別為74.5%、76.4%、74.9%、77.1%。
根據(jù)測(cè)試集準(zhǔn)確率和訓(xùn)練集準(zhǔn)確率計(jì)算出過(guò)擬合度,依據(jù)過(guò)擬合度分別對(duì)4種數(shù)據(jù)集發(fā)生過(guò)擬合程度做比較,如圖14所示??梢钥闯?,4種數(shù)據(jù)集中TST偏移圖像數(shù)據(jù)集發(fā)生過(guò)擬合程度最高,TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集過(guò)擬合程度最低。
TST偏移圖像+物探指標(biāo)數(shù)據(jù)集相對(duì)于TST偏移圖像數(shù)據(jù)集的測(cè)試集準(zhǔn)確率的提升很小,這可能是由于物探指標(biāo)和TST偏移圖像都是由TST超前地質(zhì)預(yù)報(bào)系統(tǒng)收集得到,因此兩者可能會(huì)有許多重復(fù)的地質(zhì)特征,所以添加物探指標(biāo)后模型性能并沒(méi)有得到明顯的提升。
依托于東天山隧道工程項(xiàng)目,在TST超前地質(zhì)預(yù)報(bào)技術(shù)的基礎(chǔ)上,構(gòu)建了4種東天山隧道深度學(xué)習(xí)數(shù)據(jù)集,并分別對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,得出結(jié)論如下。
(1)以TST超前地質(zhì)預(yù)報(bào)技術(shù)得到的東天山隧道圍巖TST偏移圖像構(gòu)建了TST偏移圖像數(shù)據(jù)集,TST偏移圖像與地質(zhì)分區(qū)組合構(gòu)建了TST偏移圖像+地質(zhì)分區(qū)數(shù)據(jù)集,TST偏移圖像與高關(guān)聯(lián)度物探指標(biāo)組合構(gòu)建了TST偏移圖像+物探指標(biāo)數(shù)據(jù)集,TST偏移圖像、地質(zhì)分區(qū)和高關(guān)聯(lián)度物探指標(biāo)三者組合構(gòu)建了TST偏移圖像+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集。
(2)用4個(gè)數(shù)據(jù)集分別對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,4種數(shù)據(jù)集的測(cè)試集準(zhǔn)確率分別為69.5%、71.7%、70.0%和72.5%,TST+地質(zhì)分區(qū)+物探指標(biāo)數(shù)據(jù)集在改進(jìn)ResNet18網(wǎng)絡(luò)模型上表現(xiàn)最好。