渠成堃，吳德興，李偉平，張傳慶

(1.浙江省交通規(guī)劃設(shè)計研究院有限公司，杭州 310030；2.水下隧道智能設(shè)計、建造及養(yǎng)護(hù)技術(shù)與裝備交通運(yùn)輸行業(yè)研發(fā)中心， 杭州 310030；3.中國科學(xué)院武漢巖土力學(xué)研究所，武漢 430071)

近年來，隨著中國交通基礎(chǔ)設(shè)施的發(fā)展，隧道建設(shè)規(guī)模越來越大[1-2]?，F(xiàn)場隧洞掘進(jìn)過程中地質(zhì)條件頻繁變化，設(shè)計提供的支護(hù)方案越來越難持續(xù)適應(yīng)后續(xù)復(fù)雜的地質(zhì)條件。而在隧道支護(hù)設(shè)計時，支護(hù)方案多為定制化方案，難以根據(jù)圍巖特征變化做出針對性的響應(yīng)，且針對現(xiàn)場不同的地質(zhì)條件定制化方案可能會造成不必要的材料浪費(fèi)。

為制定更有效、更具針對性的支護(hù)方案，姬海[3]分析了不同圍巖分級標(biāo)準(zhǔn)后，基于巖體質(zhì)量分級(rock mass rating,RMR)方法確定了一種長短錨桿結(jié)合、強(qiáng)鋼架的支護(hù)方式。童建軍[4]針對圍巖分級指標(biāo)跨度較大的情況，進(jìn)一步劃分了亞級，并結(jié)合數(shù)值計算方法研究了各亞級圍巖的隧道支護(hù)參數(shù)。大量研究人員針對公路、鐵路隧道支護(hù)方案的分析總結(jié)，對中國公路隧道建設(shè)具有深刻的指導(dǎo)意義。

隨著人工智能技術(shù)發(fā)展，大量學(xué)者將智能算法應(yīng)用于公路隧道建設(shè)中[5-8]。朱利明等[9]通過遺傳算法進(jìn)行支護(hù)優(yōu)化設(shè)計，確定成本與安全性間的平衡點(diǎn)。夏永旭[10]利用BP(back propagation)神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)圍巖等級預(yù)測，并選擇了相應(yīng)的支護(hù)方案。楊卓等[11]通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了巖溶隧道突水預(yù)測。焦戰(zhàn)等[12]提出了基于博弈組合賦權(quán)和綜合灰色關(guān)聯(lián)分析的支護(hù)參數(shù)優(yōu)選方法，通過工程案例證明了其可行性，對類似隧道工程提供了參考和借鑒。姚添智等[13]采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練了地下廠房系統(tǒng)錨桿支護(hù)的智能化設(shè)計模型。

人工智能技術(shù)一定程度上促進(jìn)了支護(hù)設(shè)計的發(fā)展，但支護(hù)設(shè)計的實(shí)時性沒有明顯提高，部分支護(hù)方法的泛化能力較弱，并且無合理的方式評估模型預(yù)測和實(shí)際方案。為此，現(xiàn)以溧陽至寧德高速公路(G4012)浙江景寧至文成段龍麗溫隧道為背景，對圍巖特征數(shù)據(jù)清洗后，關(guān)聯(lián)相關(guān)支護(hù)參數(shù)，計算獲得圍巖特征與支護(hù)參數(shù)的相關(guān)性。進(jìn)一步構(gòu)建基于深度學(xué)習(xí)的多任務(wù)算法模型，開展支護(hù)方案動態(tài)優(yōu)化。最終通過層次分析法對比不同支護(hù)方案，確定最合理支護(hù)方案。

1 地質(zhì)與支護(hù)特征相關(guān)性分析

1.1 隧道工程概況

溧陽至寧德高速公路浙江景寧至文成段屬于浙江省“十二五”交通建設(shè)規(guī)劃“兩縱兩橫十八連三繞三通道”中的一連——龍(游)麗(水)溫(州)高速公路的一部分。區(qū)內(nèi)出露前第四紀(jì)地層主要有下白堊統(tǒng)(K1)火山巖、陸相碎屑沉積巖及侵入巖。第四紀(jì)地層主要為沖洪、坡洪積的砂礫石層和砂性土和黏性土層等。

根據(jù)松散巖類地下水的賦存條件分析，勘察區(qū)內(nèi)主要為松散巖類孔隙潛水和基巖裂隙水。地下水賦存相對較為貧乏，對支護(hù)設(shè)計影響較小。

1.2 地質(zhì)特征與支護(hù)特征處理

為保證研究成果能夠指導(dǎo)后期工程，本研究僅選取以往《項目現(xiàn)場辦公記錄》中可獲得的圍巖地質(zhì)特征及相應(yīng)的支護(hù)類型編號進(jìn)行模型訓(xùn)練。

基于《公路隧道設(shè)計規(guī)范》[14]和修正的巖體分級質(zhì)量指標(biāo)(basic quality，BQ)值圍巖判別標(biāo)準(zhǔn)中的圍巖特征分析，在挖掘現(xiàn)場辦公記錄后發(fā)現(xiàn)主結(jié)構(gòu)面傾角、地應(yīng)力特征無明顯描述。巖性為名稱類特征，其作用僅在于結(jié)合圍巖風(fēng)化特征確定圍巖強(qiáng)度情況。因此初步確定圍巖風(fēng)化程度、堅硬程度、巖體完整程度、地下水狀態(tài)、圍巖穩(wěn)定情況作為輸入圍巖特征，如表1所示。

表1 圍巖特征與支護(hù)參數(shù)Table 1 The surrounding rock features and support parameters

進(jìn)一步獲得不同圍巖特征下的支護(hù)參數(shù)明細(xì)，見表2。在分析支護(hù)參數(shù)后認(rèn)為，本項目不同圍巖特征對于超前支護(hù)方式、二次襯砌參數(shù)的影響較小。因此，進(jìn)一步確定本次分析預(yù)測支護(hù)參數(shù)為：錨桿間排距、錨桿長度、噴砼厚度、鋼拱架類型。

1.3 地質(zhì)特征與支護(hù)特征相關(guān)性分析

為進(jìn)一步分析不同特征相關(guān)性，對文字性特征進(jìn)行數(shù)字化映射。將圍巖特征按照優(yōu)勢程度，從小到大進(jìn)行特征數(shù)字化表征。圍巖風(fēng)化程度劃分為5級，那么未風(fēng)化定義為0，微風(fēng)化為1，中風(fēng)化為2，強(qiáng)風(fēng)化為3，全風(fēng)化為4。堅硬程度劃分5級，堅硬巖對應(yīng)為0，較堅硬巖為1，較軟巖為2，軟巖為3，極軟巖為4。巖體完整程度分為5級，完整對應(yīng)為0，較完整為1，較破碎為2，破碎為3，極破碎為4。地下水狀態(tài)分為4級，其中“無水”狀態(tài)為0，“潮濕或滴水”為1，“淋雨狀或涌流狀出水，水壓<0.1 MPa或單位出水量<10 L/(min·m)”為2，“淋雨狀或涌流狀出水，水壓>0.1 MPa或單位出水量>10 L/(min·m)”狀態(tài)為3。

同理，錨桿間排距劃分為6個等級，間排距“必要時”為0級，“1.5 m×1.5 m”為1，“1.2 m×1.5 m”為2，“1.2 m×1.2 m”為3，“1.0 m×1.2 m”為4，“0.75 m×1.0 m”為5。錨桿長度劃分4個等級，2 m為0級，2.5 m為1級，3 m為2級，3.5 m為3級。噴砼厚度劃分5個等級，6 cm為0級，10 cm為1級，18 cm為2級，20 cm為3級，25 cm為4級。鋼拱架型號劃分3級，無拱架為0級，格柵鋼拱架為1級，14號工字鋼拱架為2級。通過數(shù)字化表征得到與表2支護(hù)參數(shù)相應(yīng)的數(shù)字特征，見表3。

表2 圍巖特征對應(yīng)支護(hù)參數(shù)Table 2 Support parameters corresponding to surrounding rock features

表3 圍巖特征對應(yīng)支護(hù)參數(shù)特征表Table 3 Support parameters corresponding to surrounding rock features

進(jìn)一步通過Python分析特征相關(guān)性[15]，Python分析特征相關(guān)性的指標(biāo)主要有：Pearson相關(guān)系數(shù)、Kendall相關(guān)系數(shù)、Spearman相關(guān)系數(shù)。其中，Spearman相關(guān)系數(shù)引入了“秩次”概念，即n個樣本按照特征1排列時，相應(yīng)特征2在其正確排序中的次序，并引入?yún)?shù)d代表特征1“秩次”與特征2“秩次”差的絕對值。顯然，如果兩特征沒有相同“秩次”，則相關(guān)系數(shù)可以表示為

(1)

若兩特征“秩次”相同，則顯然d≡0，這時需要通過Pearson相關(guān)系數(shù)公式來計算系數(shù)，即

(2)

式(2)中：X、Y分別代表相關(guān)的兩個特征；μx、μy分別代表特征X、Y的數(shù)學(xué)期望；σx、σy分別為X、Y的標(biāo)準(zhǔn)差。

Spearman相關(guān)系數(shù)常被稱為非參數(shù)相關(guān)系數(shù)，這是因?yàn)橹灰獌商卣骶哂袉握{(diào)的函數(shù)關(guān)系，就是完全Spearman相關(guān)的。Spearman相關(guān)性不僅考慮了Kendall相關(guān)中的“秩次”，同時也結(jié)合了Pearson相關(guān)系數(shù)的計算公式。因此后續(xù)分析中選用Spearman相關(guān)性系數(shù)判斷特征相關(guān)性。

表4中圍巖特征與支護(hù)參數(shù)間的相關(guān)性系數(shù)，反應(yīng)了不同圍巖特征下支護(hù)參數(shù)的變化敏感程度。基于圍巖特征變化情況，對不同支護(hù)特征響應(yīng)圍巖特征變化的敏感程度排序，結(jié)果如下。

(1)風(fēng)化程度：錨桿間排距≈噴砼厚度>錨桿長度>拱架形式。

(2)堅硬程度：錨桿間排距>噴砼厚度>錨桿長度>拱架形式。

(3)完整程度：錨桿間排距>噴砼厚度>拱架形式>錨桿長度。

(4)地下水狀態(tài)：錨桿長度>錨桿間排距≈噴砼厚度>拱架形式。

(5)穩(wěn)定程度：拱架形式>錨桿長度>錨桿間排距≈噴砼厚度。

(6)另外從表4的相關(guān)系數(shù)值來看，支護(hù)特征隨風(fēng)化程度的變化更為頻繁，其次為穩(wěn)定情況、完整程度、堅硬程度。本次研究中地下水狀態(tài)與支護(hù)參數(shù)并沒有呈現(xiàn)出明顯的相關(guān)關(guān)系，主要原因在于項目地下水狀態(tài)較為單一，集中在無水或滴水情況，對支護(hù)參數(shù)影響較小。

表4 不同特征Spearman相關(guān)系數(shù)表Table 4 Spearman correlation coefficient of different features

2 多任務(wù)學(xué)習(xí)的支護(hù)模型

2.1 多任務(wù)學(xué)習(xí)模型設(shè)計

通常大多數(shù)深度學(xué)習(xí)模型均為獨(dú)立學(xué)習(xí)，即所謂的單任務(wù)學(xué)習(xí)(single-task learning,STL)，模型僅針對一個特定任務(wù)，預(yù)測一類回歸或分類問題的結(jié)果，例如通過一張巖石圖片識別巖性。

通常為了優(yōu)化模型預(yù)測效果，需構(gòu)建目標(biāo)函數(shù)評估并提升模型效果。目標(biāo)函數(shù)通常由表征預(yù)測值與真實(shí)值之間誤差的經(jīng)驗(yàn)損失和描述模型復(fù)雜程度的正則項J(又稱為“結(jié)構(gòu)化損失”)[9]構(gòu)成，表示為

(3)

式(3)中：f(xi)、yi分別為第i組特征的預(yù)測值和真實(shí)值；ωi為第i組特征的常數(shù)項。

對于本研究中通過不同圍巖特征預(yù)測多個支護(hù)參數(shù)的任務(wù)，如果將任務(wù)拆解成四個子任務(wù)分別預(yù)測錨桿間排距、錨桿長度、噴砼厚度、鋼拱架類型，顯然會忽略任務(wù)間的關(guān)聯(lián)、沖突和約束，也會導(dǎo)致多任務(wù)的整體效果無法更優(yōu)。為此，采用多任務(wù)學(xué)習(xí)(multi-task learning,MTL)，將多個相關(guān)任務(wù)一起建模學(xué)習(xí)以便實(shí)現(xiàn)效果更優(yōu)。相比單任務(wù)學(xué)習(xí)，多任務(wù)學(xué)習(xí)存在以下優(yōu)勢。

(1)多個任務(wù)共享一個模型，降低內(nèi)存占用。

(2)同一模型一次計算出多任務(wù)結(jié)果，提升計算效率。

(3)任務(wù)間共享信息，提升模型效果。

為優(yōu)化多任務(wù)學(xué)習(xí)預(yù)測效果，將多個單任務(wù)學(xué)習(xí)的損失函數(shù)累加，表達(dá)式為

(4)

式(4)中：ωi為第i個任務(wù)在整個任務(wù)中的權(quán)重，如果每個任務(wù)權(quán)重均相同則為1；Li為各任務(wù)的損失函數(shù)。

2.2 多任務(wù)學(xué)習(xí)模型結(jié)構(gòu)

關(guān)于錨桿間排距、錨桿長度、噴砼厚度、鋼拱架型號的特征預(yù)測均為多分類任務(wù)，因此調(diào)用Keras模塊中的多分類Softmax激活函數(shù)，模型語言及相應(yīng)模塊版本見表5。

表5 算法模型環(huán)境Table 5 Algorithmic model environment

為平衡模型性能和精度，模型加入三層激活層、兩層dropout層用以棄置一部分神經(jīng)元節(jié)點(diǎn)，避免模型過擬合造成較大誤差[16]，結(jié)構(gòu)見圖1。

圖1 模型結(jié)構(gòu)圖Fig.1 Model structure figure

2.3 多任務(wù)學(xué)習(xí)模型結(jié)果

結(jié)合1.3節(jié)數(shù)據(jù)與2.2節(jié)的模型結(jié)構(gòu)訓(xùn)練模型，隨機(jī)抽取約10%的圍巖數(shù)據(jù)作為測試集評估模型預(yù)測效果，其中單次圍巖數(shù)據(jù)見表6。

對比表7、表8中實(shí)際與預(yù)測參數(shù)可見，由圍巖特征組1、4、6預(yù)測的參數(shù)較之實(shí)際更為保守。圍巖特征7獲得的預(yù)測參數(shù)與實(shí)際參數(shù)相同。由圍巖特征組2、3獲得的預(yù)測支護(hù)參數(shù)強(qiáng)度明顯低于實(shí)際。

表7 實(shí)際支護(hù)參數(shù)Table 7 The actual support parameters

表8 預(yù)測支護(hù)參數(shù)Table 8 The predict support parameters

對于圍巖特征組5，預(yù)測結(jié)果的錨桿間排距為1.5 m×1.5 m，顯然要弱于實(shí)際的錨桿間排距 1.2 m×1.5 m。而預(yù)測的錨桿長度為3.5 m，噴砼厚度20 cm，顯然強(qiáng)于實(shí)際的長度3 m，噴砼厚度 18 cm。因此，兩方案的優(yōu)劣有待進(jìn)一步判斷。

為進(jìn)一步充分評估模型泛化性能，利用十折交叉法[17]抽取不同測試集進(jìn)行8次模型效果評估，并按照預(yù)測參數(shù)較之實(shí)際參數(shù)強(qiáng)、相同、弱、各有強(qiáng)弱四種情況統(tǒng)計，結(jié)果見表9。各組預(yù)測參數(shù)強(qiáng)度高于或等于實(shí)際參數(shù)的比例分別為0.86、1、1、0.71、0.71、0.71、0.57、0.57，平均值為0.77。可見大部分模型預(yù)測參數(shù)強(qiáng)于實(shí)際。由于本次模型訓(xùn)練數(shù)據(jù)量較少，依然有部分預(yù)測結(jié)果低于實(shí)際支護(hù)參數(shù)，有待收集更多的現(xiàn)場數(shù)據(jù)迭代優(yōu)化。

表9 預(yù)測與實(shí)際參數(shù)八次結(jié)果統(tǒng)計表Table 9 The statistical result between predict parameters and actual parameters in eight results

3 基于層次分析的支護(hù)方案評價

對于第2節(jié)中圍巖特征5獲得的預(yù)測和實(shí)際參數(shù)各有強(qiáng)弱的兩套支護(hù)方案，如何評價其優(yōu)劣是工程中一個亟待解決的問題。針對此問題，工程經(jīng)驗(yàn)與專家會診是常見的解決方案，部分學(xué)者更針對不同的支護(hù)方案數(shù)值建模計算評估效果。這不僅影響了評估的實(shí)時性，且泛化能力不足，無法完全覆蓋工程中的各種支護(hù)設(shè)計。為此，借鑒之前研究后采用層次分析法[18]評估兩種支護(hù)方案，以彌補(bǔ)以往支護(hù)方案評價中實(shí)時性和泛化性能不足的問題。

層次分析法建模，通常分為三個步驟：建立遞階層次結(jié)構(gòu)、構(gòu)建滿足一致性檢驗(yàn)的各層次判斷矩陣、方案層的權(quán)重轉(zhuǎn)換。

3.1 建立遞階層次結(jié)構(gòu)

應(yīng)用層次分析法分析問題，首先把問題條理化、層次化，構(gòu)造一個有層次的結(jié)構(gòu)模型。在此模型下，復(fù)雜問題被分解為多組成元素。這些元素又按屬性及關(guān)系形成若干層次。上一層次的元素作為準(zhǔn)則對下一層次相關(guān)元素起支配作用。

基于1.3節(jié)數(shù)據(jù)，將錨桿間排距、錨桿長度、噴砼厚度、鋼拱架類型等最終的支護(hù)參數(shù)確定為方案層，也即最高層(第三層)。將圍巖風(fēng)化程度、堅硬程度、巖體完整程度、地下水狀態(tài)、圍巖穩(wěn)定情況等與支護(hù)參數(shù)的相關(guān)性系數(shù)劃分為第一層，用以表征各圍巖特征對支護(hù)設(shè)計的總體影響程度。將風(fēng)化程度、堅硬程度、完整程度、地下水狀態(tài)、穩(wěn)定情況對于圍巖整體穩(wěn)定性的影響權(quán)重劃分為第二層，表征本研究中各圍巖特征對于圍巖整體穩(wěn)定性的影響程度。

3.2 構(gòu)建判斷矩陣和一致性檢驗(yàn)

基于表4數(shù)據(jù)，計算各支護(hù)參數(shù)對于圍巖特征相關(guān)性系數(shù)的平均值，以此表征圍巖特征變化時各支護(hù)參數(shù)響應(yīng)的敏感程度?？芍?，各支護(hù)參數(shù)與圍巖風(fēng)化程度、硬度、巖體完整程度、地下水狀態(tài)、圍巖穩(wěn)定情況的相關(guān)性系數(shù)平均值分別為0.63、0.33、0.39、0.05、0.48。

在Saaty層次分析法公式[19]中采取對因子兩兩比較建立矩陣的方法，即每次取兩個比較因子xi和xj，以aij表示xi和xj的相關(guān)性對結(jié)果影響之比，例如堅硬程度與支護(hù)參數(shù)總體相關(guān)性為0.33，圍巖風(fēng)化程度與支護(hù)參數(shù)總體相關(guān)性為0.63，則堅硬程度相對于圍巖風(fēng)化程度對支護(hù)參數(shù)的相關(guān)性影響程度為0.33/0.63=0.52。顯然判斷矩陣A=(aij)n×n滿足關(guān)系式

(5)

式(5)中：i,j= 1,2,…，n，n為特征數(shù)。

基于式(5)計算各圍巖特征對支護(hù)參數(shù)的相對影響程度值，見表10。盡管表10能較為客觀地反映兩個影響因子的比重關(guān)系，但綜合對比全部結(jié)果時卻難免存在一定程度的非一致性。如果需要結(jié)果完全一致，判斷矩陣A還應(yīng)滿足關(guān)系式

aijajk=aik

(6)

式(6)中：i,j,k= 1,2,…，n，n為特征數(shù)。

為保證式(6)成立，需對判斷矩陣進(jìn)行一致性檢驗(yàn)。首先，計算獲得表10所示矩陣的最大特征值λmax=4.993。通過式(7)獲得一致性指標(biāo)CI為-0.001 75。

表10 圍巖特征相對影響程度的判斷矩陣Table 10 Judgment matrix of relativity about surrounding rock features

(7)

隨后，結(jié)合特征數(shù)量根據(jù)平均一致性指標(biāo)(表11)，確定RI=1.12。進(jìn)一步通過式(8)計算一致性比例CR=-0.001 56。

表11 平均一致性指標(biāo)RITable 11 Mean consistency index RI

(8)

層次分析法理論認(rèn)為CR<0.1時，判斷矩陣的一致性是可以接受的。因此，認(rèn)為當(dāng)前判斷矩陣的一致性符合要求。

進(jìn)一步對表10矩陣中各列歸一化后計算各行平均值，得到風(fēng)化程度、堅硬程度、完整程度、地下水狀態(tài)、穩(wěn)定情況的相應(yīng)權(quán)重矩陣A為

(9)

同理，可依次獲得圍巖特性對于各支護(hù)參數(shù)的判斷矩陣，見表12～表16。根據(jù)式(7)計算得到表12～表16對應(yīng)矩陣的CR分別為0.001 4、0.001 17、0.001 13、0.001 07、-0.000 6。顯然依據(jù)式(8)可認(rèn)為判斷矩陣一致性均符合要求。

對表12～表16中判斷矩陣進(jìn)行列歸一化后求每行平均值，獲得各支護(hù)參數(shù)受圍巖特征影響的權(quán)重矩陣B為

表12 風(fēng)化程度對各支護(hù)參數(shù)判斷矩陣Table 12 Judgement matrix of supporting parameters on decay

表13 堅硬程度對各支護(hù)參數(shù)判斷矩陣Table 13 Judgement matrix of supporting parameters on hardness

表14 完整程度對各支護(hù)參數(shù)判斷矩陣Table 14 Judgement matrix of supporting parameters on integrity

表15 地下水狀態(tài)對各支護(hù)參數(shù)判斷矩陣Table 15 Judgement matrix of supporting parameters on water

表16 穩(wěn)定情況對各支護(hù)參數(shù)判斷矩陣Table 16 Judgement matrix of supporting parameters on stability

(10)

3.3 支護(hù)方案層的結(jié)果表征

基于2.3節(jié)中多任務(wù)學(xué)習(xí)模型的計算結(jié)果，針對中風(fēng)化、較堅硬巖、較完整、無掉塊、無水的圍巖特征(表6圍巖特征5)，多任務(wù)模型預(yù)測結(jié)果為[1,4,4,1]，實(shí)際方案為[2,3,3,1]。

為對比兩方案各支護(hù)參數(shù)的權(quán)重，首先初始化一個2×2的矩陣。令矩陣主對角線上元素為0.5，對于矩陣第一行第二列數(shù)字，如果方案二(實(shí)際支護(hù)參數(shù))的效果優(yōu)于方案一則取值為1，否則為0。同樣對于矩陣第二行第一列的數(shù)字，如果方案一(預(yù)測支護(hù)參數(shù))的效果優(yōu)于方案二則取值為1，否則為0。針對本次預(yù)測和實(shí)際方案的4個支護(hù)參數(shù)，形成8×2的對比矩陣，即

(11)

(12)

為避免兩方案結(jié)果差異過大，同時考慮0在后期矩陣相乘計算時結(jié)果始終為0，利用式(12)對矩陣中非對角元素進(jìn)行平滑，得到方案對比矩陣為

(13)

隨后對各支護(hù)參數(shù)結(jié)果按列歸一化，并對各支護(hù)參數(shù)結(jié)果按行計算平均值，得到預(yù)測與實(shí)際支護(hù)方案最終結(jié)果表征為

(14)

3.4 基于層次分析法的支護(hù)效果評價

綜合圍巖特征權(quán)重矩陣A和支護(hù)參數(shù)方案矩陣B，結(jié)合方案層矩陣W，計算兩支護(hù)方案的綜合評判值為

R=ABTW=[0.473,0.414]

(15)

根據(jù)最大優(yōu)屬度原則，預(yù)測支護(hù)參數(shù)得分為0.473，實(shí)際支護(hù)參數(shù)得分為0.414，可認(rèn)為預(yù)測支護(hù)參數(shù)更為合理。

4 結(jié)論

首先分析了圍巖特征與支護(hù)參數(shù)的相關(guān)性，通過構(gòu)建多任務(wù)學(xué)習(xí)模型預(yù)測了支護(hù)方案，并通過層次分析法對比了支護(hù)方案效果，獲得如下結(jié)論。

(1)通過數(shù)字化表征圍巖特征與支護(hù)參數(shù)相關(guān)性，獲得了各支護(hù)參數(shù)隨圍巖特征變動的響應(yīng)敏感程度，結(jié)果表明支護(hù)特征受圍巖風(fēng)化程度變化影響最敏感，其次為穩(wěn)定情況、完整程度、硬度。

(2)構(gòu)建多任務(wù)學(xué)習(xí)模型預(yù)測了不同圍巖特征下的支護(hù)參數(shù)，并通過十折交叉法評估了預(yù)測與實(shí)際支護(hù)參數(shù)的效果。在10組測試集中，預(yù)測參數(shù)強(qiáng)于實(shí)際的比例平均為0.77，可見預(yù)測結(jié)果大部分優(yōu)于實(shí)際，模型對現(xiàn)場設(shè)計施工具有一定的指導(dǎo)意義。

(3) 基于圍巖特征與支護(hù)參數(shù)相關(guān)性，采用層次分析法計算比較了預(yù)測支護(hù)參數(shù)與實(shí)際支護(hù)方案。結(jié)果表明預(yù)測方案得分高于實(shí)際方案，相比實(shí)際方案更具有優(yōu)勢。