鐘慶華 孫鑫 張鐵軍 喬洪磊 楊新安

基金項目：浙江省交通運輸廳科研計劃項目（20211050）

第一作者簡介：鐘慶華（1975-），男，高級工程師。研究方向為隧道工程。

*通信作者：喬洪磊（1999-），男，博士研究生。研究方向為隧道工程。

DOI：10.19981/j.CN23-1581/G3.2024.12.018

摘? 要：由于地質條件的復雜多變、勘察方法和技術缺陷等原因，勘察階段的山嶺隧道圍巖分級與施工階段存在差異。為動態(tài)獲得施工中杭溫鐵路隧道前方圍巖等級，該文基于巖體基本質量指標（BQ）的綜合評判法，利用現場回彈試驗、超前地質預報及掌子面圖像識別等手段，通過人工智能算法獲得前方揭露圍巖巖石強度及巖體完整性系數；再結合隧道現場水文情況、軟弱結構面、初始地應力狀態(tài)等修正因素，對圍巖進行精細分級?，F已在杭溫鐵路隧道古塘源二號隧道進口DK90+292、金竹坪隧道出口DK86+184、木匪嶺隧道出口DK84+565及松塢尖隧道進口DK86+752等斷面圍巖等級變更工作中實現成功應用，得到與專業(yè)團隊相吻合的揭露圍巖級別判別結果，具有進一步推廣與研究價值。

關鍵詞：山嶺隧道；人工智能；圖像識別；圍巖精細分級；圍巖等級變更

中圖分類號：U25? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）12-0077-05

Abstract： Due to the complex and changeable geological conditions and the defects of survey methods and techniques， there is a difference between the surrounding rock classification of mountain tunnel in the investigation stage and the construction stage. In order to dynamically obtain the grade of surrounding rock in front of the tunnel of Hangzhou-Wenzhou Railway under construction， based on the comprehensive evaluation method of rock mass basic quality（BQ）， by means of on-site rebound test， advanced geological prediction and palm face image recognition， the rock strength and rock mass integrity coefficient of front exposed surrounding rock are obtained by artificial intelligence algorithm. Based on the correction factors such as hydrological condition， weak structural plane and initial ground stress state of the tunnel， the surrounding rock is classified finely. It has been successfully applied in the surrounding rock grade change of Gutangyuan No.2 tunnel entrance DK90+292， Jinzhuping tunnel exit DK86+184， Mugangling tunnel exit DK84+565 and Songwujian tunnel entrance DK86+752 of Hangzhou-Wenzhou Railway tunnel. The results are consistent with the professional team to reveal the surrounding rock grade， which is worth further popularizing and studying.

Keywords： mountain tunnel; artificial intelligence; image recognition; fine classification of surrounding rock; change of surrounding rock grade

目前，國家正在大力推進人工智能與多學科多產業(yè)的融合升級，致力于提高多領域的智能化水平。人工智能的利用，可以大大提高隧道在設計、施工、運營、管理與養(yǎng)護等方面的智能化水平，提高隧道工程的工作效率。在隧道工程中通過引入人工智能領域神經網絡、圖像識別等手段有利于隧道圍巖分級快速化、精細化、智能化進行。

近年來，國內外學者針對施工階段圍巖智能化分級已經開展了一些研究。

在圍巖分級方法方面，馬超鋒等[1]基于貝葉斯統(tǒng)計理論，建立[BQ]的先驗分布和后驗分布概率模型，推導出[BQ]的后驗分布超參數的計算公式，獲得[BQ]的可信概率為1～？琢的可信區(qū)間，并據此對圍巖動態(tài)分級進行優(yōu)化。鄭帥等[2]在傳統(tǒng)巖體分級BQ方法基礎上，基于機器學習與可靠度算法提出了一種隧道施工過程中圍巖動態(tài)分級方法， 成功應用于甄峰嶺隧道部分區(qū)段圍巖變更。

巖石強度獲取方面，丁黃平等[3]通過對安徽六黃潛高速公路不同隧道的28個掌子面的點荷載數據和回彈數據進行回歸分析， 提高了圍巖分級反饋速度。王睿等[4]基于聲波-回彈聯合測試法，建立BP神經網絡模型在施工階段快速預測巖石強度，實現了巖石強度的現場快速無損預測。

巖體完整度獲取方面，Reid等[5]提出了一種將照片轉化為灰度圖像，將像素顏色的深淺作為高度坐標，把照片變換成立體高程圖，得到連續(xù)溝渠作為巖體結構面部分的新方法。柳厚祥等[6]訓練以掌子面圖片和特征標簽為數據集的深度卷積神經網絡模型，結合深度學習技術和巖體裂隙圖像智能解譯方法統(tǒng)計圍巖節(jié)理組數和間距描述結構面完整程度。

本文依托浙江杭溫鐵路隧道工程，開展了現場回彈試驗及數碼圖像拍照，結合超前地質預報及深度學習算法獲得了施工斷面巖石強度及巖體完整度數據，成功應用于現場的施工圍巖級別變更。

1? 工程概況

新建杭州至溫州鐵路杭州至義烏段（簡稱“杭溫鐵路Ⅱ期”）（圖1）工程是國家高速鐵路網主骨架京滬杭、商合杭鐵路的南延線，是長三角城際鐵路網的重要組成部分，是一條以路網功能為主、兼顧城際功能的快速客運通道。杭溫鐵路的建設能夠有效完善國家高速鐵路運輸網，增強區(qū)域干線高速鐵路網，構建浙江省“1h交通圈”，形成杭州與溫州間最為便捷的客運通道，對滿足沿線交通出行增長需求、實現旅游資源開發(fā)、促進社會經濟發(fā)展具有重要意義。

圖1? 杭溫鐵路杭烏段地理位置圖

杭溫鐵路杭州至義烏段，正線全長59.018 km，全線新建橋梁21座，全長16.746 km；隧道21座，全長39.025 km，隧線比為66.1%。設特長隧道1座，為木匪嶺隧道10.24 km；長隧道4座，中長隧道7座，短隧道9座。部分隧道特征見表1。

表1? 杭溫鐵路杭烏段部分隧道情況

2? 山嶺隧道圍巖智能化分級原理

2.1? 圍巖分級方法

依據TB 10003—2016《鐵路隧道設計規(guī)范》，采取圍巖質量指標BQ值及修正的[BQ]值，對圍巖級別進行判定。BQ值的計算公式如式（1）所示

BQ=90+3Rc+250Kv， （1）

式中：Rc為巖石單軸飽和抗壓強度，MPa；Kv為巖體完整性系數。

確定BQ值進行初步分級后，再通過引入地下水系數K1、軟弱結構面系數K2、初始地應力修正系數K3，根據式（2）進行修正，得到[BQ]值

[BQ]=BQ-100（K1+K2+K3）。（2）

最終通過查閱規(guī)范，將BQ值相應表格進行圍巖分級。

2.2? 巖石強度獲取方法

在施工現場獲取巖石強度方面，現有如王睿等[4]采用的聲波-回彈聯合測試法，其在采取單一回彈儀指標的基礎上，引入聲波測試指標反映巖石的內部裂隙、結構面、巖體含水及應力狀態(tài)，得到巖石強度的綜合反映。

然而在隧道開挖面開展的聲波測試，無法通過非金屬探測儀直接深入鉆孔進行測量，通常需要搭配“一發(fā)雙收”的單孔干孔轉換器+推桿組合使用，選用推桿長度長于5 m，在施工現場應用并不方便，不足以滿足施工現場儀器易攜測量便捷的要求，且未將同樣可以反映前方巖石孔隙、含水等情況的超前地質數據充分利用，故本文采用地質雷達-回彈聯合測試法進行巖石強度獲取，其參數獲取方法如下。

2.2.1? 巖石表面回彈測試

選用圖2所示HT-225高強度回彈儀進行回彈測試。

圖2? HT-225高強度回彈儀

沿用國際巖石力學學會給出的巖石研究方法，測試時在每個測區(qū)記錄20個回彈值，每2個回彈值間距不小于彈擊桿直徑，選取其中較大的10個回彈值平均值作為回彈值。

2.2.2? 地質雷達參數獲取

地質雷達（Ground Penetrating Radar， GPR）通過發(fā)射天線將電磁波傳輸到隧道施工面前面，當發(fā)射出去的大頻率電磁波碰到不同的地質情況（如含水層、裂隙帶、洞穴等），即電磁波的傳播介質不同時，它就會被反射， 并且反射波的幅度、路徑和波形將隨著電介質的電特性和幾何形狀而變化，其波形圖如圖3所示。

圖3? 地質雷達波形圖

本文嘗試通過式（3）引入施工對應區(qū)段地質雷達圖中的高能量區(qū)域面積占總面積之比作為表征施工面前方斷層裂隙帶、洞穴、含水層的不良地質狀況的表征參數，定義為地質發(fā)育度，以進行后續(xù)巖石強度獲取研究。

D=Sn/S，（3）

式中：D為地質發(fā)育度；Sn為區(qū)域內能量團總面積；S為區(qū)域總面積。

2.2.3? 巖石強度標定及地質發(fā)育度-回彈聯合法

如圖4所示，將制備好的直徑50 mm、高100 mm巖石試樣置于壓力機承壓板中心，依0.5 MPa/s的加載速度對試樣加荷，直到試樣破壞為止，記錄最大破壞載荷。

在獲取了巖石強度及對應的回彈值、地質發(fā)育度后，采用按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡BP神經網絡[7]，建立回彈值、地質發(fā)育度與巖石強度的擬合關系。本模型采用BP神經網絡結構如圖5所示，包含輸入層、隱藏層、輸出層，激活函數選用sigmoid函數，其中輸入層包括2個神經元對應回彈值及地質發(fā)育度，隱藏層經過比選采用單層9神經元，輸出層單神經元對應輸出巖石強度值。

圖4? 巖石單軸抗壓強度試驗

圖5? BP神經網絡結構

2.3? 巖體完整度獲取方法

2.3.1? 數碼圖像獲取

由于隧道工程施工現場光線條件差，施工粉塵濃度較高，且掌子面面積較大，采取完整掌子面拍攝很難獲得良好圖像處理樣本，故采用如圖6所示分6塊區(qū)域分塊攝影方式，再進行后期拼接處理，得到完整清晰的掌子面數碼圖片。

圖6? 掌子面分區(qū)攝影

2.3.2? 掌子面地質圖像編錄

按照圖7所示，通過灰度處理—空間濾波—二值化處理—形態(tài)學處理流程得到掌子面地質信息。

圖7? 掌子面地質圖像編錄

2.3.3? 巖石完整度計算

在BQ法圍巖分級中，巖體完整度Kv可以通過巖體積節(jié)理數Jv查表換算得到，而體積節(jié)理數Jv可以通過條數法按照式（4）配合目標檢測獲得的掌子面節(jié)理數快速得到。

Jv=■×（1.3～1.5），? ? ? ? ? ? ? ? ? ? ?（4）

式中：ni是第i個單位測量面積內的節(jié)理條數；N為測量區(qū)域數量。

3? 工程應用

杭溫鐵路古塘源二號隧道進口DK90+277～DK90+297實際勘察發(fā)現，掌子面圍巖為凝灰質砂巖，弱風化，節(jié)理裂隙發(fā)育，巖體較破碎，拱頂自穩(wěn)能力一般，易掉塊，地下水以基巖裂隙水為主，較發(fā)育，圍巖等級明顯低于設計中的Ⅲ級圍巖標準。為準確獲得施工現場圍巖級別，指導后續(xù)施工，工程現場應用本文所述山嶺隧道圍巖智能化分級系統(tǒng)進行圍巖變更輔助判別并與中鐵第四設計院勘測人員定性判別結果對照做出綜合判斷。

將拍攝好的掌子面圖像，按照左拱肩、拱頂、右拱肩、左邊墻、拱底和右邊墻對應位置，采取圖像拼接融合算法拼接成如圖8所示完整清晰掌子面圖像。

圖8? 掌子面拼接圖像

將圖8完整掌子面圖像通過自開發(fā)山嶺隧道圍巖智能化分級軟件處理得到掌子面地質裂隙分布形態(tài)如圖9所示。

圖9? 掌子面識別圖像

根據TB 10003—2016《鐵路隧道設計規(guī)范》進行圍巖分級，古塘源二號隧道進口DK90+292斷面6個分區(qū)的分級參數及分級結果見表2。

表2? 古塘源二號隧道進口D90+292區(qū)段分級表

由表2可知，掌子面分區(qū)左拱肩區(qū)域分級結果為Ⅳ1級，拱頂區(qū)域為Ⅳ1級，右拱肩區(qū)域為Ⅳ2級，左邊墻區(qū)域為Ⅲ2級，拱底區(qū)域為Ⅲ2級，右邊墻區(qū)域為Ⅳ1級，結合上述分區(qū)結果，綜合預測古塘源二號隧道進口DK90+292區(qū)段為Ⅳ1級，與現場勘查團隊所給出的圍巖等級變更建議書所述將DK90+292區(qū)段變更為Ⅳ級圍巖相吻合，驗證了本文所述山嶺隧道圍巖智能化分級系統(tǒng)的可靠性。

4? 結論

本文依托杭溫鐵路隧道工程，將自主開發(fā)的山嶺隧道圍巖智能化分級系統(tǒng)應用于施工過程中隧道前方掘進巖體的圍巖級別判定，并在古塘源二號隧道進口DK90+292斷面施工現場圍巖級別變更工作中，與現場專業(yè)勘察團隊所給出圍巖變更建議進行對比驗證，得出以下結論。

1）通過充分結合傳統(tǒng)的回彈測試與超前地質預報手段，借助BP神經網絡預測模型建立了地質發(fā)育度-回彈聯合法預測巖石強度，得到了施工現場快速準確獲得巖石強度值的方法。

2）通過圖像識別的方法準確高效獲取了掌子面地質信息，采用表面條數法將地質信息轉化為巖體完整度參數，大大提高了巖石完整度的獲取效率。

3）在BQ法修正所需的其他參數地下水系數K1、軟弱結構面系數K2、初始地應力修正系數K3的獲取上，本文通過現場觀察+勘察資料進行確定，保證了參數獲取的快捷準確。

圍巖變更工作的現場應用證明本文提供的方法可獲得可靠的巖石強度、巖石完整度等分級參數，并可相較于傳統(tǒng)分級方法，給出更加精細的分區(qū)級別與亞級劃分，對后續(xù)施工、支護具有重要的指導意義，具有良好的推廣價值。

參考文獻：

[1] 馬超鋒，李曉，成國文，等.大跨度公路隧道圍巖動態(tài)分級的Bayes優(yōu)化[J].地下空間與工程學報，2011，7（2）：322-328.

[2] 鄭帥，姜諳男，張峰瑞，等.基于機器學習與可靠度算法的圍巖動態(tài)分級方法及其工程應用[J].巖土力學，2019，40（S1）：308-318.

[3] 丁黃平，佴磊，張振營.巖石抗壓強度點荷試驗與回彈試驗相關性研究[J].路基工程，2008（5）：70-71.

[4] 王睿，夏道洪，鄧祥輝，等.施工階段隧道圍巖快速分級法[J].科學技術與工程，2020，20（5）：2053-2060.

[5] REID T R， HARRISON J P． A semi-automated methodology for discontinuity trace detection in digital images of rock mass exposures[J]．International Journal of Rock Mechanics and Mining Sciences，2000（7）：37.

[6] 柳厚祥，李汪石，查煥奕，等.基于深度學習技術的公路隧道圍巖分級方法[J].巖土工程學報，2018，40（10）：1809-1817.

[7] 楊福，王衍金，江戰(zhàn)紅.基于GA-BP方法的地鐵站動態(tài)人員冷負荷預測研究[J].華東交通大學學報，2021，38（2）：44-50.