隧道掌子面地质演化预测的机器学习方法研究

谭海鸿

重庆交通大学 重庆 400074

摘要：在隧道开挖过程中，通过掌子面推进不断揭露的地质情况进行前方地质预测对提高隧道掘进的安全性具有重要作用。工程实践中，准确的进行掌子面前方地质演化预测需要工程师具有坚实的地质理论基础和丰富的实践经验，具备这两点要求的现场工程师是十分匮乏的。基于机器学习技术，项目提出一种利用掌子面地质参数进行前方地质判断的方法；能综合分析岩性、岩层产状及节理裂隙、断层、围岩变形及失稳和渗水指标，通过ResNet模型、U-Net模型、LSTM循环神经网络模型和Google Earth平台获取岩性、岩层产状及节理裂隙、断层、围岩变形及失稳和渗水信息；学习评分标准判断地质变化情况，综合分析评价前方待掘进地质，为施工提供可靠的预测信息，从而提高隧道施工的安全性。

关键词：隧道，掌子面，地质素描，机器学习，超前地质预报，图像识别

引言

1基于数码成像的隧道掌子面信息研究

从20世纪50年代，人们就开始利用计算机来处理图像信息。国外很早便进行了这方面的研究。日本，由于国土面积的限制，对地下空间的利用率非常高，利用计算机技术处理隧道开挖形成岩面分析进行了大量研究。在20世纪80至90年代，国内外利用航片测量产状的理论开始出现并应用。21世纪初，S. Leu, Shiu-Lin Chang等根据隧道掌子面数码图像，运用数字图像处理技术分析和提取掌子面岩体层理、节理、裂隙等产状信息，根据这些产状信息提出了建立三维地质结构模型的概念，展示了根据实际地质情况建立的三维地质结构模型图。期间还有学者提出利用数字图像技术代替地质素描图，利用图像处理的模式识别技术代替专业人员；针对隧道现场扬尘，提出红外照相技术获得更清晰的掌子面图片。

2岩石节理裂隙图像处理研究

计算机是如何识别处理掌子面图片的呢， T.Reid等人给出一种对出露岩体灰度数字图像进行半自动不连续边界线跟踪的算法。该方法首先将出露岩面数字图像视为离散表面，生成像素点灰度值为高度的三维图形，则不连续边界相当于三维图形中的沟谷，因此通过定位这些 “谷像素”可以查找到不连续边界上的像素。开始了对图像的预处理，及降噪、平滑以及灰度化；截至目前，基于图像处理技术在隧道掌子面地质上的应用研究仍在进行，各位学者提出以下几种方法：基于模式识别技术岩体裂隙图像的智能解译方法，通过图像分割、特征提取和分类三个步骤，首先通过微分方法进行边缘检测；基于统计模式识别的岩石节理图像分割方法。采集的原始图像一般含有很多噪音，通过统计模式识别方法在分割图像，进而实行了图像的分割；基于小波的岩石节理裂隙图像处理。提出岩石节理裂隙图像融合方法，从色彩空间模型和融合算法两方面入手，提出一种基于边缘保存的小波域彩色图像融合算法；其他研究现状。结合计算大数据的快速发展，提出了基于互联网地质大数据的图像处理方法，用于图像的岩性识别；通过Google Earth提供的平台，实现一定区域浅层岩层产状批量快速计算的方法。

总体而言，国外对于基于数码成像的隧道掌子面信息研究起步较早，二十世纪九十年代就已在隧道施工中应用研究产品。而国内起步较晚，研究内容少，缺乏广泛性，部分研究仅处在理论层面，未应用于实际工程。

3机器学习算法

深度学习这一术语自、正式提出后，在十几年里发展迅速。它使得人工智能产生了革命性的突破，让我们感受到了人工智能给人类生活带来的巨大便利。在这发展的十几年里，诸多学者都提出了有效的算法和改进方式。在2021年，Wu Chengke等提出了一种混合深度学习模型，开发了双向长短期记忆和条件随机字段模型和知识表示学习模型；Zhang Shufang等使用Stacked Hourglass网络对从不同视图收集的单眼图像进行卷积运算。

ResNet模型：由何凯文等人提出的深度残差网络，对当时CNN图像技术上产生巨大冲击，、并刷新了CNN模型在ImageNet上的历史。Weigui Li等人提出了基于深度残差学习的端到端的算法框架。通过3个等级对残差学习的压缩质量进行了改进：残差网络结构、可量化的深通道残差学习、全方面的全球残差学习；而且，在提出的这个算法框架中整合了一个注意模型，用来自适应地压缩具有不同位的图像区域。U-Net模型：全卷积网络能够取任意大小的输入，以高效的推理和学习产生相应大小的输出。其主要思想为通过连续层补充通常的收缩网络，其中上采样操作取代了池化操作。因此，这些层提高了输出结果的分别率。为了进行定位操作，将来自收缩路径的高分辨率特征与上采样相结合。随后连续的卷积层可以基于该信息学习，得出更为精确的输出。LSTM模型：长短期记忆模型是一种特殊的RNN模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆，因此LSTM模型被提出。

上述三种算法均具有自身的优势，在处理不同问题时表现的优势各有不同，合理组合使用算法，能提高工作完成效率，达到良好的效果。

结语

运用网络大数据的优势，为所研究内容提供大量的训练样本，具有很好的发展前景，基于机器学习的岩性识别，能有效利用计算机的高效性，节省人力，同时解决了驻地地质工程师不足这一痛点。通过Google Earth的数据平台，获取高分辨率卫星影像数据和地形数据，通过公式获取地形点坐标，再转换为平面坐标。关于岩层产状，利用三点法确定平面方程 ，该平面及为岩层倾向；该平面与 平面的交线为岩层走向；与平面的交角为倾角。围岩变形、失稳破坏预报，通过计算机图像处理技术，对节理裂隙的产状进行识别处理，确定岩体节理裂隙不利组合在隧道周边出现的位置、不稳块体失稳方向，最终预测可能出现变形、失稳的位置。掌子面温度与渗水情况，结合红外热像技术，对温度异常的块区进行分析，确定掌子面前方是否含水，规避掌子面涌水、涌泥的突发状况。

此外还具以下创新点：将人工智能技术CNN（卷积神经网络）图像识别，运用于山岭隧道掌子面地质预测中，提高预测智能化水平和精度。将人工智能技术LSTM（循环神经网络模型），用于围岩变形与失稳监测和预警，提高施工和养护的安全性。多种技术组合分析，提高隧道超前地质预报的精确性。将人工智能预测与勘察地质资料、地球物理探测技术相结合分析。综合考虑各个地质影响因素，将计算机技术与地质方面有效结合，有效预测前方地质情况，提高隧道施工的安全性。

参考文献

[1] 范留明,李宁.基于模式识别技术岩体裂隙图像的智能解译方法研究[J].自然科学进展,2004(02):118-122.

[2] 胡启成,叶为民,王琼,陈永贵.基于地质图像大数据的岩性识别研究[J].工程地质学报,2020,28(06):1433-1440.

[3] 蒋小军. 基于Google Earth数据源的平面自动定线技术研究[D].中南大学,2011.

[4] 方智.全球定位系统(GPS)测量中坐标系转换及其坐标换算[J].科技信息,2009(21):430-431+408.

[5] 杜英俊,于重重,刘杰.基于KML开发的GIS系统研究与应用[J].计算机应用与软件,2010,27(10):49-51+116.

[6] 施浪. 基于红外热像法的电缆隧道渗水检测技术研究[D].华中科技大学,2018.