一种基于神经网络的隧道掌子面围岩智能分级方法技术

一种基于神经网络的隧道掌子面围岩智能分级方法，包括围岩强度获取、岩石完整程度获取及围岩分级。围岩强度获取步骤为：选择现场测试的掌子面围岩回弹值和地质发育度作为输入指标；基于RBF神经网络智能算法构建RBF学习模型，将学习样本数据输入RBF学习模型优化参数；利用优化参数建立RBF学习模型，将检验样本数据输入到RBF预测模型，得到围岩强度输出结果。岩石完整程度获取步骤为：对掌子面的围岩进行图像拍摄；利用图像识别处理方法获取掌子面完整图像；基于Mask RCNN卷积神经网络算法构建Mask RCNN学习模型，将学习样本数据输入Mask RCNN学习模型优化参数，等。本发明专利技术基于神经网络算法对隧道掌子面围岩进行智能分级，可准确预测隧道掌子面的围岩级别。准确预测隧道掌子面的围岩级别。准确预测隧道掌子面的围岩级别。

【技术实现步骤摘要】
一种基于神经网络的隧道掌子面围岩智能分级方法


[0001]本专利技术涉及隧道掌子面围岩质量实时分级的


技术介绍

[0002]为判断隧道围岩的稳定性，指导安全施工，提高隧道支护设计和开挖施工的针对性、准确性和科学性，围岩的实时动态分级成为隧道工程中的关键和最重要工作。根据BQ法，岩石强度与完整程度是围岩分级的重要依据和指标。
[0003]岩石强度的获取可采用室内试验和现场测试的方法。由于室内试验取样、制样、试验、分析等工序复杂、成本高、周期长，并不适用于现场实时动态获取岩石强度。而现场测试可采用点荷载法、声波测试法和回弹测试方法等，但点荷载指数与岩石强度的换算关系因工程地质条件而异，不具备普适性，且由于施工现场点荷载试验仪器携带不便，难以适应现场施工随时测试的要求；声波测试法无法反映岩石所处应力状态及表层特性，回弹测试法存在难以反映岩石内部结构的缺陷。
[0004]在岩体完整程度获取方法上，声波法由于有限的隧道工作面测点布置而无法全面表征隧道工作面各部位的围岩完整状况；岩体块度法中岩体结构综合量化指标Z
‑
RBI值与岩体完整程度之间关系的建立并不成熟；而基于数码图像+图像算法的平面条数法，各种算法的适配性及隧道工作面节理的识别效果仍有待提升。
[0005]综上所述，采用规范方法进行隧道掌子面围岩实时分级存在以下问题：(1)室内试验取样有限、耗时长，得到的岩石强度结果误差大，且难以满足实时数据分析需求；(2)单一岩体强度现场测试方法结果代表性差，且点荷载试验存在仪器携带不便，难以适应现场施工随时测试的要求。(3)岩体完整程度获取方法无法精确表征隧道掌子面各部位围岩的完整状况。
[0006]因此，采用现有规范方法很难实现隧道掌子面围岩实时分级，本专利技术一种基于神经网络和图像识别的隧道围岩特征提取并自动进行围岩分级的方法十分有意义，能够很大程度上保证围岩分级的准确性、科学性。

技术实现思路

[0007]为克服现有技术存在的技术缺陷，本专利技术公开了一种基于神经网络的隧道掌子面围岩智能分级方法。通过现场测试和图像识别技术实时识别隧道掌子面前方围岩地质信息，并依据人工智能算法来对围岩参数的数据进行分析处理，建立基于RBP神经网络和Mask Rcnn卷积神经网络分析的隧道掌子面围岩实时质量分级模型，并应用栾卢高速碾盘隧道及浙江杭温铁路隧道工程对其进行了验证，分级结果与实际揭露围岩吻合很好，具有较好的实时性和适用性。
[0008]为了达到上述目的，本专利技术的技术方案是这样实现的：
[0009]一种基于神经网络的隧道掌子面围岩智能分级方法，其步骤如下：
[0010]步骤一：围岩强度获取包括：
[0011]S1.选择现场测试的掌子面围岩回弹值和地质发育度作为输入指标；
[0012]S2.基于RBF神经网络智能算法构建RBF学习模型，将由S1得到的学习样本数据输入RBF学习模型优化参数；
[0013]S3.利用优化参数建立RBF学习模型，将S1得到的检验样本数据输入到RBF预测模型，得到围岩强度输出结果。
[0014]步骤二:岩石完整程度获取包括：
[0015]S4.获取摄掌子面围岩图像数据；
[0016]S5.利用图像识别处理方法获取掌子面完整图像；
[0017]S6.基于Mask RCNN卷积神经网络算法构建Mask RCNN学习模型，将学习样本数据输入Mask RCNN学习模型优化参数；
[0018]S7.利用优化参数建立Mask RCNN学习模型，将检验样本数据输入到Mask RCNN预测模型，得到掌子面节理二值化图像；
[0019]S8.计算掌子面围岩岩体体积节理数继而得到岩体完整性系数。
[0020]步骤三:围岩分级包括：
[0021]S9.利用步骤1和步骤2得到的岩石强度和岩石完整性系数，采用BQ法得到围岩分级结果。
[0022]所述S1中选取掌子面围岩回弹值作为输入指标的方法为：对掌子面进行分区，分区时需要在横向上考虑左右两侧围岩性质的非对称性，在竖向上需要考虑拱部、中部和底部围岩的岩性差异；采用回弹仪对每个分区岩体进行16次回弹试验，每两个回弹点间距不小于弹击杆直径，保证回弹仪垂直于岩体表面；将所得数据去掉3个最大值和3个最小值，剩余10个数据取平均作为回弹值。
[0023]所述S1中选取掌子面围岩地质发育度作为输入指标的方法为：在隧道工作面拱部、中部和底部各布置1条探测掌子面岩土体的水平测线；利用地质雷达仪测量三个测线处的地质雷达图；根据隧道掌子面典型地质雷达图计算参数—地质发育度，地质发育度由式(1)计算。
[0024]所述S2中学习样本数据为选择部分隧道掌子面数据的学习样本(x
i
,y
i
)，组成样本训练集D＝{(x
i
,y
i
)|i＝1,2,
…
,n},x
i
∈R
n
,y
i
∈+，n为样本的数量，x
i
表示影响岩体强度因素的二维向量，包括掌子面围岩回弹值、地质发育度，y
i
是输出向量且取值是对应的岩石单轴抗压强度。
[0025]所述S2中RBF学习模型的构建方法为：根据RBF三层神经网络，将归一化的学习样本中的x
i
作为输入层向量非线性变换到隐层，然后再将隐层线性变换到输出层，最终通过对输出层结果y
′
i
进行反归一化将得到岩石单轴抗压强度预测结果y
i
。
[0026]所述样本中x
i
的归一化处理如下：
[0027][0028]其中：x
i
为x
′
i
的归一化数据；x
min
为x
′
i
的最小值；x
max
为x
′
i
的最大值。
[0029]输出层结果y
′
i
的反归一化处理如下。
[0030]y
′
i
＝y
i
×
(y
max
‑
y
min
)+y
min
ꢀꢀꢀꢀꢀ
(3)
[0031]其中：y
max
为原始数据中的最大值；y
min
为原始数据中的最小值。
[0032]所述输入层向量非线性变换到隐层的方法为：用RBF作为隐单元的“基”构成隐藏层空间，隐藏层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内能够实现线性可分。非线性变换选择的径向基函数为：
[0033][0034]其中，X是输入向量；C
j
是隐层第j个神经元的中心向量，C
j...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的隧道掌子面围岩智能分级方法，其特征在于：包括顺序进行的围岩强度获取步骤、岩石完整程度获取步骤及围岩分级步骤，其中：步骤一:围岩强度获取包括：S1.选择现场测试的掌子面围岩回弹值和地质发育度作为输入指标；S2.基于RBF神经网络智能算法构建RBF学习模型，将由S1得到的学习样本数据输入到RBF学习模型中，以优化参数；S3.利用优化的参数建立RBF学习模型，将S1得到的检验样本数据输入到RBF预测模型中，得到围岩强度输出结果；步骤二:岩石完整程度获取包括：S4.获取摄掌子面围岩图像数据；S5.利用图像识别处理方法获取掌子面完整图像；S6.基于Mask RCNN卷积神经网络算法构建Mask RCNN学习模型，将学习样本数据输入Mask RCNN学习模型中，以优化参数；S7.利用优化参数建立Mask RCNN学习模型，将检验样本数据输入到Mask RCNN预测模型，得到掌子面节理二值化图像；S8.计算掌子面围岩岩体体积节理数，继而得到岩体完整性系数；步骤三:围岩分级包括：S9.利用步骤一和步骤二得到的岩石强度和岩石完整性系数，采用BQ法得到围岩分级结果。2.根据权利要求1所述的一种基于神经网络的隧道掌子面围岩智能分级方法，其特征在于，所述S1中选取掌子面围岩回弹值作为输入指标的方法为：对掌子面进行分区，分区时在横向上考虑左右两侧围岩性质的非对称性，在竖向上考虑拱部、中部和底部围岩的岩性差异；采用回弹仪对每个分区的岩体进行16次回弹试验，每两个回弹点间距不小于弹击杆直径，保证回弹仪垂直于岩体表面；将所得数据去掉3个最大值和3个最小值，剩余10个数据取平均作为回弹值；所述S1中选取掌子面围岩地质发育度作为输入指标的方法为：在隧道工作面拱部、中部和底部各布置1条探测掌子面岩土体的水平测线；利用地质雷达仪测量三个测线处的地质雷达图；根据隧道掌子面典型地质雷达图计算参数—地质发育度，地质发育度由下式计算：式中：D—地质发育度；S
n
—区域内能量团总面积；S—区域总面积。3.根据权利要求1所述的一种基于神经网络的隧道掌子面围岩智能分级方法，其特征在于，所述S2中学习样本数据为选择部分隧道掌子面数据的学习样本(x
i
,y
i
)，组成样本训练集D＝{(x
i
,y
i
)|i＝1,2,
…
,n},x
i
∈R
n
,y
i
∈+，n为样本的数量，x
i
表示影响岩体强度因素的二维向量，包括掌子面围岩回弹值、地质发育度，y
i
是输出向量且取值是对应的岩石单轴抗压强度。
4.根据权利要求1所述的一种基于神经网络的隧道掌子面围岩智能分级方法，其特征在于，所述S2中RBF学习模型的构建方法为：根据RBF三层神经网络，将归一化的学习样本中的x
i
作为输入层向量非线性变换到隐层，然后再将隐层线性变换到输出层，最终通过对输出层结果y
′
i
进行反归一化，得到岩石单轴抗压强度预测结果y
i
；样本中x
i
的归一化处理见式(2)：其中：x
i
为x
′
i
的归一化数据；x
min
为x
′
i
的最小值；x
max
为x
′
i
的最大值；输入层向量非线性变换到隐层的方法为：用径向基函数RBF作为隐单元的“基”构成隐藏层空间，隐藏层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分；非线性变换选择的径向基函数RBF为：其中，X是输入向量；C
j
是隐层第j个神经元的中心向量，C
j
＝[c
j1
,c
j2
,
…
,c
jn
]
T
；σ是径向基函数方差；输出层结果y
′
i
的反归一化处理见式(3)：y
′
i
＝y
i
×<...

【专利技术属性】
技术研发人员：徐立明，梁祖铨，张均清，唐潮，田静，李路恒，马锡海，张铁军，杨新安，乔洪磊，
申请(专利权)人：同济大学，
类型：发明
国别省市：