基于指标体系的隧道围岩智能分级方法研究

梁永忠

(中铁十二局集团第一工程有限公司 陕西西安 710038)

1 引言

隧道围岩分级是选择施工方法的依据，是进行科学管理及正确评价经济效益、确定结构上的荷载(松散荷载)与衬砌结构类型及尺寸、制定劳动定额及材料消耗标准等的基础[1－2]。我国«公路隧道设计规范»(JTG 3370.1—2018)[3]主要采用BQ法对围岩进行分级，但该方法的参数难于获取，不能在隧道开挖后及时判别围岩级别。而在实际隧道施工中，现场技术人员往往凭经验判定围岩级别。

20世纪以来，随着人类科技进步，需要大量的工程建设，因此在工程实际基础上发展出多种为岩体工程服务的工程岩体分级方法[4－6]。我国围岩分级起步较晚，但在20世纪70年代后期水电、铁路、公路、采矿等行业逐步发展了适合本行业的围岩分级方法，并在各自的行业规范中得以体现[7－8]。这些围岩分级方法都需要依靠复杂的设备以及相关专业人员到施工现场提取准确的围岩参数，成本和效率的双重限制以及施工现场的复杂状况，使得准确、及时获得围岩等级难度很大。而在实际隧道施工中，往往是现场技术人员凭经验判定围岩级别，其主观性较强。基于此，智能围岩分级方法被提出并得到快速地发展，其是结合计算机技术和各种数学统计分析方法，建立围岩分级模型[9－11]。然而，相关研究所选取的围岩分级指标过于复杂或简单，并未过多考虑现场指标获取难易程度，其适用性有待考证。同时，上述研究中样本数量较少，所获得的分类模型在现场应用上准确率较低，同时样本类别数量不均衡，导致模型训练效果不够理想。

本文详细阐述在分析现场采集的隧道围岩定性和定量指标的基础上，选取围岩硬度、岩体完整性、岩体结构、节理及风化情况、地下水状况、地应力状况等建立样本数据库，结合深度卷积神经网络模型(HRNet)构建快速、准确的隧道围岩智能分级方法。该方法可实现模型训练过程中样本高分辨率和低分辨率特征信息的融合，从而使模型能够高效、准确地学习围岩指标的高维特征和低维特征，最终提高围岩等级的预测精度。

2 数据准备及预测方法

2.1 数据预处理

当前围岩分级指标研究中，岩体完整度、岩体强度、软弱结构面与孔轴夹角关系、地下水条件、结构面状态、初始地应力状态、岩体声速等指标被广泛选取用于围岩分级的基础[12]。然而，由于隧道复杂的施工环境和条件，许多指标由于其量化或半量化的特点往往难以准确收集。因此，综合考虑指标收集难易程度及对围岩分级的有利程度，选取岩石硬度、岩体完整性、岩体结构、风化程度、地下水情况、地应力情况为基础进行研究，具体标准参考«工程岩体分级标准»(GB/T 50218—2014)。围岩评价指标及因子见表1。

表1 围岩评价指标和因子

可以发现，选取的六类围岩分级评价指标包括25个评判因子(标签)，其值非连续且离散，因此采用独热编码对上述评价指标进行编码，最终25个标签形成25×25的矩阵，称为评价因子one-hot矩阵。在输入每个训练样本矩阵预测围岩等级之前，应对训练样本进行重塑，以适应深度学习模型。将训练样本矩阵每行的尾部与下一行的头部连接起来，得到1×150个训练数据并输入到模型中预测围岩等级。

2.2 相关方法

高分辨率网络(HRNet，High Resolution Net)提出了在整个过程中的高分辨率的表示。为了解决高分辨率表示感受野不够大的问题，HRNet采用了通过特征融合模块交换高分辨率表示信息和低分辨率表示信息的方法。

图1为HRNet主要结构图，其中水平方向表示模型的深度变化，垂直方向表示特征图的缩放。最上层网络为主干网(即高分辨率网络)，随着网络深度加深，低分辨率并行子网逐渐引入主干网，并行网络之间进行信息交换，实现多尺度融合和特征提取。最后，将经过信息提取和融合的高分辨率主干网作为输出。在整个结构中，共享多分辨率信息的模块包括两类:转换模块(transition)和阶段模块(stage)。转换模块用于从输入生成具有不同分辨率和深度的并行子网，每个转换模块复制原子网络特征图，并使用上采样/下采样方式进行分辨率和通道调整，见图2。阶段模块用于融合不同分辨率的特征地图信息，每个阶段模块遍历并行子网，当其自身的分辨率低于待融合子网的分辨率时，采用上采样方法扩大特征映射的大小，然后叠加特征映射；当子网的分辨率高于要融合的子网分辨率时，使用下采样方法减小特征映射的大小，然后叠加特征映射。

图1 HRNet主要特征融合模块

图2 具有不同分辨率的特征图分辨率调整示意

3 模型建立与训练

结合上述高低分辨率特征融合理念，建立基于HRNet卷积神经网络的围岩智能分级方法，其主要包括四个模块:输入模块、输出模块、用于生成并行子网的转换模块和用于信息融合的阶段模块。输入模块包含4个瓶颈结构，用于降低计算复杂度；转换模块采用3×3卷积核增加网络深度，提高网络学习能力；阶段模块采用3×3卷积核进行下采样，实现高分辨率特征地图信息融合，并利用1×1卷积核进行上采样，最终实现低分辨率特征地图信息的融合。

选取最低并行子网信道数(PSMCN)分别为16和32，并行子网数(PSN)分别为3、4和5构建不同的HRNet结构进行训练，结合浮点运算(FLOPs)、权重参数量、验证集(validation)的loss和accuracy用来评估模型的复杂程度和训练性能。如表2所示，PSMCN和PSN的增加带来了验证集loss和accuracy的改善，表明了模型的计算功耗和存储空间消耗与模型的性能呈正相关，但相应地导致了计算开销和模型复杂度的增长。当PSMCN达到32、PSN等于4时，模型性能已达到较高水平，后续模型复杂程度的增加并未带来更多的性能提高。综合考虑计算开销、模型复杂程度和性能表现可靠度，最终选择并行子网通道数分别为32、64、128、256的HRNet32模型为基础构架围岩智能分类模型，见图3。其中，Input和Output分别代表模型的输入和输出，Conv、BN、ReLU、Upsample和 Fusion 分别代表卷积层、Batch Normalization、ReLU激活函数、上采样层和融合操作；Bottleneck和BasicBlock则是ResNet网络的基本模块。

表2 不同HRNet模型结果表现对比

图3 HRNet32结构

采用5-fold交叉验证的方法对网络进行训练，并与VGG19和ResNet34做对比分析。以米拉山隧道[14]采集的围岩指标样本为基础，按9∶1的比例分为训练集(540)和测试集(60)。在模型训练过程中，样本集和相关参数设置均统一:Adam优化器、分类交叉熵损失函数，批量大小32，学习率0.001。训练过程中当验证损失在20个时期内不再降低，学习率减小到原来的0.1倍，Early stopping操作防止模型过度拟合。训练结果显示，HRNet32相对其他模型整体表现良好，说明其能够对围岩特征实现了良好的提取，形成较好的围岩分级效果(见图4)。

图4 不同模型交叉验证结果

4 模型性能评估和讨论

4.1 模型性能评估

选取上述模型训练过程中表现最佳的VGG19、ResNet34和HRNet32对测试数据集中的样本进行测试。引入了精度(Precision)、召回率(Recall)和F1-score来监控这些模型的测试性能，具体计算公式如下:

式中:i为目标类别；TP、FP和FN分别为真阳性、假阳性和假阴性。精度定义为预测中正确预测的正比例(TP和FP)，召回定义为实际正样本(TP和FN)中正确预测的比例。F1-score用于评估模型的综合性能，并消除样本量不平衡的影响。Micro F1-score表示方法在每个类别上的表现，而Macro F1-score表示方法在所有类别上的综合表现。一般来说，F1-score越高，模型的性能越好。

如表3所示，HRNet32模型在准确率、召回率、F1-score等方面普遍优于其他模型，这也证明HRNet32能够有效地提取各围岩等级样本的高维特征。一般来说，一个优秀的模型应该具有良好的通用性来处理不同的情况。因此选取自鹧鸪山隧道、泥巴山隧道、二郎山隧道、福堂隧道、枣子林隧道和山岭隧道等多条不同工程条件隧道的样本进行测试，预测准确率达到了85%，说明提出的HRNet32围岩智能分级模型具有较好的通用性。

表3 不同模型在测试集上结果

4.2 讨论

在训练样本库建立过程中，发现5个围岩级别样本数据量不够均衡，特别是对于Ⅰ和Ⅱ围岩级别的样本量明显少于其他围岩级别。因此，将上述训练好的VGG19、ResNet34和HRNet32模型应用于仅选择围岩级别为Ⅰ、Ⅱ和Ⅲ的样本数据库，其结果见表4。HRNet32整体表现优于其他模型，特别在围岩级别Ⅰ和Ⅱ这类小样本量类别上，性能表现明显更佳。综上所述，所提出的模型能够较好地提取围岩级别的高维和低维信息，即使当训练样本出现数量不均衡情况。

表4 不同模型在小样本围岩级别预测结果

5 结论

结合六类围岩评价指标(岩石硬度、岩体完整性、岩体结构、风化程度、地下水情况、地应力情况)，基于HRNet卷积神经网络结构建立了隧道围岩智能分级方法。采用独热编码对样本进行预处理并建立样本数据库，综合考虑计算开销、模型复杂程度和性能表现可靠度，选择并行子网通道数分别为32、64、128、256 的 HRNet32 模型为基础构建围岩智能分类模型。训练、交叉验证、测试和对比分析结果表明所提出的方法在围岩分类上表现良好，并将其运用于不同地质条件隧道的围岩级别上验证了模型的通用性。同时，对于样本数量不均衡情况下的小样本类别的特征同样能够较好提取，分类效果较为良好。该方法避免了人工查询规范造成的人力和物力浪费，对隧道围岩分级具有较大的应用价值，避免了深度学习围岩分级对样本质量要求高的问题，且结合专家经验能使预测结果更加准确。