智能算法在隧道围岩分级判别中的应用研究

刘爽 吕春 屈恩相 邓琳 张彦明

(齐齐哈尔大学 建筑与土木工程学院，黑龙江 齐齐哈尔 161006)

隧道围岩是指隧道在开挖过程中对隧道整体结构稳定性造成一系列影响的部分岩体。由于隧道所处的地质条件复杂多样，岩体的种类也各不相同，为保障后续的施工安全、提供合理地设计依据、达到合理、安全、经济的工程目的，则需要对隧道围岩进行精确地分析判别。早期的隧道围岩分级判别常采用TSP系统，但这种方法需要依赖勘察人员的以往经验，因而受人为因素影响较大。RMR法和BQ系统也可应用于隧道围岩的分级判别，但这些判别法在实际应用时存在判别距离较短和指标取证困难等问题。常见的贝叶斯判别法、距离判别法和聚类分析等方法也在隧道围岩分级判别中得到应用，但是这些方法的判别指标要在岩体揭露后才可得到，因而缺乏预见性。

由于影响隧道围岩分级的指标非常多，其中既有定量指标，又有定性指标，各个指标之间的关系难以用数学公式表达出来，使得构建分级评价体系产生一定的难度，成为一个非线性的复杂模糊问题。近年来，随着网络技术和人工智能的快速发展及应用，智能算法凭借其处理非线性且少量参数的优势，被广泛的用于隧道围岩的分级判别。简述了智能算法的基本原理以及常见算法；归纳总结了隧道围岩分级判别模型构建的一般思路；通过分析不同算法模型的判别精确度，对智能算法在隧道围岩分级判别中的应用进行总结与展望。

1 智能算法

智能算法是指受生物界规律的启发，依据其原理进而模仿求解问题的一类算法。智能算法的基本思想就是利用仿生原理进行设计（包括设计算法）并解决问题。智能算法的内容十分丰富，常见的包括人工神经网络、遗传算法、模拟退火算法以及群体智能算法等。

1.1 人工神经网络算法

人工神经网络（ANN）是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。最早由心理学家McCulloch、数学家Pitts提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。随后，FRosenblatt、J.J.Hopfield和Widrow等学者又在此基础上提出了感知机模型，令人工神经网络算法得到蓬勃发展。人工神经网络的优点有：信息处理能力强，在输入变量模糊和不完全的情况下，仍可正确的进行推断；鲁棒性强，当算法中出现个别神经元失效时，不会对后续工作产生影响；非线性处理强，可突破传统电子计算机线性处理数据的局限，可处理大量复杂的非线性工程数据。常见的人工神经网络算法包括：误差逆传播神经网络、竞争型神经网络和Hopfield神经网络。

1.2 遗传算法

遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种应用范围广且高效的随机搜索算法。遗传算法能够直接对结构对象进行操作，因此可以不受函数连续性的限定，并且能够利用随机化技术指导对一个被编码的参数空间进行高效搜索。遗传操作包括选择、交叉及变异。遗传算法的一般步骤如下。

1）随机产生种群；2）根据具体策略判断个体的适应度值，能否符合优化得准则，如果符合，则得出最佳个体及最优结构。如果不符合，则进行下一步；3）根据适应度值选择父母，适应度高的个体容易选中，那么适应度低的个体将被淘汰；4）利用父母的染色体按照参照一定的规则进行交叉，生成子代；5）最后对子代得染色体进行变异。

主要特点有以下几方面。

1）算法求解问题的覆盖面很大，适合用于全局寻优问题；能够同时处理群体当中的多个个体，降低了算法陷入局部最优解的风险，易于实现并行化；2）利用适应度函数评价个体，可以任意设定其定义域，使得应用范围十分广泛；3）算法不采用预先的确定规则，利用概率的变化指引寻优的方向；4）算法的搜索不依赖于梯度信息，具有较好的自适应性和自组织性和自学习性，因而广泛的应用于工程领域和复杂问题的优化。

虽然遗传算法适应能力较强，但仍会存在执行效率较低，且收敛过早的缺点，并且在可行度、计算精度以及复杂性方面还未找到有效的定量分析办法。

1.3 模拟退火算法

模拟退火算法（Simulated Annealing，SA）最早的基础思想是由N.Metropolis等人在20世纪50年提出。后来在1983年，S.Kirkpatrick等人成功地将模拟退火思想引入到组合优化的相关领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性而提出的优化算法。它属于启发算法的一种，并在其搜索过程引入了随机因素，在迭代更新可行解时，以一定的概率来接受一个比当前解还要差的解，因此可能会跳出这个局部的最优解，进而得到全局的最优解。以图1为例，假定初始解为左边蓝色点A，模拟退火算法可以快速的搜索到局部最优解B，但在搜索到局部最优解后并未结束搜索，而是以一定的概率继续向左边移动，经过几次不是局部最优的移动后会到达全局最优解D，搜索就跳出了局部最优解，得到全局最优解。

图1 模拟退化算法迭代

1.4 群体智能算法(Swarm Intelligence)

群体智能算法（Swarm Intelligence）由Gerardo Beni和Jing Wang在20世纪80年代年首次提出。是通过对社会性昆虫的模拟进而挖掘对于传统问题的全新解决办法，其核心思想就是将若干个简单的个体构成一个群体，并让个体之间通过合作、竞争、交互与学习等方式表达出高级和复杂的功能，且在缺少局部信息和模型的条件下，仍可以进行复杂问题的求解。群体智能优点包括：1）群体中个体是分布式，可以更好的适应网络环境下的工作状态；2）算法的鲁棒性非常强，没有集中的控制约束，不会受个别故障而影响后续整体工作；3）个体间可以通过非直接通信进行合作，因而算法拥有更好的可扩充性；4）智能算法能够并行分布式算法模型，可充分利用多处理器，且对求解问题得定义无连续性要求；5）算法的个体的能力十分简单且执行时间比较短，因而算法实现也比较简单。在群体智能算法中较为常用的是模拟鸟群觅食行为的粒子群算法（Particle Swarm Optimization，PSO）和模仿蚂蚁群体采食的蚁群算法（Ant Colony Optimization，ACO）。

2 分级判别模型的构建思路

构建隧道围岩分级判别模型的具体流程如图2所示，一般步骤如下。

Step 1：收集与整理隧道围岩工程样本数据；

Step 2：依据围岩特点确定分级判别特征指标；

Step 3：对样本数据标准化处理；

Step 4：确定合适的算法模型并初始化算法参数；

Step 5：将处理好的样本数据带入模型中训练；

Step 6：判别结果与实际分级做对比分析；

Step 7：当训练精度满足预期值时得出判别模型，否则重新调整算法参数返回Step 5重新进行训练；

Step 8：带入测试样本数据进行验证，如若验证结果满足训练精度则确定分级判别模型，否则返回Step 4中重新选择合适的算法训练模型，直至满足精度要求时确定最终的分级判别模型。

图2 分级判别模型的一般流程

3 智能算法在隧道围岩分级判别中的应用

3.1 单一算法分级判别

随着计算机技术的快速发展，智能算法在隧道工程中得到了广泛地探索与应用，其中较为常见的有BP神经网络、遗传算法、灰色系统理论以及支持向量机等。刘军通过分析研究工程地质条件，将岩石单轴抗压强度和不连续结构面状态及充填等5个因素作为评价指标，在此基础上构建BP神经网络公路隧洞围岩分类模型，并取得良好的分级效果，为今后公路工程隧道围岩的快速分类提供了可靠依据。何新成通过交叉验证设计LIBSVM模型，借助寻找最优参数的方法对现场勘测的30组隧道围岩数据样本进行学习，7组隧道围岩数据样本进行预测，同时对比了其他分级判别办法，结果表明：利用LIBSVM算法对隧道围岩分级地准确率可达100%，可以较好地用于围岩分级。马俊杰将大量隧道围岩分级数据作为多分类SVM的训练学习样本，建立多分类SVM隧道围岩分级模型，最后实现不同地质条件下的围岩分类的合理分级。许腾在隧道围岩分级判别时引入模糊数学法，运用层次分析法对各因素指标进行分析与调整，建立相应的隶属度函数，并确定其相应的模糊权重，最终建立公路隧道围岩分级的模糊综合评判模型。易文豪立基于SVM和神经网络的大断面岩质隧道掌子面围岩分级模型，采用同样的数据对比3种模型性能，分级结果表明：相比于神经网络分级模型，选用SVM模型能够在样本数量较少情况下得到更高地分级精确度，平均准确度为87.9%。梁永忠结合六类围岩评价指标，构建HRNet卷积神经网络隧道围岩智能分级模型，结果表明：该模型可以在样本数量较少的条件下很好地提取特征指标，避免了机器学习对隧道围岩分级样本质量要求较高得问题，使分级结果更加准确。

3.2 组合算法分级判别

由于对智能算法的研究日渐深入，更多学者发现组合的智能优化算法比单一算法的隧道围岩分级判别更加贴近真实情况。张峰瑞提出了基于DE-BP模型的隧道围岩分级模型，并利用VTK技术、三维地质建模方法及数据库技术编写隧道围岩分级软件，进行围岩等级可视化显示与施工方案的不断调整，结果表明：DE-BP模型的均方差明显小于未经优化地BP神经网络，分级精度显著提高，更加适用于隧道围岩动态分级。江勇顺综合运用VLBP和MOBP神经网络技术，分别构建了不同岩质地隧道围岩级别判定方法，经过应用表明，该围岩分级方法得到的判别结果具有较高的精确率。李赤谋运用三维重建、图像拼接、Unet神经网络等技术，实现基于岩体完整性和强度特征的隧道围岩级别快速评价法，研究结果表明：该围岩分级结果更符合现场实际情况，具有良好的应用性。汪学清将K折交叉验证与SVM相结合，依据TSP303系统确定判别指标并建立隧道围岩判别指标体系，选取40组样本数据训练模型、10组样本数据测试模型，分级结果表明：10组样本中仅1组样品判别错误，准确率达到90%，为隧道围岩的分级判别提供了新方法。

4 结语

与传统的隧道围岩分级判别法相比，智能算法可以处理复杂的非线性围岩工程数据，避免了判别过程中人为因素和小样本情况的影响，提高了分级判别精度。单一算法由于自身的限制在判别结果上表现一般。因此，通过组合其他算法，扬长避短，进而提高判别模型的精确度。

隧道围岩分级判别的意义在于如何借助新兴发展技术省时省力的得到复杂地质条件下隧道围岩的等级。因而我们可以从两方面进行展望：1）隧道围岩的分级判别需要借助于大量的已建隧道工程数据，建立系统而全面工程数据库可以为我们的研究提供良好的数据基础；2）深度学习作为智能算法的研究热点，被广泛的应用，但其在隧道围岩分级判别上的应用还并未得到深入挖掘。因此，可以借助其在特征指标和数据处理上优势，将其应用于隧道围岩分级，以实现判别精度的进一步提升。