吳 帆，張云旆，寇甲兵，劉立鵬，李鵬宇

(1.云南省滇中引水工程有限公司，昆明 650000; 2.中國水利水電科學研究院，北京 100048;3.中鐵工程裝備集團有限公司，鄭州 450016)

1 研究背景

隨著我國基礎設施建設的逐步推進，全斷面巖石掘進機(TBM)普遍應用于水利、土木、交通等領域的隧道工程建設，已成為隧洞掘進的主要工法之一[1-3]。但是TBM的地質(zhì)適應性較差[4-6]，當遭遇不良地質(zhì)條件或圍巖質(zhì)量較差時，容易引發(fā)卡機、塌方等地質(zhì)災害，影響施工進度，威脅人員安全，因此，判別圍巖質(zhì)量對于TBM施工具有重要的意義[7-9]。

與傳統(tǒng)鉆爆法相比，TBM由于其特殊的防護結(jié)構(gòu)，操作人員無法第一時間觀察隧洞掌子面的圍巖狀況，只有在掘進出護盾后才能直觀地觀察圍巖，這在一定程度上增大了現(xiàn)場地質(zhì)人員和施工班組的工作難度。而受限于鉆孔的數(shù)量和工程地質(zhì)條件的不確定性，前期的地質(zhì)勘察資料難以查明工程全線情況，傳統(tǒng)地質(zhì)勘探方法雖然能夠較為準確地探明掌子面前方的地質(zhì)情況，但是由于隧洞施工環(huán)境的影響和探測設備占用空間，尤其對于小直徑隧洞工程，難以保證地勘、物探工作隨掘進順利開展[10-12]。

另一方面，TBM在掘進過程中實時采集了種類繁多的數(shù)據(jù)[13]，通過掘進參數(shù)來間接了解圍巖狀況，判斷圍巖質(zhì)量已逐漸成為重要手段之一。Guo等[14]采用掘進段上升段前30 s的掘進參數(shù)建立隨機森林模型預測圍巖類別；朱夢琦等[15]采用AdaCost算法預測掌子面前方的圍巖類別，對軟弱圍巖預警，保障施工安全。Hou等[16]基于聚類算法對圍巖進行分類，利用穩(wěn)定段掘進參數(shù)的平均值，通過分析疊加集成分類器進行預測；Wu等[17]為以刀盤推力、刀盤扭矩和貫入度為輸入，利用SC算法對圍巖進行聚類，評價圍巖質(zhì)量。Zhang等[18]基于刀盤轉(zhuǎn)速、推力、扭矩和施工速度，采用層次聚類和支持向量回歸算法建立了運行數(shù)據(jù)與巖體質(zhì)量分類之間的關系。Liu等[19]提出了一種基于分類回歸樹(CART)和AdaBoost算法的集成學習模型來預測圍巖的分類。

上述研究工作主要基于推力、扭矩、速度和轉(zhuǎn)速等基本掘進參數(shù)開展，由于TBM一次連續(xù)掘進時間長，參數(shù)波動較大，近年來，以現(xiàn)場貫入指標(FPI)和扭矩貫入指標(TPI)等特征參數(shù)為對象進行的研究逐漸興起，Chen等[20]通過非塌方掘進段的TPI數(shù)據(jù)訓練時間序列神經(jīng)網(wǎng)絡模型，基于預測值和實測值的誤差分析成功識別了引松工程16個塌方段中的14個。劉詩詳?shù)萚21]在Chen[20]工作的基礎上，采用卷積神經(jīng)網(wǎng)絡，基于FPI成功識別了引松工程中規(guī)模最大的塌方段。Feng等[22]通過對比引松工程中18處斷層破碎帶的FPI分布情況，發(fā)現(xiàn)在其中的10個斷層前后的FPI存在明顯的區(qū)別。Hou等[23]提出了一種自適應動量優(yōu)化LSTM神經(jīng)網(wǎng)絡，通過預測比能(SE)的誤差分析，識別隧道的塌方風險并提供預警信息，取得了較好的預測效果。杜立杰等[24]建立了FPI與關鍵地質(zhì)因素巖石單軸抗壓強度(UCS)和巖體完整性系數(shù)Kv之間的多元回歸關系，可通過地質(zhì)因素計算TBM的設備參數(shù)。熊帆[25]基于PSO-SVR模型建立了單軸抗壓強度(UCS)、軟弱結(jié)構(gòu)面平均間距(DPW)、結(jié)構(gòu)面與隧洞軸線夾角α與FPI的掘進效率預測模型，進而提出基于FPI的圍巖等級劃分方法。上述研究論證了特征參數(shù)與圍巖地質(zhì)情況的強關聯(lián)性。

綜上所述，本文基于數(shù)據(jù)預處理，將滇中引水工程香爐山隧洞TBM已掘進數(shù)據(jù)進行了劃分;在此基礎上，以掘進段為單位計算扭矩貫入指標TPI，在不同圍巖下通過構(gòu)建神經(jīng)網(wǎng)絡模型，通過對TPI預測結(jié)果的誤差分析預測圍巖質(zhì)量;最后基于TPI的基尼不純度，選取圍巖質(zhì)量劃分閾值，形成了提出了圍巖質(zhì)量的初步預判方法。

2 工程簡介

2.1 工程背景

滇中引水工程是從金沙江上游石鼓河段取水(圖1)，以解決滇中區(qū)水資源短缺問題的特大型跨流域引(調(diào))水工程，是國務院批準、國家發(fā)展改革委和水利部確定的172項重大節(jié)水供水工程中的標志性工程之首。香爐山隧洞位于大理Ⅰ段的首段，是滇中引水工程最長的深埋隧洞，也是總干渠的關鍵控制性工程[26]。隧洞起于麗江市玉龍縣石鼓鎮(zhèn)望城坡，止于大理州鶴慶縣松桂鎮(zhèn)河北-河西村一帶，途經(jīng)麗江市玉龍縣和大理白族自治州鶴慶縣，線路長約62.596 km。隧洞區(qū)域?qū)俑?、中山地貌區(qū)，地面高程一般為2 400～3 400 m，沿線工程地質(zhì)和水文地質(zhì)條件復雜，跨越金沙江與瀾滄江分水嶺，穿越13條大斷(裂)層，其中含3條工程活動斷裂。隧洞最大埋深1 450 m，埋深>1 000 m洞段累計長21.427 km，占隧洞總長34.23%，埋深>600 m洞段長累計42.175 km，占隧洞總長67.38%。

圖1 香爐山隧洞布置示意圖Fig.1 Layout of Xianglushan tunnel

香爐山隧洞采用“TBM法+鉆爆法”組合法施工方案，對主要活動斷層、埋深相對淺的不良地質(zhì)段采用鉆爆法施工，其他洞段采用TBM施工。鉆爆法施工段總長27.08 km，2臺敞開式TBM掘進段總長35.52 km，TBM掘進段位于樁號DL I 16+565—23+240、DL I 28+800—53+700和DL I 54+000—58+161。

2.2 TBM參數(shù)

“云嶺號”TBM是目前香爐山隧洞的2臺TBM之一，也是目前唯一投入施工的TBM，設計刀盤直徑為9.83 m，總長235 m，整機總重20 500 kN，額定功率5 600 kW，額定扭矩15 719 kN·m，是我國自主研制的世界引調(diào)水工程大直徑硬巖掘進機，TBM具體參數(shù)情況如表1所示。

表1 TBM主要參數(shù)Table 1 Main parameters of TBM

2.3 地質(zhì)條件

香爐山隧洞位于中甸-麗江-大理地震活動帶，帶內(nèi)活動斷裂發(fā)育、地震構(gòu)造復雜、強震頻度較高，對應地震基本烈度為Ⅷ度。隧洞區(qū)褶皺、斷裂發(fā)育，隧洞穿越規(guī)模較大斷裂 12條，其中F12為活動斷裂，隧洞穿越存在洞室抗剪斷及震中區(qū)抗震的問題。標段隧洞區(qū)主要巖性有灰?guī)r、玄武巖、泥頁巖夾砂巖灰?guī)r及第四系覆蓋層等，其地質(zhì)剖面圖如圖2所示。

圖2 香爐山隧洞地質(zhì)剖面圖Fig.2 Longitudinal profile of Xianglushan tunnel

標段穿越褶皺構(gòu)造2處、斷層12條(876 m)、活動大斷裂帶1條(156 m)、巖爆段4段(1 539 m)，軟巖大變形8段(3 676 m)，淺埋段長約2 342 m(埋深30～80 m)，可溶巖段2段(12 km)，全隧最大涌水段涌水量3 960 m3/h，Ⅳ、Ⅴ類圍巖占標段長度的60%，且圍巖變化頻繁，施工連續(xù)性差。

隧洞圍巖類型主要為Ⅲ、Ⅳ、Ⅴ類，其中：Ⅲ1類圍巖長約3.0 km，Ⅲ2類圍巖長約7.2 km，Ⅳ類圍巖長約10.4 km，Ⅴ類圍巖長約5.2 km。Ⅳ、Ⅴ類圍巖約占隧洞長度的60%，洞室圍巖穩(wěn)定問題較為突出。

3 數(shù)據(jù)準備

3.1 數(shù)據(jù)預處理

數(shù)據(jù)預處理是將原始連續(xù)采集的數(shù)據(jù)進行劃分，以掘進段為單位進行保存的技術，一個完整掘進段(DL I 57+880.7)的基本參數(shù)發(fā)展過程如圖3所示。由圖3可知，掘進參數(shù)隨著刀盤和巖體的相互作用，呈現(xiàn)出明顯的變化規(guī)律?？赏ㄟ^判斷扭矩和轉(zhuǎn)速是否為0的將掘進段從原始數(shù)據(jù)中劃分出來，進一步根據(jù)推力和速度的變化規(guī)律將掘進段劃分為4個階段：①空推段，刀盤剛開始啟動，未接觸巖體，故扭矩和轉(zhuǎn)速增加，而推力和速度基本不變。②上升段，刀盤接觸掌子面，扭矩和轉(zhuǎn)速出現(xiàn)波動，推力和速度開始以較大的幅度增加。③穩(wěn)定段，滾刀充分貫入巖體后，破巖進入穩(wěn)定階段，各項參數(shù)以較小的幅度波動，整體數(shù)值趨于穩(wěn)定。④下降段，推進油缸達到最大行程或遭遇異常情況停機時，轉(zhuǎn)速迅速降至0，其與參數(shù)也以較快的速度降低至0。

圖3 DL I 57+880.7掘進段參數(shù)示意圖Fig.3 Parameters of DL I 57+880.7 boring segment

3.2 特征參數(shù)計算

基于3.1節(jié)中的參數(shù)變化特點，對滇中引水工程香爐山隧洞DL I 58+161.63至DL I 55+167.71近3 km的數(shù)據(jù)進行預處理，共得到2 528個掘進段，對應起始日期為2020年10月31日，結(jié)束日期為2021年10月28日，具體信息如表2所示。

表2 TBM數(shù)據(jù)庫情況Table 2 TBM database

由于香爐山隧洞埋深較大，已掘進洞段的埋深在500～1 000 m之間，加之地質(zhì)條件復雜，故而扭矩和推力的波動較大，與埋深較淺隧洞的參數(shù)分布規(guī)律有明顯區(qū)別，如圖4所示，對比分析3個工程的參數(shù)波動情況，其中吉林引松工程和內(nèi)蒙古引綽濟遼工程埋深均<500 m，可見其掘進段推力和扭矩在穩(wěn)定段的波動較小，同時增長情況較為接近，但滇中引水工程中扭矩的波動明顯大于前者，且推力和扭矩出現(xiàn)了異常值，因此，若基于基本參數(shù)進行分析，就容易受到參數(shù)波動和異常值的影響。

圖4 敞開式TBM引水工程掘進段推力扭矩分布Fig.4 Thrust torque distribution in the boring segment of open TBM for water diversion project

特征參數(shù)能夠在一定程度上克服上述問題的影響?，F(xiàn)場貫入指標FPI的定義為掘進機單刀推力與貫入度的比值，單位為kN/(mm/rev)，代表了巖石單位切深所需的滾刀推力，可用式(1)表示。

(1)

式中:Fn為單刀推力(kN)；F為總推進力(kN)；p為貫入度(mm/rev)；n為滾刀數(shù)；Pr為推進速度(mm/min)；RPM為刀盤轉(zhuǎn)速(rev/min)。

類比FPI的概念，Chen等[20]提出的基于扭矩和貫入度相關關系擬合得到的扭矩貫入指標TPI，如式(2)所示。

(2)

式中:Tn為單刀扭矩(kN·m)；T為刀盤扭矩(kN·m)。

TPI綜合考慮了扭矩、速度和轉(zhuǎn)速的影響，由于掘進上升段充分反映了滾刀貫入巖體的全過程，故而選取上升段的數(shù)據(jù)進行擬合，如圖5所示?？梢?，扭矩和貫入度可近似擬合為一條過原點的直線，故將該直線的斜率作為該掘進段的特征參數(shù)TPI，該參數(shù)被廣泛接受并應用到TBM圍巖地質(zhì)相關的預測中[27-32]。相較于FPI，TPI與圍巖地質(zhì)情況的相關關系更強，可靠性更高，故本文選用TPI作為分析參數(shù)[20-21,32]。

圖5 DL I 55+842.1扭矩-貫入度相關關系Fig.5 Correlation between torque and penetration for DL I 55+842.1

3.3 特征參數(shù)分析

為進一步分析TPI與圍巖質(zhì)量的相關性，以R2>0.6為標準，對目前滇中工程已有掘進段進行篩選，將不同圍巖類別下TPI統(tǒng)計如圖6所示。由圖6可見，Ⅲ類圍巖中TPI分布在3～8 kN·m/(mm/rev)中且波動較大，少數(shù)分布在該范圍之外，這主要是由于現(xiàn)場分類中將Ⅲ類圍巖進一步分為了Ⅲ1和Ⅲ2類；Ⅳ類圍巖較少，TPI集中分布在2～4 kN·m/(mm/rev)，少數(shù)<2；Ⅴ類圍巖TPI大部分分布在2 kN·m/(mm/rev)以下，也有部分分布在2～4 kN·m/(mm/rev)中。整體對比可知，圍巖質(zhì)量越好時，TPI越大，圍巖質(zhì)量越差時，TPI越低，此外在不同圍巖類別中存在部分重疊的TPI。

圖6 不同圍巖下TPI分布情況Fig.6 TPI for different surrounding rocks

3.4 網(wǎng)絡構(gòu)建

基于上述思路，構(gòu)建不同的圍巖下的神經(jīng)網(wǎng)絡模型。由于TBM連續(xù)掘進，數(shù)據(jù)連續(xù)采集，故數(shù)據(jù)具有強烈的時空相關性。在數(shù)據(jù)格式上，采用時間序列法處理，選用過去5個掘進段的TPI預測相鄰掘進段的TPI，其基本原理如式(3)所示。

式中:TPI為實測值(kN·m/(mm/rev))；TPI′為預測值(kN·m/(mm/rev))；fm為預測函數(shù)。

選用神經(jīng)網(wǎng)絡作為預測函數(shù)，為了對比分析結(jié)果，選擇了較為經(jīng)典的深度置信網(wǎng)絡(DBN)[20,22,33]和應用較多的卷積神經(jīng)網(wǎng)絡(CNN)[21]，其原理和算法基本結(jié)構(gòu)如下：

DBN由受限玻爾茲曼機(RBM)和BP神經(jīng)網(wǎng)絡組成，通過RBM實現(xiàn)對于輸入數(shù)據(jù)的降維和特征提取，通過BP網(wǎng)絡建立輸入數(shù)據(jù)和輸出數(shù)據(jù)的權重關系，實現(xiàn)精準預測。模型結(jié)構(gòu)及訓練流程如圖7所示。通過綜合比較計算精度和效率后選取以下結(jié)構(gòu)參數(shù)：使用2層RBM的構(gòu)架，共包含1層輸入層，2層隱含層，其中輸入節(jié)點5。RBM的第2隱含層作為BP網(wǎng)絡的輸入層，經(jīng)過RBM的降維和提取后，輸入神經(jīng)元為二進制單元，只有兩種狀態(tài)“0”和“1”。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡，DBN使用RBM學習算法，通過無監(jiān)督的大數(shù)據(jù)自學習的方式進行特征提取，增強了神經(jīng)網(wǎng)絡對數(shù)據(jù)特征的提取能力和網(wǎng)絡學習的抽象化。

圖7 DBN網(wǎng)絡結(jié)果示意圖Fig.7 Schematic diagram of DBN network

CNN的網(wǎng)絡結(jié)構(gòu)為6層，第一層為輸入層，包含5個神經(jīng)元，對應過去5段的TPI，第二層和第三層為卷積層，卷積層尺寸分別為32和64，第四層為平鋪層，將全部特征平鋪，第5層和第6層位全連接層，分別連接64個神經(jīng)元和1個神經(jīng)元，最終輸出為下一段的TPI。模型訓練時根據(jù)預測結(jié)果與實測結(jié)果做對比計算出誤差反饋給全連接層，全連接層再重新評價自身對特征的選擇和計算方式，并反饋給卷積層來調(diào)整特征提取模式，輸出最終的結(jié)果，即相鄰下一段的TPI，其結(jié)構(gòu)如圖8所示。

圖8 CNN網(wǎng)絡結(jié)構(gòu)示意圖Fig.8 Schematic diagram of CNN network

4 圍巖質(zhì)量預測

圍巖質(zhì)量預測的思路是以過去5段掘進段的TPI作為輸入，預測相鄰下一段掘進段TPI。由于相同圍巖下TPI較為接近，若預測結(jié)果較為接近，則說明圍巖質(zhì)量未發(fā)生明顯變化；若預測結(jié)果出現(xiàn)較大誤差，則說明圍巖質(zhì)量發(fā)生較大變化。且將歷史5段TPI作為輸入，能在一定程度上避免TPI在實際圍巖分類間存在交叉而產(chǎn)生的誤差。因此，將III類圍巖作為質(zhì)量較好圍巖，將Ⅳ、Ⅴ類圍巖作為質(zhì)量較差圍巖，分別建立模型進行預測。

4.1 Ⅱ、Ⅲ類模型

選取DL I 58+161.63— DL I 57+031.85共1 130 m的數(shù)據(jù)作為訓練數(shù)據(jù)，經(jīng)過劃分和處理，以TPI的擬合優(yōu)度≥0.6為判別準則選取相對質(zhì)量較高的數(shù)據(jù)，共獲得497組訓練數(shù)據(jù)。

4.1.1 卷積神經(jīng)網(wǎng)絡(CNN)

通過參數(shù)比選，最終選取超參數(shù)損失函數(shù)為mean_absolute，優(yōu)化器為sgd，訓練批次batch_size=64, 迭代次數(shù)epochs=300。選取DL I 57+510.63～ DL I 57+031.84共479 m的Ⅲ類圍巖數(shù)據(jù)進行預測。Ⅲ類圍巖預測效果如圖9所示，其預測值和實際值的相對誤差MRE為0.242，公式如式(4)所示?？梢?，以TPI為訓練和預測參數(shù)，基于時間序列預測法的卷積神經(jīng)網(wǎng)絡在圍巖質(zhì)量變化不大的情況下，能夠?qū)崿F(xiàn)較為精準的預測。

圖9 DL I 57+510.63—031.84 Ⅲ類圍巖CNN預測效果Fig.9 CNN predicted result of class III surrounding rock in DL I 57+510.63—031.84

(4)

式中:TPI為實測值(kN·m/(mm/rev))；TPI′為預測值( kN·m/(mm/rev))；n為掘進段數(shù)量。

為對比分析，選取DL I 56+154.82—DL I 55+941.84共213 m的Ⅳ、Ⅴ類圍巖數(shù)據(jù)進行預測。Ⅳ、Ⅴ類圍巖預測效果如圖10所示，橫坐標為掘進段序號，MRE為0.584。由圖10可以看出，當圍巖質(zhì)量變差時，基于III類圍巖的訓練模型不能夠?qū)崿F(xiàn)精準預測，實測值和預測值之間的誤差十分明顯。

圖10 DL I 56+154.82～DL I 55+941.84 Ⅳ、Ⅴ類 圍巖CNN預測效果Fig.10 CNN predicted result of class Ⅳ and Ⅴ surrounding rock in DL I 56+154.82—DL I 55+941.84

4.1.2 深度置信網(wǎng)絡(DBN)

通過參數(shù)比選，最終選取超參數(shù)隱含層節(jié)點16，學習率0.01，RBM隱含層迭代500次，BP網(wǎng)絡層迭代500次。Ⅲ類圍巖預測效果如圖11所示，MRE為0.247?？梢姡捎貌煌窠?jīng)網(wǎng)絡的效果差距不大，均表現(xiàn)除了較高的預測精度，相對來說，CNN的精度更高。

圖11 DL I 57+510.63—031.84 Ⅲ類 圍巖DBN預測效果Fig.11 DBN predicted result of class Ⅲ surrounding rock in DL I 57+510.63—031.84

Ⅳ、Ⅴ類圍巖預測效果如圖12所示，MRE為1.068，對于圍巖質(zhì)量較差時，預測精度更差。

圖12 DL I 56+154.82—DL I 55+941.84 Ⅳ、Ⅴ類 圍巖DBN預測效果Fig.12 DBN predicted result of class Ⅳ and Ⅴ surrounding rock in DL I 56+154.82—DL I 55+941.84

由圖12可知，由于訓練數(shù)據(jù)通過擬合優(yōu)度進行篩選，基本過濾掉地質(zhì)條件較差段，故當在巖性地質(zhì)條件較為正常時，能夠保持較高的預測精度，可基于TPI數(shù)值與圍巖地質(zhì)條件進行關聯(lián)。當預測圍巖地質(zhì)條件極差段時，例如DL I 56+154.82— DL I 55+941.84的Ⅴ類圍巖段，預測值與實際值有較大的誤差，可通過相對誤差的增大，判斷當前TBM進入圍巖地質(zhì)條件較差段，提醒主司機謹慎駕駛。

4.2 全部數(shù)據(jù)模型

若依進準預測TPI為目的，建議包含Ⅲ—Ⅴ類數(shù)據(jù)的模型進行預測，基于上述分析，以58+161.63—56+000.29共計1 075段Ⅲ—Ⅴ類數(shù)據(jù)進行訓練，選用CNN預測DL I 55+999.19—170.03的1 436段Ⅳ類和Ⅴ類段，橫坐標為掘進段編號，從左至右對應樁號從大至小。預測結(jié)果如圖13所示。

圖13 DL I 55+999.19—170.03 Ⅳ、Ⅴ類圍巖預測效果 (全部數(shù)據(jù)模型)Fig.13 Predicted results of class Ⅳ and Ⅴ surrounding rocks (all data models) for DL I 55+999.19—170.03

由圖13可見，預測精度不是很高，主要是由于數(shù)據(jù)樣本分布不均衡導致的。目前已掘進洞段以Ⅳ和Ⅴ類圍巖為主，且預測數(shù)據(jù)集對應的洞段穿越了芹菜塘斷裂，其TPI數(shù)值更低。但相較于Ⅲ類圍巖模型的預測結(jié)果，TPI的預測值和實測值整體更為接近，能夠反映TPI的變化趨勢。

5 圍巖質(zhì)量預判方法

圍巖質(zhì)量預判方法包含兩部分內(nèi)容：首先是基于神經(jīng)網(wǎng)絡的圍巖質(zhì)量預測，即在下一掘進段開始前，能夠提前預測出掘進段的TPI數(shù)值；第二步是基于TPI基尼不純度的圍巖質(zhì)量判斷，即根據(jù)TPI的實測值，依靠基尼不純度進行劃分，選取準確率最高的TPI閾值。

按照上述流程，即可在掘進前對圍巖質(zhì)量進行預測，在掘進中對圍巖質(zhì)量進行判斷和修正，具體步驟為當全部數(shù)據(jù)的訓練模型和III類數(shù)據(jù)訓練模型結(jié)果接近時，初步預測為圍巖質(zhì)量較好；當全部數(shù)據(jù)的訓練模型和Ⅲ類數(shù)據(jù)訓練模型結(jié)果差異較大時，初步預測為圍巖質(zhì)量較差；當本掘進段開始掘進后，根據(jù)上升段的實測TPI，通過相應閾值判斷和修正圍巖質(zhì)量。

5.1 圍巖質(zhì)量判斷

判斷的對象是TPI，判斷的主要依據(jù)是基尼不純度，基尼不純度表示在樣本集合中一個隨機選中的樣本被分錯的概率，計算公式如式(5)所示。基尼不純度越小表示集合中被選中的樣本被參錯的概率越小，也就是說集合的純度越高，反之，集合越不純。當集合中所有樣本為一個類時，分類效果最好，基尼不純度為0。

(5)

式中:G(p)為基尼不純度;p為不同分類被分錯的概率;k為分類數(shù)量。

故以58+161.63—55+168.11共2 528段掘進段的數(shù)據(jù)作為研究目標，基于3.3節(jié)不同圍巖類別的統(tǒng)計結(jié)果，若以Ⅱ、Ⅲ類和Ⅳ、Ⅴ類為分類目標進行分類，應分別選用判別TPI的閾值為1.8、2.0、2.2 kN·m/(mm/rev)，其結(jié)果如表3所示。

表3 基于TPI的Ⅲ類和Ⅳ、Ⅴ類圍巖分類Table 3 Classification of class Ⅲ，Ⅳ and Ⅴ surrounding rocks based on TPI

由表3可以看出，但將TPI的閾值減小時，Ⅳ、Ⅴ類的基尼不純度降低，降低的幅度不大，但Ⅲ類的基尼不純度增大了較多，整體的基尼不純度以2.2 kN·m/(mm/rev)為閾值時最高，以2.2作為Ⅱ、Ⅲ類和Ⅳ、Ⅴ類的分界閾值較為合理。進一步分別計算不同閾值下的準確率(ACC)、精準率(PRE)、召回率(REC)和F1(F1-score)分數(shù)評估分類效果，相應公式如式(6)—式(9)所示，誤差指標如表4所示,其中，TP、TN、FP和FN的意義見表3。

表4 基于TPI的Ⅱ、Ⅲ類和Ⅳ、Ⅴ類圍巖分類誤差指標Table 4 Classification error indices of class Ⅱ,Ⅲ, Ⅳ and Ⅴ surrounding rocks based on TPI

(6)

(7)

(8)

(9)

5.2 圍巖質(zhì)量預判

結(jié)合前文4.2節(jié)和5.1節(jié)的研究內(nèi)容，對于DL I 55+999.19—170.03 Ⅳ、Ⅴ 類類圍巖段，Ⅱ 類模型的預測效果如圖14所示，對比全部模型的預測結(jié)果如圖15所示，可見本段掘進過程中，2個模型的預測值相差較大，以相對誤差0.2為閾值，當相對誤差>0.2時，預測為質(zhì)量較差的 Ⅳ、Ⅴ 類圍巖，當相對誤差不超過0.2時，預測為質(zhì)量較好的 Ⅲ 類圍巖。當在掘進開始前進行預測，再根據(jù)上升段TPI的實測值，在穩(wěn)定段開始前可對結(jié)果進行判斷和修正，具體如表5所示。

圖14 DL I 55+999.19—170.03 Ⅳ、Ⅴ類 圍巖預測效果(Ⅲ類圍巖模型)Fig.14 Prediction effect of class IV and V surrounding rocks (class III surrounding rock model) for DL I 55+999.19—170.03

圖15 DL I 55+999.19—170.03 Ⅳ、Ⅴ類 圍巖預測效果對比Fig.15 Comparison of prediction results between class Ⅳ and Ⅴ surrounding rocks in DL I 55 + 999.19—170.03

表5 圍巖質(zhì)量預判情況Table 5 Prediction and judgement of surrounding rock quality

由表5可知，圍巖質(zhì)量預測的準確率為81.3%，掘進開始后，根據(jù)上升段實測TPI進行判斷后的準確率提升至87.5%，但是仍然存在179段Ⅳ、Ⅴ類圍巖所在的掘進段判斷為Ⅲ類，這主要是由于TPI在不同圍巖中確實存在重疊分布的情況所致。

6 結(jié) 論

本文基于滇中引水工程香爐山隧洞TBM的實際數(shù)據(jù)，在數(shù)據(jù)預處理的基礎上，通過計算得到扭矩貫入指標TPI，并通過基于神經(jīng)網(wǎng)絡的圍巖質(zhì)量預測和基于基尼不純度的圍巖質(zhì)量判斷，形成了圍巖質(zhì)量預判方法，具體結(jié)論如下：

(1)Ⅲ類圍巖中TPI主要分布在3～8 kN·m/(mm/rev)中，波動較大，少數(shù)<2 kN·m/(mm/rev)；Ⅳ類圍巖中TPI集中分布在2～4 kN·m/(mm/rev)，Ⅴ類樣本大部分分布在2 kN·m/(mm/rev)。整體表現(xiàn)為圍巖質(zhì)量越好，TPI越大；圍巖質(zhì)量越差，TPI越小。

(2)基于時間序列法的神經(jīng)網(wǎng)絡模型，預測同類圍巖效果較好，不同算法表現(xiàn)接近，Ⅲ類圍巖效果好于Ⅳ、Ⅴ類圍巖，預測不同類圍巖的效果明顯差于同類圍巖的預測效果。

(3)若以不同模型TPI預測相對誤差0.2為分界閾值，Ⅲ類和Ⅳ、Ⅴ類圍巖的預測準確率為81.3%，可以以TPI=2.2 kN·m/(mm/rev)作為分界閾值，Ⅲ類和Ⅳ、Ⅴ類圍巖的判斷準確率為87.5%。