孟馨， 秦擁軍， 謝良甫， 袁揚淳， 譚順利

(新疆大學建筑工程學院， 烏魯木齊 830017)

圍巖質量預測在隧道建設中是必不可少的一環(huán)，提前對隧道掌子面前方的地質情況掌握清楚，就能為面臨的各種可能發(fā)生的地質災害做好充足準備。在新疆天山地區(qū)，擁有著復雜的地理地質環(huán)境，溫度低、海拔高、構造復雜、巖體破碎、不良地質發(fā)育等都制約著隧道的建設，在這種特殊的地理地質環(huán)境下修建隧道，可借鑒的工程經(jīng)驗比較缺乏，這也導致天山地區(qū)隧道施工過程中圍巖變更率極高，嚴重影響施工進度，造成項目成本劇增，并會造成較大的安全隱患。如伊犁州果子溝隧道圍巖變更率接近80%，這表明傳統(tǒng)的圍巖分類方法難以滿足天山地區(qū)復雜地理地質環(huán)境下修建隧道的要求。

李志林等[1]結合模糊評價法、小波理論和神經(jīng)網(wǎng)絡構建了巖溶突水風險評估體系，彌補了傳統(tǒng)方法在巖溶突水風險評估的復雜性、局限性及不確定性。He等[2]提出了高斯過程機器學習，建立了基于TSP-203 系統(tǒng)的先進圍巖分類模型，該方法從 TSP-203 的檢測結果中提取有用信息，建立了圍巖分類的定量指標體系。Qiu等[3]以數(shù)字鉆井技術和量子遺傳算法為基礎，構建了徑向基函數(shù)神經(jīng)網(wǎng)絡并應用于圍巖分類。王佳信等[4]、孔祥松等[5]、李一冬等[6]建立了基于人工神經(jīng)網(wǎng)絡理論的圍巖分類識別模型。Gholami等[7]利用人工智能算法對巖體質量分級(rock mass rating，RMR)進行了改進。Izadi等[8]建立了薄片礦物的智能識別系統(tǒng)。Jalalifar等[9]將自適應神經(jīng)模糊推理系統(tǒng)應用在巖石工程分類系統(tǒng)預測中。Asadi[10]基于人工神經(jīng)網(wǎng)絡測定巖石磨蝕性。越來越多的學者將各類機器學習用于隧道圍巖識別，如Saeid等[11]基于神經(jīng)網(wǎng)絡預測巖體可挖性指數(shù)。劉慧敏等[12]、張凱等[13]、高磊等[14]和田睿等[15]利用神經(jīng)網(wǎng)絡模型進行了巖爆危險性和強度預測方面的研究。李汪石[16]、查煥奕[17]、柳厚祥等[18]、張峰瑞等[19]眾多學者將深層卷積神經(jīng)網(wǎng)絡應用到隧道圍巖分類預測，并取得了較為理想的效果。這表明今后人工智能將逐步取代傳統(tǒng)經(jīng)驗法用于隧道工程[20-24]，因此現(xiàn)利用人工智能建立天山地區(qū)隧道圍巖類別預測模型完全符合今后該領域的研究發(fā)展趨勢。

目前，采用神經(jīng)網(wǎng)絡研究圍巖變形規(guī)律的研究較多，但基于深度學習理論研究圍巖等級的研究略顯不足，因此現(xiàn)基于深度學習理論的 ResNet神經(jīng)網(wǎng)絡通過對東天山超長隧道現(xiàn)場實測等數(shù)據(jù)加以分析，實現(xiàn)對圍巖等級的智能監(jiān)測。

1 物探數(shù)據(jù)采集及處理

1.1 工程概況

東天山超長隧道屬于G575線的重要組成部分，隧址位于新疆維吾爾自治區(qū)哈密市北部，進口位于哈密市巴里坤哈薩克自治縣松樹塘滑雪場下游。出口位于哈密市西山鄉(xiāng)葫蘆溝北側，車輛可由鄉(xiāng)道X089進入施工便道到達隧道出口附近，隧道進出口交通條件較好，如圖1所示。隧道隧址區(qū)為典型的高中山深谷類型，隧址區(qū)大部分屬于高中山地貌區(qū)，也有局部的山間溝谷地貌和丘陵地貌分布。東天山被隧道由北到南貫穿，隧道沿線區(qū)域東天山海拔最高點位于里程K13+700段附近，海拔最高點向兩側延伸，海拔逐漸降低。

圖1 東天山隧道規(guī)劃圖(1∶250 000)Fig.1 Planning of East Tianshan tunnel(1∶250 000)

1.2 隧道地質超前預報工作原理

隧道散射地震成像(tunnel seismic tomography，TST)技術的主要組成部分包括地震波信號采集器、三硝基甲苯(TNT)引爆裝置和TST數(shù)據(jù)采集終端。TST系統(tǒng)的震源一般采用少量的TNT炸藥引爆產(chǎn)生，TST系統(tǒng)充分認識三維波場的復雜性，能有效消除側向波和面波干擾，以保證成像的真實性。TST是以逆散射成像原理為基礎建立的，地震波的運動學和動力學信息也被引用進來，不但能獲得圍巖力學性狀的空間變化，也能確定各種地質構造的位置。

1.3 現(xiàn)場探測工作

依托于東天山隧道，進入隧道內共進行了39次TST隧道地質超前預報工作。進口左洞5次，進口右洞5次，出口左洞12次，出口右洞17次。東天山隧道現(xiàn)場TST物探超前預報工作共分為六步，具體如下：①埋置TNT炸藥，形成震源；②埋置信號采集器；③用濕黃泥封口；④信號采集器連接主線纜；⑤主線纜連接TST終端；⑥連接引爆裝置。

(1)儀器設備。TST系統(tǒng)硬件主要包括地震波信號采集器、TNT引爆裝置、連接線纜和TST數(shù)據(jù)采集終端等幾部分組成，詳見圖2。

圖2 TST隧道地質超前預報系統(tǒng)工作原理Fig.2 Working principle of TST tunnel geological advance forecast system

(2)觀測系統(tǒng)設計及布置。在掌子面近端的隧道左右邊墻體等高處各布置4個地震波信號接收器，同時在遠端的隧道左右墻體等高處各布置4個地震波激發(fā)源，具體布置的觀測系統(tǒng)情況如表1及圖3所示。

(3)探測數(shù)據(jù)處理。將通過TST隧道地質超前預報系統(tǒng)采集得到的原始物探數(shù)據(jù)采用專業(yè)軟件TSTwin進行處理后可以獲得地質偏移圖像。

表1 觀測系統(tǒng)布置圖

P1～P8為激發(fā)炮孔的編號；S1～S8為接收(檢波器)孔的編號； L為S4、S5到Y軸線的垂直距離圖3 TST觀測系統(tǒng)設計標準布置示意圖Fig.3 TST observation system design standard layout diagram

2 東天山隧道數(shù)據(jù)集構建

2.1 TST圖像預處理

以東天山隧道工程項目為依托，采用TST超前地質預報技術得到的TST偏移圖構建數(shù)據(jù)集，TST超前預報一次能預報掌子面前方150 m，因此采集到的偏移圖像數(shù)量有限。數(shù)據(jù)集的大小對深度學習模型效果有著重要影響，數(shù)據(jù)量太少可能會發(fā)生過擬合，一般來說，數(shù)據(jù)量越多訓練出來的模型效果越好。通過TST超前地質預報技術得到的東天山隧道出口右線TST偏移圖像如圖4所示，地質偏移圖像中的紅藍條帶代表圍巖中的巖石反射界面，紅色代表巖體由軟變硬的反射界面，藍色代表巖石由硬變軟的界面，先藍、后紅條帶的組合代表巖體先變軟然后變硬，表明存在斷裂。為了擴充數(shù)據(jù)集，采取以滑動窗口長50 m，步長為10 m，將原始的150 m長的TST偏移圖像分割成11張50 m長的圖像總共得到1 287張偏移圖像。

由于不同尺寸的TST偏移圖像包含的圍巖質量特征信息量不同，使用不同的圖像尺寸會出現(xiàn)實驗結果的偏差。為了確定最合理的圖像尺寸，分別用不同尺寸的TST偏移圖像數(shù)據(jù)集對改進ResNet18模型進行訓練，結果如圖5所示?？梢钥闯?，隨著圖像尺寸的增大，top-1預測準確率越高，說明了尺寸越大的TST偏移圖像包含越多的圍巖質量特征信息，但隨著圖像尺寸增大到256×256時，實驗效果趨于穩(wěn)定，說明當圖像尺寸達到256×256時包含的圍巖質量特征信息量最大，再繼續(xù)增大圖像尺寸就會包含不必要的信息，還會導致網(wǎng)絡的冗余、參數(shù)量增大、占有內存增多及訓練時間過長，因此TST偏移圖像數(shù)據(jù)集尺寸取256×256。

圖5 不同圖像尺寸實驗效果Fig.5 Experimental results of different image sizes

2.2 數(shù)據(jù)集構建

2.2.1 TST偏移圖像數(shù)據(jù)集

將經(jīng)過滑動窗口分割的1 287張256×256×3的TST圖像作為深度學習模型的輸入值，各TST圖像對應段揭露圍巖等級作為標簽值，以此構建TST偏移圖像數(shù)據(jù)集。

2.2.2 TST偏移圖像+地質分區(qū)數(shù)據(jù)集

在TST偏移圖像數(shù)據(jù)集的基礎上，將每張TST偏移圖像與其對應圍巖區(qū)段的地質分區(qū)指標相結合，即將對應圍巖區(qū)段的地質分區(qū)指標擴展成為一個256 ×256×1的矩陣作為TST偏移圖像的第4通道，形成每張TST偏移圖像尺寸為256×256×4的組合數(shù)據(jù)矩陣，將組合后的TST偏移圖像作為深度學習模型的輸入值，組合TST偏移圖像對應段的揭露圍巖等級作為標簽值，以此構建 TST偏移圖像+地質分區(qū)數(shù)據(jù)集。

圖4 東天山隧道出口右線TST偏移圖像Fig.4 TST offset image of right line of East Tianshan tunnel exit

TST偏移圖像+地質分區(qū)組合數(shù)據(jù)集構建過程：某一圍巖區(qū)段對應的TST偏移圖像為一張尺寸為256×256×3的圖像，東天山隧道地區(qū)地質分區(qū)總共分為11類，由于TST偏移圖像的紅綠藍(red-green-blue，RGB)矩陣值區(qū)間為[0,255]，因此將該區(qū)間平均分成11段，每一類地質分區(qū)指標取對應RGB區(qū)間的中間值，形成一個256×256×1的數(shù)據(jù)矩陣并與原始TST偏移圖像數(shù)據(jù)矩陣組合形成256×256×4的組合數(shù)據(jù)集。

2.2.3 TST偏移圖像+物探指標數(shù)據(jù)集

在TST偏移圖像數(shù)據(jù)集的基礎上與偏移圖像對應區(qū)段的高關聯(lián)度的4個物探參數(shù)擴展成為一個256×256×1的數(shù)據(jù)矩陣，并作為偏移圖像的第四通道與偏移圖像疊加形成一張4通道的圖像，即圖像尺寸為256×256×4。將組合后的TST偏移圖像作為深度學習模型的輸入值，與之相對應段的揭露圍巖等級作為標簽值，依次構建TST偏移圖像+物探指標數(shù)據(jù)集。

TST偏移圖像+物探指標組合數(shù)據(jù)集構建過程：將某一圍巖區(qū)段對應的4個高關聯(lián)度物探指標分別形成64×256的矩陣，然后依次從上到下組合起來形成一個256×256×1的矩陣，最后與原始的3通道TST偏移圖像組合形成256×256 ×4的組合數(shù)據(jù)集。

2.2.4 TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集

將3通道TST偏移圖像作為前3個通道，地質分區(qū)指標作為第4通道，高關聯(lián)度物探指標作為第5通道，按通道依次組合形成一個5通道的數(shù)據(jù)矩陣，即尺寸為256×256×5的組合數(shù)據(jù)矩陣。將組合后的數(shù)據(jù)矩陣作為深度學習模型的輸入值，與之相對應段的揭露圍巖等級作為標簽值，構建TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集。

2.3 數(shù)據(jù)集增強

為了進一步擴大數(shù)據(jù)集，采用數(shù)據(jù)增強技術對上述4種數(shù)據(jù)集進行增強，為了使偏移圖像與圍巖之間的對應關系不發(fā)生改變，采用了垂直鏡像(圖6)、水平鏡像(圖7)這兩種數(shù)據(jù)增強方法對數(shù)據(jù)進行增強，最終得到3 861張偏移圖像。將偏移圖像所對應段的圍巖等級作為該偏移圖像的標簽值，按照訓練集比測試集約為4∶1的比例將數(shù)據(jù)集劃分成訓練集和測試集兩部分，訓練集共3 100張，測試集共761張，數(shù)據(jù)集具體分布如表2所示。

圖6 TST偏移圖像垂直鏡像Fig.6 Vertical mirror image of TST offset image

圖7 TST偏移圖像水平鏡像Fig.7 Horizontal mirror image of TST offset image

表2 東天山隧道數(shù)據(jù)集分布

3 模型建立

3.1 深度學習

深度學習就是由深層的神經(jīng)網(wǎng)絡構成，典型的神經(jīng)網(wǎng)絡如圖8所示，一般由輸入層、中間層和輸出層三部分組成。

xi(i=1,2,3)為輸入層的值；ai(i=1,2,3)為隱含層輸入的值； h(x)為輸出值圖8 全連接神經(jīng)網(wǎng)絡結構Fig.8 Full-connected neural network structure

將具有多個中間層的神經(jīng)網(wǎng)絡稱為“深度學習網(wǎng)絡”，深度學習的本意就是具有很深層次的網(wǎng)絡，一般來說，深度學習的深度指的是能夠解決深層次的問題。

其中ResNet18主要是應用于ImageNet數(shù)據(jù)集，ImageNet數(shù)據(jù)集中的圖像像素偏小，因此ResNet18網(wǎng)絡的第一層卷積核一般尺寸是7×7，感受視野較大，而主要用于對TST物探成像圖像進行學習，物探圖像的像素值比較大，為了能更準確提取TST物探圖像的特征，將ResNet18的第一層卷積核替換為2層3×3的小尺寸卷積核，小尺寸的卷積核感受視野較小能更精確地捕捉到圖像特征，提高模型效果。此外，為了避免無用信息的影響，更準確捕捉到圖像更深層的特征，在殘差單元的x路徑上添加一個2×2的平均池化層整合空間信息，步長stride=1，即可保證經(jīng)過該池化層圖像尺寸不發(fā)生改變，平均池化層不會增添權重參數(shù)，同時可以防止該層出現(xiàn)過擬合，經(jīng)過改進的ResNet18網(wǎng)絡結構如圖9所示。

圖9 改進ResNet18網(wǎng)絡結構Fig.9 Improved ResNet18 network structure

3.2 模型訓練

采用Python3.8編程對數(shù)據(jù)集進行讀取，由于數(shù)據(jù)集圖像RGB矩陣值處于[0,255]，為了使深度學習更好地進行優(yōu)化學習，將RGB矩陣值縮小至[-1,1]，由于內存限制，將10張圖像作為一個批次(batch)進行訓練，訓練前將數(shù)據(jù)集的順序隨機打亂10 000次。深度學習模型參數(shù)取學習率η=0.001，激活函數(shù)為Relu函數(shù)，損失函數(shù)為交叉熵損失函數(shù)，優(yōu)化器為Adam。深度學習網(wǎng)絡訓練流程如圖10所示。

圖10 網(wǎng)絡訓練流程Fig.10 Network training process

4 模型結果及分析

深度學習模型采用測試集準確率ACC、損失值和過擬合度作為模型的評價指標，則ACC的表達式為

(1)

式(1)中：Na為測試集圖像總數(shù)量；Nc為通過深度學習模型正確分類圍巖等級的圖像數(shù)量。

ACC值越大，代表通過深度學習模型得到的預測結果與實際結果越接近，模型的性能也就越好。

損失值為模型訓練過程中輸出值與實際標簽值之間的差異性評價指標，損失值越小，代表輸出值與實際值越接近，模型性能越好；過擬合度為訓練準確率與測試準確率的比值，過擬合度為大于1的數(shù)，越接近于1，說明訓練準確率和測試準確率越接近，過擬合程度越低，模型性能越好。

采用東天山隧道TST偏移圖像數(shù)據(jù)集、TST偏移圖像+地質分區(qū)數(shù)據(jù)集、TST偏移圖像+物探指標數(shù)據(jù)集、TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集這4種數(shù)據(jù)集分別對改進ResNet18模型進行訓練，結果如圖11～圖14所示。

圖11 改進ResNet18網(wǎng)絡模型訓練過程損失曲線Fig.11 Improved ResNet18 network model training process loss curve

圖12 改進ResNet18網(wǎng)絡模型測試集準確率曲線Fig.12 Improved ResNet18 network model test set accuracy curve

圖13 改進ResNet18網(wǎng)絡模型訓練集準確率曲線Fig.13 Improved ResNet18 network model training set accuracy curve

圖14 改進ResNet18網(wǎng)絡模型測試集過擬合度比較Fig.14 Comparison of overfitting degree of improved ResNet18 network model test set

通過分別采用TST偏移圖像數(shù)據(jù)集、TST偏移圖像+地質分區(qū)數(shù)據(jù)集、TST偏移圖像+物探指標數(shù)據(jù)集、TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集這4種數(shù)據(jù)集對改進ResNet18網(wǎng)絡模型進行訓練，由圖11～圖13可知，TST偏移圖像數(shù)據(jù)集收斂速度最快，遍歷5個epoch時損失值開始收斂，測試集預測準確率也達到最高值69.5%；TST偏移圖像+地質分區(qū)數(shù)據(jù)集在遍歷10個epoch時損失值開始收斂，且同時測試集預測準確率達到最高值71.7%；TST偏移圖像+物探指標數(shù)據(jù)集經(jīng)歷8個epoch時損失值開始收斂，此時測試集預測準確率達到最高值70.0%；TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集在遍歷15個epoch左右時損失值開始收斂，同時測試集預測準確率達到最大值72.5%。4種數(shù)據(jù)集的訓練集準確率達到最高值的時間都要稍落后于測試集，分別為74.5%、76.4%、74.9%、77.1%。

根據(jù)測試集準確率和訓練集準確率計算出過擬合度，依據(jù)過擬合度分別對4種數(shù)據(jù)集發(fā)生過擬合程度做比較，如圖14所示?？梢钥闯觯?種數(shù)據(jù)集中TST偏移圖像數(shù)據(jù)集發(fā)生過擬合程度最高，TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集過擬合程度最低。

TST偏移圖像+物探指標數(shù)據(jù)集相對于TST偏移圖像數(shù)據(jù)集的測試集準確率的提升很小，這可能是由于物探指標和TST偏移圖像都是由TST超前地質預報系統(tǒng)收集得到，因此兩者可能會有許多重復的地質特征，所以添加物探指標后模型性能并沒有得到明顯的提升。

5 結論

依托于東天山隧道工程項目，在TST超前地質預報技術的基礎上，構建了4種東天山隧道深度學習數(shù)據(jù)集，并分別對改進ResNet18網(wǎng)絡模型進行訓練，得出結論如下。

(1)以TST超前地質預報技術得到的東天山隧道圍巖TST偏移圖像構建了TST偏移圖像數(shù)據(jù)集，TST偏移圖像與地質分區(qū)組合構建了TST偏移圖像+地質分區(qū)數(shù)據(jù)集，TST偏移圖像與高關聯(lián)度物探指標組合構建了TST偏移圖像+物探指標數(shù)據(jù)集，TST偏移圖像、地質分區(qū)和高關聯(lián)度物探指標三者組合構建了TST偏移圖像+地質分區(qū)+物探指標數(shù)據(jù)集。

(2)用4個數(shù)據(jù)集分別對改進ResNet18網(wǎng)絡模型進行訓練，4種數(shù)據(jù)集的測試集準確率分別為69.5%、71.7%、70.0%和72.5%，TST+地質分區(qū)+物探指標數(shù)據(jù)集在改進ResNet18網(wǎng)絡模型上表現(xiàn)最好。