一种基于超前钻探数据的隧道围岩二维质量评价方法技术

本发明专利技术涉及隧道工程技术领域，特别涉及一种基于超前钻探数据的隧道围岩二维质量评价方法，包括步骤一，通过超前钻探技术对待挖掘隧道进行随机采样，获取待挖掘隧道的钻探数据并进行预处理；钻探数据包括推进速度、推进力、扭矩和旋转速度四项指标；步骤二，将预处理后的钻探数据输入到预先搭建的CC

【技术实现步骤摘要】
一种基于超前钻探数据的隧道围岩二维质量评价方法


[0001]本专利技术涉及隧道工程
，特别涉及一种基于超前钻探数据的隧道围岩二维质量评价方法。

技术介绍

[0002]据数据统计，截至2020年底，全国共有特征隧道共1175处，累计512.75万米，伴随巨大的建设规模与高速的建设速度，我国隧道建设整体向大埋深、长洞线的方向转变，选址远、高应力、强岩溶、高水压、构造复杂等特点也逐步凸显，为保障隧道施工安全，确保隧道超前地质预报的合理性与准确性面临越来越严峻的挑战。就隧道超前地质预报而言，常规的物探方法如地质雷达、TSP、红外探水等在预报距离、对各类不良地质体的预报效果等方面均存在一定程度的局限性及多解性，而超前钻探法通过对掌子面前方围岩进行钻进，能最直观的反映掌子面前方的真实地质信息。但目前钻探数据解译工作主要依赖技术人员结合现场实际钻探情况进行开展，虽然钻机搭载的随钻测量系统可实时记录并提供各项钻探参数，但只是作为解译参考，并未被充分利用。该种解译方式未跳脱经验判断的范畴，较为粗糙，是一种“伪定量”解译。
[0003]随着大数据、计算机技术等信息化技术的发展，机器学习的理念已逐步渗入各个领域，为数据分析提供了新的思路。近些年开始有研究者将机器学习的方法引入到隧道超前地质预报中以用于围岩质量评价，并已分别在各类超前地质预报手段中取得了一定的研究成果，具体如表1所示。
[0004]表1隧道常用超前地质预报方法
[0005]年份作者预报手段分类器评价对象2010邱道宏
[7]等TSP203GA
‑
SVM围岩等级2014邱道宏
[8]等超前钻探QGA
‑
RBF围岩等级2017贺鹏
[9]等综合超前地质预报体系GPR围岩等级2018M.Galende
[10]等超前钻探FRBSRMR值2018柳厚祥
[11]等掌子面素描AlexNet围岩等级2018Rajib Ghosh
[12]等超前钻探PCA不良地质体2019王超
[15]等地质雷达VGG
‑
16不良地质体2020吕擎峰
[14]等TSP303PAC
‑
Bayes围岩等级2020温世儒
[15]等地质雷达K
‑
Means++围岩等级2020房昱纬
[16]等超前钻探BP
‑
ANN地层属性2020王明年
[17]等超前钻探SVM围岩等级2020张哲铭
[18]TBMLS
‑
SVM掘进参数2021刘诗洋
[19]等TBMCNN塌方概率
[0006]由表1可以看出，以钻探(包括超前钻探及TBM)为解译数据来源并进行围岩质量评价是其中研究的重点，这得益于钻机配备的随钻测量系统(Measurement While Drilling，
MWD)可直接提取大量的定量钻进参数供机器学习模型进行训练，且前人研究成果也表明包括钻进速度、推进力、扭矩等在内的钻进参数与围岩质量关系密切。但以上研究普遍存在以下技术问题：1、在对钻探定量数据进行预处理并组成机器学习模型训练集的过程中，都是以隧道断面为单位进行，这样用单个“面”来解译隧道“段落”的真实情况其真实性与科学性大打折扣，且以“面”为单位容易受到数据噪点的影响。且直接提取的一级定量指标各自的离散程度较大，不利于组成训练集供模型进行学习与训练。2、超前钻探数据定量的解译标签大多以单一围岩等级或者地层属性为预报结果，对隧道施工而言指导意义较为有限。3、所选用的机器学习模型具有一定缺点，且极其重要的模型超参数都是依赖于人为设定，致使模型难以发挥最佳性能。

技术实现思路

[0007]本专利技术的目的在于克服现有技术中用单个“面”不能解译隧道“段落”的真实情况、标签单一、模型超参数依赖于人为设定的不足，提出了一种基于超前钻探数据的隧道围岩二维质量评价方法。
[0008]一种基于超前钻探数据的隧道围岩二维质量评价方法，包括以下步骤：
[0009]步骤一，对待挖掘隧道进行随机采样，获取待挖掘隧道的钻探数据；所述钻探数据包括深度，还包括推进速度、推进力、扭矩和旋转速度四项定量指标；
[0010]步骤二，对所述钻探数据中四项定量指标进行预处理，实现对钻探数据的精选和二次计算；
[0011]步骤三，将所述预处理后的钻探数据输入到预先构建的GA
‑
XGBoost模型，调用CC分类器链算法进行多标签预测，输出不同深度下对应的隧道围岩二维质量评价结果，所述二维质量评价结果包括围岩完整程度和围岩等级两个维度，所述围岩完整程度的评价结果包括较完整、较破碎、破碎和泥质填充空腔，所述围岩等级的评价结果包括Ⅲ、Ⅳ与
Ⅴ
级。
[0012]进一步的，所述预处理包括以下步骤：
[0013]a：对输入数据降噪；降噪的方法包括：
[0014]删除上升段数据，所述上升段数据为超前钻探的钻机未达到稳定状态时采集的数据；
[0015]查找输入数据中的缺失值，并通过所述缺失值对应指标数据的均值对所述缺失值进行填充；
[0016]删除贯入度在无效区间以内的数据；所述贯入度的计算公式为P＝v/n，其中P为贯入度，v为推进速度，n为旋转速度；
[0017]b：以预设的分割间距将降噪后的所述输入数据等距分割为若干段落；
[0018]c：计算等距分割后每个段落中各个定量指标的二级指标；其中，所述二级指标包括各个定量指标的均值与方差；
[0019]d：采用标准差法对所述二级指标进行数据标准化。
[0020]优选的，所述无效区间为贯入度P∈(0.9，1.2)以及P>1.8。
[0021]优选的，所述预设的分割间距为0.5米。
[0022]进一步的，步骤三中调用CC分类器链算法进行多标签预测，具体包括：
[0023]1)，建立特征向量和标签向量，所述特征向量为预处理后的钻探数据，所述标签向
量为所述预处理后的钻探数据中每组数据对应的在围岩完整程度上的编码值和在围岩等级上的编码值；
[0024]2)，生成标签分类顺序，按照所述标签分类顺序训练分类器；所述分类器包括围岩完整程度分类器和围岩等级分类器；
[0025]3)，标签分类顺序在前的分类器输入所述特征向量，输出在前预测值，标签分类顺序在后的分类器输入所述特征向量和所述在前预测值，输出在后预测值，所述在前预测值和在后预测值为隧道围岩二维质量评价结果。
[0026]进一步的，构建所述GA
‑
XGBoost模型包括以下步骤：
[0027]S1：输入样本数据；
[0028]其中，所述样本数据包括若干条反映岩体质量的钻探数据，每条所述钻探数据包括推进速度、推进力、扭矩和旋转速度四项定量指标；
[0029]S2：对所述样本数据进行预处理，实现对所述若干条钻探数据的精选和二次计算；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超前钻探数据的隧道围岩二维质量评价方法，其特征在于，包括以下步骤：步骤一，对待挖掘隧道进行随机采样，获取待挖掘隧道的钻探数据；所述钻探数据包括深度、还包括推进速度、推进力、扭矩和旋转速度四项定量指标；步骤二，对所述钻探数据中四项定量指标进行预处理，实现对钻探数据的精选和二次计算；步骤三，将所述预处理后的钻探数据输入到预先构建的GA
‑
XGBoost模型，调用CC分类器链算法进行多标签预测，输出不同深度对应的隧道围岩二维质量评价结果，所述二维质量评价结果包括围岩完整程度和围岩等级两个维度，所述围岩完整程度的评价结果包括较完整、较破碎、破碎和泥质填充空腔，所述围岩等级的评价结果包括Ⅲ、Ⅳ与
Ⅴ
级。2.根据权利要求1所述的一种基于超前钻探数据的隧道围岩二维质量评价方法，其特征在于，所述预处理包括以下步骤：a，对输入数据降噪；降噪的方法包括：删除上升段数据，所述上升段数据为超前钻探的钻机未达到稳定状态时采集的数据；查找输入数据中的缺失值，并通过所述缺失值对应指标数据的均值对所述缺失值进行填充；删除贯入度在无效区间以内的数据；所述贯入度的计算公式为P＝v/n，其中P为贯入度，v为推进速度，n为旋转速度；b：以预设的分割间距将降噪后的所述输入数据等距分割为若干段落；c：计算等距分割后每个段落中各个定量指标的二级指标；其中，所述二级指标包括各个定量指标的均值与方差；d：采用标准差法对所述二级指标进行数据标准化。3.根据权利要求2所述的一种基于超前钻探数据的隧道围岩二维质量评价方法，其特征在于，所述无效区间为贯入度P∈(0.9，1.2)以及P>1.8。4.根据权利要求2所述的一种基于超前钻探数据的隧道围岩二维质量评价方法，其特征在于，所述预设的分割间距为0.5米。5.根据权利要求1所述的一种基于超前钻探数据的隧道围岩二维质量评价方法，其特征在于，步骤三中调用CC分类器链算法进行多标签预测，具体包括：1)，建立特征向量和标签向量，所述特征向量为预处理后的钻探数据，所述标签向量为所述预处理后的钻探数据中每组数据对应的在围岩完整程度上的编码值和在围岩等级上的编码值；2)，生成标签分类顺序，按照所述标签分类顺序训练分类器；所...

【专利技术属性】
技术研发人员：梁铭，彭浩，宋冠先，朱孟龙，马文安，解威威，马必聪，杨康，张亚飞，胡以婵，赵婷婷，
申请(专利权)人：广西路桥工程集团有限公司，
类型：发明
国别省市：