基于高分辨率网络的隧道围岩智能分级方法技术

本发明专利技术公开了一种基于高分辨率网络的隧道围岩智能分级方法，包括：建立分级指标体系并对指标进行评价；采用独热编码方法对围岩分级指标进行数值离散化，建立围岩分级样本库；构建高分辨率网络，通过贝叶斯优化高分辨率网络的超参数；选择围岩分级指标，作为高分辨率网络的输入：通过所述高分辨率网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应分级评定；再根据所得到的围岩分级评定，返回隧道掌子面对应的围岩分级评定结果；本发明专利技术基于深度学习的围岩分级方法可以通过训练深度神经网络自动学习特征，从而实现对围岩进行智能分级，减少了人工操作，降低了成本，提高了分级效率和准确度。提高了分级效率和准确度。提高了分级效率和准确度。

【技术实现步骤摘要】
基于高分辨率网络的隧道围岩智能分级方法


[0001]本专利技术涉及隧道与地下工程的勘察设计
，特别是一种基于高分辨率网络的隧道围岩智能分级方法。

技术介绍

[0002]隧道是修筑在具有一定应力历史和构造迹象的多种围岩介质中的一种洞室结构体系，隧道围岩是指隧道周围一定范围内对隧道稳定性产生影响的岩土体，隧道周围的地层不管是岩体还是土体统称为隧道围岩。为满足隧道工程建设的需要，用综合指标或单一指标把围岩的稳定程度划分为若干级别，这种分级称为围岩分级。准确的围岩分级结果能为预测支护结构承受荷载、选择支护类型、确定适宜的施工方法、制定劳动定额、确定耗材标准提供依据。因此，动态获取围岩分级指标并实施可操作性强且准确性高的分级方案，可以有效保证隧道施工的安全性和经济性。
[0003]隧道围岩分级方法是随着技术的发展和实践经验的积累而不断出现的。Q系统方法、岩体质量分级RMR法、BQ法等基于经验的分类方法在隧道工程实践中得到了广泛应用。但围岩经验分级方法仍存在诸多问题，有的不适合特殊地质环境，有的参数选择不准确或不明确。并且，基于经验的围岩分级本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率网络的隧道围岩智能分级方法，其特征在于，包括以下步骤：步骤1、建立分级指标体系并对指标进行评价；步骤2、采用独热编码方法对围岩分级指标进行数值离散化，建立围岩分级样本库；步骤3、构建高分辨率网络，通过贝叶斯优化高分辨率网络的超参数；步骤4、选择围岩分级指标，作为高分辨率网络的输入：通过所述高分辨率网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应分级评定；再根据所得到的围岩分级评定，返回隧道掌子面对应的围岩分级评定结果。2.根据权利要求1所述的基于高分辨率网络的隧道围岩智能分级方法，其特征在于，在步骤1中，所述分级指标体系包括岩石坚硬程度、岩体完整程度、结构面嵌合程度、岩体结构、风化程度、地下水和地应力7个围岩分级定性指标；并通过下式计算相关系数r(X,Y)，对7个围岩分级定性指标进行多重共线性检验：其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。3.根据权利要求2所述的基于高分辨率网络的隧道围岩智能分级方法，其特征在于，所述步骤2具体如下：采用独热编码的方法对指标进行编码，0表示状态为负，1表示状态为正，任何时候只有一个状态是正的，根据7个围岩分级定性指标，共需要编码37个标签，扩展代码用0填充未填充的位置，直到37位，从而将37个标签的代码组成37
×
37矩阵，称为评价指标独热矩阵；在建立高分辨率网络模型并进行训练之前，需要建立围岩分类样本库；将7个围岩分级定性指标作为模型的输入，根据独热编码得到一个7
×
37的矩阵；矩阵需要重塑以适应输入的数据结构:样本矩阵每一行的尾部与下一行的头部相连，形成1
×
259的结构，并进一步变换为(1,259,1)的三维形式；模型的输出是围岩等级，是一个1
×
37的向量，转化为(1,37,1)的三维形式。4.根据权利要求1所述的基于高分辨率网络的隧道围岩智能分级方法，其特征在于，在步骤3中，通过贝叶斯优化高分辨率网络的超参数包...

【专利技术属性】
技术研发人员：马春驰，严文金，徐正宣，李天斌，王栋，卢向前，扈森，马俊杰，代坤坤，张航，朱泳标，杨科，林之恒，张夏临，邹杨，方振华，李天雨，王波，
申请(专利权)人：成都理工大学中铁二院工程集团有限责任公司，
类型：发明
国别省市：