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方法需要详细的现场数据，操作时需要依靠精密的设备和经验丰富的专业人员。因此，施工现场的成本、效率和复杂的环境限制了围岩分级工作，目前仍难以获得准确、及时的围岩分类结果。
[0004]由于计算机技术的飞速发展，深度学习技术拥有强大的特征提取能力与数据非线性映射能力，人们尝试将深度学习技术引入到围岩分级领域。但是通常的围岩分级网络在设计时会将高分辨率卷积层和低分辨率卷积层串联来逐渐减小特征图的大小，并在低分辨率特征图下进行进一步的分类(如VGGNet、ResNet等)。但是在特征图减小的过程中会存在信息的丢失，造成分类结果准确度较低。因此，研究一种分类准确率更高的基于高分辨率网络的隧道围岩智能分级方法意义重大。
[0005]如图1所示，通过VGG(Visual Geometry Group)神经网络来进行围岩分级。该神经网络在卷积层中使用3*3卷积核，卷积层步长设置为1个像素，3*3卷积层的填充设置为“same”；池化层采用最大池(max pooling)，池化层共有5层，池化层间隔插入卷积层且每一池化层排列在若干卷积层后，max
‑
pooling的窗口是3*3；卷积层之后是三个全连接层(fully
‑
connected layers，FC层)。前两个全连接层均有4096个神经元，第三个全连接层有1024个神经元，所有网络的全连接层配置相同；全连接层后使用逻辑回归(Softmax)分类进行分类。
[0006]综上，传统的方法存在以下缺陷：
[0007](1)基于经验的围岩分级方法需要详细的现场数据，操作时需要依靠精密的设备和经验丰富的专业人员。因此，施工现场的成本、效率和复杂的环境限制了围岩分级工作，目前仍难以获得准确、及时的围岩分类结果。
[0008](2)通常的围岩分级网络在设计时会将高分辨率卷积层和低分辨率卷积层串联来
逐渐减小特征图的大小，并在低分辨率特征图下进行进一步的分类(如VGGNet、ResNet等)。但是在特征图减小的过程中会存在信息的丢失，造成分类结果准确度较低。

技术实现思路

[0009]为解决现有技术中存在的问题，本专利技术的目的是提供一种基于高分辨率网络的隧道围岩智能分级方法，本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。
[0010]为实现上述目的，本专利技术采用的技术方案是：一种基于高分辨率网络的隧道围岩智能分级方法，包括以下步骤：
[0011]步骤1、建立分级指标体系并对指标进行评价；
[0012]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；
[0013]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；
[0014]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。
[0015]作为本专利技术的进一步改进，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：
[0016][0017]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。
[0018]作为本专利技术的进一步改进，所述步骤2具体如下：
[0019]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；
[0020]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。
[0021]作为本专利技术的进一步改进，在步骤3中，通过贝叶斯优化高分辨率网络的超参数包括通过概率代理模型对已知的超参数组合对应的模型准确率进行推算得出模型准确率曲线，并通过采集函数增加已知点来修正推测的模型准确率曲线和真实的模型准确率曲线的误差，最终得到满足要求的近似模型准确率曲线以及最优的超参数组合；具体包括以下步骤：
[0022]①
在定义域内随机选择n种批量大小和学习率的超参数组合；
[0023]②
根据n种超参数组合训练深度学习模型并得到这些模型在验证集上的准确率；
[0024]③
通过概率代理模型对已知的超参数组合对应的模型准确率进行推算得出模型准确率曲线；
[0025]④
根据概率代理模型的输出结果，计算出采集函数，确定下一组超参数组合，计算对应的模型准确率；
⑤
判断是否满足准要求，满足要求则输出最优的超参数组合，如不满足要求则将新的超参数组合加入已知的超参数组合数据集重复步骤
③
—
⑤
；
[0026]将围岩分级样本按一定比例分为训练集、验证集和测试集，批量大小和学习率根据贝叶斯优化超参数的结果进行选取，选择分类交叉熵损失作为损失函数，损失函数的公式如下：
[0027][0028]其中y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：