结合HRNet的双模态融合技术用于TBM隧道掘进中高精度的围岩分类:整合地质参数与运营参数

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:Dual-modality fusion with HRNet for high-accuracy surrounding rock classification in TBM tunneling: integrating geological and operational parameters

【字体: 大 中 小 】 时间:2026年03月20日 来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY 7.4

编辑推荐:

  隧道掘进机周围岩石智能分类模型研究基于TBM操作参数与地质参数构建双模态HRNet模型,通过高-低分辨率融合提升特征提取,分类准确率达95%以上,验证了多模态融合在岩体分类中的有效性。

  
张岩|朱国强|乔金|马春琪|李绍军|李天斌|塔赫里·阿巴斯|蔡慧阳
中国成都理工大学地质灾害防治与地质环境保护国家重点实验室,成都 610059

摘要

基于地质参数的传统围岩分类方法无法适应隧道掘进机(TBM)施工的快速进度,且TBM施工过程中产生的大量数据未能得到充分利用。因此,本研究开发了一种基于TBM运行参数和地质参数的双模态智能围岩分类模型,以实现快速准确的围岩等级分类。该模型构建了两个并行的卷积神经网络,利用高分辨率网络(HRNet)从TBM运行参数和地质参数中学习特征。通过其高低分辨率融合模块,实现了多信息交换,丰富了高分辨率特征表示,减少了特征提取过程中的信息损失,并提高了围岩分类的准确性。研究表明,基于双模态高分辨率神经网络的TBM围岩分类准确率超过95%。具体而言,III级岩石的预测准确率为100%,III+级为94.1%,III-级为100%,IV级为92.3%,V级为90.9%。这些发现为提高TBM隧道挖掘效率和加强地质灾害防治能力提供了坚实的理论支持和实践参考。

引言

中国西部正在建设或计划建设一系列大型水电站、跨流域调水工程和交通系统(张等人,2019a;张等人,2019b;赵等人,2024;顾等人,2026;朱等人,2026;张等人,2026a;张等人,2026b;周等人,2021)。隧道掘进机(TBM)具有推进速度快、施工干扰小和自动化程度高的显著优势,在重大工程的高效安全建设中发挥着关键作用。在TBM快速挖掘过程中,需要精确的围岩分类来支持刀头前进和盾尾支护的决策。因此,研究快速、准确和智能的TBM围岩分类方法是一个非常重要的研究课题(景等人,2019)。
目前,国内外已经开展了大量关于TBM围岩分类的研究。在传统围岩分类方法的基础上,结合围岩完整性和岩石硬度等参数,许多研究人员引入了机器可挖掘性来进行相关研究。Alber(2000)研究了穿透率和TBM利用率,以预测挖掘速度,并提出了一种评估岩石可挖掘性的方法。Hassanpour等人(2011)结合设备参数和岩石力学参数,利用多元回归分析,基于现场穿透指数(FPI)提出了一个TBM施工模型,将围岩分为六类。Xue等人(2018)基于汉江至渭河调水隧道项目的现场数据进行了分析,同时考虑了岩石可挖掘性和TBM适应性,并利用施工速度作为关键指标,建立了一个综合的TBM施工岩石质量分类方法(傅等人,2025)。
近年来,许多研究人员使用机器学习方法对围岩分类进行了广泛研究。Armaghani等人(2019)研究了花岗岩风化区TBM的优化技术,并开发了一个用于预测TBM挖掘速度的神经网络模型。Liu等人(2020)利用TBM数据,基于分类与回归树(CART)和AdaBoost算法的集成学习模型,预测了松花江调水隧道的岩石质量分类。Wang等人(2021)基于现场挖掘数据研究了TBM运行参数与围岩分类之间的关系,并开发了一个实时的围岩分类随机森林(RF)模型。Li(2022)探讨了TBM运行参数与围岩分类之间的关系,并建立了一种结合自组织神经网络(SONN)和最小二乘支持向量机(LS-SVM)的预测方法。
TBM运行参数反映了机器对地层的响应,而地质参数代表了岩石的固有特性。将这两种类型的信息视为不同的模态,合理处理多模态数据可以产生丰富的特征和准确的识别结果。多模态特征提取策略已广泛应用于各个领域(Baltrusaitis等人,2018;Qi等人,2020)。Huang等人(2019)提出了一种基于注意力机制的长短期记忆(LSTM)网络,该网络利用语义一致性捕捉视频中的显著结构,并探索了多模态表示在视频注释中的关系。Hang等人(2020)提出了一个双模态框架,从高光谱和LiDAR数据中学习光谱、空间和高程特征,用于土地覆盖分类。Liu等人(2024)设计了一种跨模态交互注意力和双路径融合机制,通过提出基于多模态融合的文本分类模型和针对多模态资源不足的训练方法来解决模态不对称性问题。
目前,深度学习正在快速发展并得到广泛应用,单模态数据可能不再满足高精度任务的要求。与单模态数据相比,多模态数据包含更丰富和更全面的信息,有利于提高模型准确性(Ma等人,2023)。尽管许多研究人员使用支持向量机(SVM)、反向传播(BP)神经网络和卷积神经网络(CNN)等方法进行了智能围岩分类研究,但大多数数据仍依赖于单模态的地质或TBM运行参数,未能充分利用TBM施工与围岩之间的交互信息。多模态策略在其他领域的有效性显著,因此将其整合到TBM领域具有巨大潜力和意义。因此,TBM施工需要更先进的智能围岩分类模型来满足精确分类的需求。
本研究以中国西部的一个高速公路隧道项目为研究背景,采用高分辨率网络(HRNet)作为核心网络,基于TBM运行参数和地质参数构建了一个高分辨率的双模态围岩分类模型。首先选择了隧道中33个双护盾TBM挖掘段的稳定截面数据,然后从同一挖掘周期中选取代表性数据,获得了604个原始TBM数据样本。选择十个指标作为模型的输入参数,并对这些参数进行预处理,以便在HRNet高分辨率双模态分类模型中使用。使用混淆矩阵评估模型的性能,包括准确率、精确率、召回率和F1分数。最后,使用隧道后续挖掘段的37个实际案例进一步验证了HRNet高分辨率双模态围岩分类模型的准确性和适用性。

项目背景

本研究的数据来自中国西部的一个高速公路隧道。该隧道总长度为4,789米,入口方向为N82°E,在K9+208处进行方向调整,出口方向为S72°E。入口海拔高度为3547.02米,隧道内径为8.1米,挖掘直径为9.13米,最大埋深约为830米。
如图1所示,纵向地质...

数据预处理

为了提高卷积神经网络的性能,数据预处理是不可或缺的步骤。因此,首先需要对收集的地质数据和隧道挖掘数据进行预处理。
  • 1)
    地质指标处理:
地质指标属于分类变量和定性指标。为了提高卷积神经网络的性能并简化计算复杂性,本文首先转换了四个地质指标...

应用

为了验证所提出的双模态围岩分类模型的工程性能,收集了中国西部其他挖掘段的数据,获得了37个新的测试样本。表5展示了K8+902和K8+919段的数据分布和预测结果,所有样本的预测结果见表6。
表5显示了六个TBM隧道参数和四个地质参数的分布

数据不平衡对双模态模型的影响

如图10所示,收集的隧道工程数据集存在等级不平衡,III级样本最为常见(是V级的5.3倍),IV级样本比III-级和III+级多1.7倍。为了评估这种不平衡对双模态分类模型的影响,本研究分析了混淆矩阵(图14c)和F1分数(图16)。
混淆矩阵(图14c)表明,所提出的双模态HRNet...

结论

近年来,人工智能在岩土工程中的应用日益增多。以中国西部的一个高速公路隧道项目为工程背景,本研究选择了合适的地质和TBM隧道指标,并使用HRNet作为核心网络,构建了一个高分辨率的双模态围岩分类模型(整合了TBM运行参数和地质参数)。使用了604个TBM样本(33个双护盾段)...

CRediT作者贡献声明

张岩:撰写——原始草案、方法论、数据管理、调查。朱国强:数据管理、形式分析、验证、可视化。乔金:撰写——审稿与编辑、概念化、软件开发、验证。马春琪:方法论、资金获取、数据管理。李绍军:调查、方法论。李天斌:资金获取、方法论。塔赫里·阿巴斯:形式分析、数据管理。蔡慧阳:方法论、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金(编号42130719、42107211和42177173)和四川省自然科学基金(编号2025ZNSFSC0097)的支持。作者还感谢期刊编辑和匿名审稿人的宝贵建议。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号