近日，同济大学工程风险研究团队黄宏伟教授、陈佳耀副教授在《应用基础与工程科学学报》期刊上发表了题为“基于机器视觉的隧道围岩智能识别分级与开挖安全风险研究”的研究论文，报道了钻爆法岩石隧道开挖关键特征识别、围岩质量预测及裂隙隧道开挖安全评价等方面的最新研究成果。

岩石地层中复杂的工程与水文地质条件给钻爆法建设带来巨大且不可避免的施工难度，由于开挖面围岩分级不清、安全状态判定不当引起的事故仍然频频发生。在岩石隧道现场识别开挖面特征方面，基于机器视觉数字摄影技术的岩体信息采集识别技术迅速发展，但受限施工环境以及岩体复杂形态仍挑战重重；深度学习和人工智能在岩体特征研究方面得到井喷式应用，但也存在于岩体特征差异大，更多岩体细节还未深入发掘等挑战；同时隧道施工物理力学参数及隧址环境难以完全通过表观图像得到，亟需采用新的技术完善基于工作面信息、力学特性等综合围岩等级判定模式，进而利用多源异构数据预知或准确判定围岩等级。

基于以上背景，本文介绍了围岩智能化分级与开挖安全风险评估流程（如图1）。首先于岩体表观结构分类性能（图2）、软弱夹层（图3）、岩体节理裂隙及骨架（图4）、隧道工作面地下水分布（图5）信息量化提取及表征等方面进行了隧道岩体视觉信息的获取。以基于机器视觉和现场量测数据建立的13维多元异构数据作为输入数据，提出TPG-GBRT混合机器学习算法预测岩体RMR值（图6），并证明了算法的优越性。提出了基于机器视觉及现场实测的工作面数据的岩体裂隙离散网络DFN建模及开挖监测点布设方法（图7），DFN建模生成的结构面产状与实际工程保持较高的一致性。采用拱顶沉降作为强度折减法的评价指标，利用3DEC编译强度折减法的安全系数计算实现开挖安全评价（图8）。

图1 围岩智能化分级与开挖安全风险评估流程

图2 不同评估指标下各类岩石结构的分类性能

图3 分割单图含有多类软弱夹层结果

图4 不同方法下的岩石裂隙及骨架提取对比

图5 地下水流态语义分割预测与实际面积统计

图6 对训练集和测试集的围岩RMR测量值

图7 基于DFN的隧道开挖模型建立以及开挖监测点布设

图8 基于强度折减法的安全系数统计

研究表明：本文主要采用深度学习、图形学及无监督算法和模型，针对性提取和量化工作面的关键特征及分布，取得了初步进展。然而开挖过程中地质条件的不确定性极大地提升了模型表征和预测难度，针对同区域或同隧道的地质连续表征研究涉及较少，未来研究可深入揭示关键特征的纵向演化规律实现前方岩体的智能化预测。另一方面，图像特征规律的揭示往往无法深度剖析地质发展也无法获取物理力学参数值。未来可结合接触式测量法，同步获取表观信息和物理力学参数得到围岩评价的系统化参数。

第一作者

黄宏伟 教授   邮箱：huanghw@tongji.edu.cn

第二作者

陈佳耀 副教授   邮箱：jychen1@bjtu.edu.cn

原文链接：https://10.16058/j.issn.1005-0930.2023.06.003

撰稿：张薇 夏煜轩

编辑：陈思睿

校对：章艺严

审核：黄忠凯