近日，我室以薛亚东教授为第一作者、曹宇鹏硕士研究生为第二作者、周鸣亮博士为通讯作者在土木工程领域TOP期刊《Computer-Aided Civil and Infrastructure Engineering》期刊上发表了题为“Rock mass fracture maps prediction based on spatiotemporal image sequence modeling”的研究论文，报道了基于时空关系的隧道工作面特征精细化推理最新研究成果。

文章链接: 

https://doi.org/10.1111/mice.12841

随着计算机视觉技术及深度学习的快速发展，隧道工作面的信息高效获取和及时反馈施工逐渐成为当前隧道施工数字化、智能化的关键热点。本课题团队在前期已在该方面取得了一定研究进展。然而，由于岩石开挖面的非均质性、不连续性和不确定性，以及地下工程中不良地质的隐蔽性、不可预见性，通常难以准确预测开挖面围岩的力学性态和工程状态。为此，本文首次提出了通过开挖面图像信息实时预测影响隧道围岩稳定性关键结构面分布的方法，并开发了基于隧道开挖面历史图像序列的结构面空间位置时空推演模型。

本文研究的思路如下，首先，提出了以隧道开挖面图像为基础的结构面数据二值化图像序列生成算法，然后采用离散裂隙网络技术进行了数据增强（图1）。随后，针对隧道开挖中步长不规律的问题，基于时空预测的深度神经网络（ConvLSTM）创新性构建了时空感知循环神经网络（SA-RNN）（图2），并在不同数据集下验证了所提出网络结构的适用性与有效性（图3）。最后，通过重庆奉节岩石隧道施工现场的数据的测试和检验，进一步展示了本文中岩体结构面智能预测方法的有效性（图4）。

图1 开挖面时空图像序列数据集构建方法

图2 SA-RNN时空感知循环神经网络结构示意图

图3 不同隧道场景下围岩结构面分布的验证数据集

图4 重庆奉节岩石隧道工程中岩体结构面预测结果展示

研究结果表明，本文所构建的开挖面图像时空序列深度学习模型可摆脱传统方法中对岩体统计参数的依赖，不仅仅以几何范畴的统计相似感知围岩的关键信息，而是给出前方围岩结构面的精细化空间位置预测。在实际工程中对于大型贯穿、半贯穿节理结构面有准确的预测能力，有助于隧道施工的风险评估与措施决策，从动态时空序列角度将为传统的静态掌子面研究开辟了一条新的思路，推动隧道施工数字化和智能化的发展。

文献引用格式

Xue, Y., Cao, Y., Zhou, M., Zhang, F., Shen, K., & Jia, F. (2022). Rock mass fracture maps prediction based on spatiotemporal image sequence modeling. Computer-Aided Civil and Infrastructure Engineering, 1-19 .