CN109145520B - 基于数字图像和大数据的土石混合体隧道设计方法 - Google Patents

Abstract

本发明涉及一种基于数字图像和大数据的土石混合体隧道设计方法，属于土木工程领域。步骤为：S1：断面地质情况获取：S2：开挖信息一体化模型：对S1地质情况进行数字化，再将其与对应断面支护类型、最终量测数据整合形成断面信息一体化，最后基于断面里程，构建三维信息一体化模型；S3：支护数值验证及优化：S4：隧道人工智能设计：首先量测数据智能分类和支护更新，其次训练样本生成，以地质信息为输入，支护级别为输出，最后BP神经网络的围岩支护分级，输入地质信息，即智能得到对应的围岩、支护级别。本发明基于大量测数据和实地开挖面地质信息，可以客观、智能、快速进行土石混合体隧道设计施工。

Description

基于数字图像和大数据的土石混合体隧道设计方法

技术领域

本发明属于土木工程领域，涉及基于数字图像和大数据的土石混合体隧道设计方法。

背景技术

现阶段，山地城镇近郊产生了许多因开山填谷形成的土石混合堆填体，随着当前城市化进程的推进和轨道交通建设的加快，以往较为偏远的城市近郊不可避免产生了轨道交通穿越深土石混合堆叠体的情况。但由于土石混合体的非均匀性、时空变异性，以及基质土、块石间极端的物理性质差异，使得穿越土石混合体的隧道工程施工设计难度极大，难以采用常规方法进行施工，需实时根据开挖掌子面的土石混合体块石含量、粒径，以及基质土物理性质影响，结合已有开挖隧道的施工经验成果进行交互设计施工。为此，本文提出基于数字图像处理技术获取的开挖掌子面块石含量、粒径、基质土信息，并结合已有施工的大量监测数据，采用BP(Back Propagation)神经网络进行智能化土石混合体隧道施工设计的方法，从而更为有效的保证土石混合体隧道施工安全，同时加快施工进度，并降低施工成本。

当前土石混合体隧道设计施工方法首先对隧道周边围岩进行围岩分级，其次根据围岩分级结果、规范，以及类似工程经验拟定相应的隧道设计施工方法和参数，最后，在实际隧道施工过程中根据开挖效果进行交互动态设计施工。但由于土石混合体隧道是当前山地城市发展中出现的新型工程地质，类似的工程经验少，且缺乏对应的围岩分级方法，难以进行准确的围岩分级，进而进行安全可靠、合理经济的隧道施工设计。同时实际土石混合体具有强烈的时空变异性，且受当前现场勘察技术条件限制，当前岩土勘察报告难以反映整个隧道开挖过程中的土石混合体地质情况，这进一步也加大了当前土石混合体隧道设计施工难度。

1.缺乏类似工程经验和准确的围岩分级和支护设计方法

由于土石混合体隧道是当前城市化进程中出现新型工程地质问题，当前缺乏类似的工程经验。同时由于土石混合体强烈的时空变异性、以及块石粒径组成复杂性，以及基质土性质的复杂多变，基于连续介质理论和算法的常规隧道围岩分级和支护方法难以准确表征实际土石混合体隧道开挖特性，难以进行准确分级和设计施工。

2.缺少准确的土石混合体地质信息

受当前技术条件限制，隧道设计施工前的岩土勘察难以准确反映隧道的土石混合体地质信息，例如块石含量、块石粒径等，同时由于土石混合体的强烈时空变异性，有限数量的勘察钻孔无法准确反映真实的土石混合体地质信息。同时隧道开挖断面出露的实时土石混合体信息，受观念、场地条件，以及人员设备限制，未能及时的获取。这使得急需地质信息的支护设计更难以准确的设计施工。

3.没有形成断面信息一体化

断面信息一体化指断面出露的地质信息、断面采用的支护参数、断面最终的变形内力结果，及条件、方法、结果三个者合一。基于断面信息一体化可以高效的反馈分析不同地质信息所应采取的支护形式，然而当前设计中断面地质信息并非实时记录，极度缺乏开挖面的地质信息，当前支护参数不一定匹配当前地质信息，也没有形成断面信息一体化。

4.未能实现大数据隧道智能设计

实际土石混合体隧道施工中由于工程难度大，基于安全考虑需进行大量的变形内力实时监测，这产生了海量的数据。而结合开挖断面出露地质信息和对应的断面支护参数，可以进行高效的隧道智能化设计，但当前隧道设计通常没有考虑断面信息一体化，也较少考虑通过海量数据进行客观、准确的隧道设计。大部分设计结合断面情况，专家讨论再通过实际操作验证得到，虽然通常可以满足实际的设计施工要求，但决策的主观性高和准确性较低、针对性，容易引起施工设计中安全、经济、环保、施工效率等一系列问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于数字图像和大数据的土石混合体隧道设计方法，是一个动态更新、不断学习，随着隧道开挖进行智能调节判定围岩级别，选择合适的支护级配的方法。

为达到上述目的，本发明提供如下技术方案：

基于数字图像和大数据的土石混合体隧道设计方法，包括以下步骤：

S1：断面地质情况获取；

S2：隧道开挖信息一体化；

S3：支护数值验证及优化；

S4：隧道人工智能设计。

进一步，所述步骤S1具体为：隧道开挖出露面的地质信息获取，首先，通过数码成像设备对开挖断面进行数码成像，获得开挖面断面出露的块石形态、级配和组成信息；其次，对开挖断面上的土石混合体基质土进行取样，以便后续进行成分、液塑限和天然含水量室内试验；最后，记录开挖断面内围岩整体水情况，包括滴水和干燥；

具体包括以下内容：

①开挖断面成像，首先开挖面的数码成像装置包括：布置在隧道中心轴线上的数码相机、用于固定数码相机且高度可测的支座、人工光源、以及用作几何尺寸参照的十字形标杆和标定参照物；其次隧道掌子面开挖后，先采用标定参照物标定相机，然后调整光源，拍摄包含几何尺寸参照物的土石混合体开挖出露面；

②土石混合体基质土取样，选用一定直径的钻机在隧道掌子面附近，随机钻取3～4个一定深度的圆孔，取出孔内的土石混合体，并分别放入样品袋中，带回实验室进行室内试验；

③观察开挖面附近的出水情况，并做好相应的记录。

进一步，所述步骤S2具体为：首先，对S1得到掌子面照片进行数字图像处理得到块石形态，随后单个块石通过傅立叶级数转换为形态向量，进而得到整个整个断面块石的数字形态矩阵，以及块石级配向量；其次，对基质土室内试验测得的基质土成分、液塑限、天然含水率和弹性模量参数生成物理性质列向量；然后，将断面地质信息，即块石数字化矩阵和基质土物理向量，结合断面支护类型，以及最终变形内力数据，统一形成断面开挖信息一体化；最后，基于隧道断面里程，将以上信息一体化方法扩展至整个隧道，形成隧道3维开挖信息一体化模型；

具体包括以下内容：

①照片数字图像处理，将获取的开挖断面照片进行图像二值化、滤波和图像分割，并基于人工智能编程快速提取所有块石的形态轮廓和平面分布，并对获取的块石形态轮廓和分布进行分析统计，获得土石混合体中块石的含石量，以及块石级配、倾角和长轴比分布信息；

②断面块石形态矩阵，对①中获得的单个平面块石轮廓进行平移、旋转和缩放标准化处理，输出原点为块石中心点，块石长短轴与x、y轴重合，且块石面积等于1的标准块石轮廓；并将其在极坐标系下，如式(1)所示，对土石混合体标准石轮廓进行傅里叶级数展开：

其中x,y分别为块石几何中心的坐标，r₀代表了颗粒的尺寸大小，A_n、B_n代表特定形态的傅里叶形态指数，具有唯一性；A_n、B_n分别选取前10项描述颗粒形态，形成单个颗粒形态向量：

α₁＝[x,y,r₀,A₁…A_n,B₁…B_n]' (2)

进而对整个块石形态库的所有块石形态进行傅里叶级数展开，生成形态库矩阵，包括对N个颗粒进行形态描述，得到形态向量矩阵：

M＝[α₁ α₂ … α_N] (3)

断面形态矩阵包含断面上所有的块石形态、粒径和位置信息，表征断面上的所有块石颗粒；

③土石混合体基质土室内试验，对取回的土石混合体试样量测天然密度r_天然，随后烘干测天然含水率ω_天然、干密度r_干燥，并取平均值为断面土石混合体天然密度、干密度、含水率；随后对烘干的土石混合体进行筛分，选取0.5mm以下颗粒并进行基质土的比重瓶d和液限I_w塑限I_p试验；还能采用密度相等的方法，通过三轴试验测试基质土的强度c、

和变形特性E，基质土物理特性向量如(4)所示：

④断面信息一体化，记录开挖断面采用的支护类型和详细支护参数，且布置变形内力测点，实时监控量测支护结构的变形内力数据；最后将①～③获得的数字化地质信息和该断面采用的支护类型，以及最终的支护变形内力数据相统一，形成该开挖断面的地质信息、支护类型、变形内力效果完整统一的信息一体化；

⑤整体隧道3维信息一体化，基于隧道断面里程，将④提出的断面信息一体化应用于所有开挖断面；形成沿隧道轴线的3维隧道信息一体化模型；通过该模型能够空间观察，前后开挖断面间支护性能的相互影响，且能够分析不同土石混合体地质信息下合理支护类型，提高后续支护结构的可靠性。

进一步，所述步骤S3具体为：首先，根据地质信息、支护信息，建立数值分析模型，其次隧道开挖、支护进行数值分析，并通过实际工程需要和监测数据反馈修正数值参数；随后，验证分析当前支护的安全性和可靠性；最后，结合工程需要对当前支护进行优化设计；

包括以下内容：

①数值分析模型建立，根据现场岩土勘察结果、室内土石混合体试验数据，以及初步拟定的当前支护设计，编程建立可全面考虑断面地质信息，便于数值软件分析计算的数值分析模型，分析模型中地质信息与支护类型一一对应，地质等级对应支护等级；

②模拟参数反馈修正，基于现场实际情况，以及现有的监测数据信息反馈修正数值模型中的参数，降低数值模型与实际开挖工况的偏差，提高数值模型的可信度；

③当前支护安全性验证，基于修正的数值参数，对整个隧道断面开挖过程进行分析，从变形、内力、开裂以及现场工程条件方面验证评价当前支护的安全性和可靠性、可操作性；

④当前支护数值优化设计，即当前支护不满足要求，则需根据规范要求和实际工程需要，采用修正数值参数，对当前支护进行数值优化设计；

数值优化设计因地制宜的根据现场地质情况，增加新的支护设计，自动完善整个隧道的施工设计流程。

进一步，所述步骤S4具体为：首先，根据规范和实际要求对已有监控量测数据进行智能分类，分为保守、安全、警戒和危险，其中安全类支护级别不变，警戒类支护提高一级，危险类暂停施工，进行综合讨论确定方案；其次，由信息一体化模型，判定好的地质信息为样本，其中地质信息为输入、支护编号为输出，并选择BP神经网络算法进行训练和验证；最后，将以上整合编入一个统一软件中辅助确定支护类型和围岩分级判定；

包括以下内容：

①已开挖断面量测数据围岩级别判定，根据规范和实际要求对已有监控量测数据进行分类，分为保守、安全、警戒和危险，分类如下：

保守时，数据<0.1倍允许值；

安全时，数据<0.8倍允许值；

警戒时，0.8倍允许值<数据<1.2倍允许值；

危险时，数据>1.2倍允许值；

其中保守表面支护过于安全支护级别能够降低1级，安全表示支护满足安全要求支护级别不变，警戒表示虽基本满足但支护级别能够提高一级，危险表示当前应暂停施工，需对支护方案进行专家讨论加强；

规范中围岩级别对应支护级别，反之能够将支护级别与掌子面的围岩级别进行统一，将围岩级别数值等于支护类型编号，即围岩级别通过支护编号进行表征；

②新开挖断面人工智能围岩级别判定，以①中已有断面围岩级别判定结果为训练样本，以掌子面的地质信息，包括含石量、最大块石粒径、含水率、基质土内摩擦角和基质土粘聚力性质为样本输入，以实际验证的支护编号为样本输出；并选择可靠度较高的BP神经网络进行掌子面围岩级别判定训练学习和验证，建立的BP神经网络是一个动态不断学习的网络，其能够随着施工开挖进行，不断更新训练样本库，从而更为精准的根据地质信息确定所需的支护类型，进而判断围岩级别；

③最终，将S1、S2、S3，以及①、②设计的BP神经网络整合，编程设计一套完整的土石混合体隧道实时设计软件，软件的运行流程如下：

首先，初始样本信息生成；先根据现场岩土勘察结果判断实际隧道开挖过程中可能出现地质因素种类，并基于规范和工程经验进行隧道初步设计，随后采用S3所示的方法对初步设计进行数值验证和优化支护，优化后的支护采用唯一的编号进行表征；且根据工程经验对所有支护类型，进行从弱到强进行唯一编号；最后将对应的地质情况和支护级别作为人工智能支护选定的初始样本信息；

其次，基于样本，构建BP神经网络；

随后，实际支护级别判定，将S2中得到断面地质信息输入BP神经网络中，BP神经网络将智能输出支护级别，即围岩级别；

最后，BP神经网络动态更新，采用输出支护施工后实时监测断面数据，并基于规范和实际工程需要，对数据采用①所述方法分为保守、安全、警戒、危险；并根据分类，采用不同样本更新策略；如下所示：

1)安全，直接产生新的BP神经网络样本，BP神经网络样本库更新；

2)警戒，需将支护级别调高1级，生成新的BP神经网络样本，BP神经网络样本库更新；

3)保守，经工程师讨论后，决定是否需将支护级别降低1级，同时生成新的BP神经网络样本，BP神经网络样本库更新；

4)危险，需停止施工加、强监测处理，并采用S3所述的方法对支护进行数值优化加强，生成新的支护级别，进而更新BP神经网络的输入层。

本发明的有益效果在于：

(1)开发可以准确土石混合体围岩支护分级，提供土石混合体隧道工程经验的土石混合体隧道设计法，用于实际土石混合体围岩分级，和为后续土石混合体工程提供经验参考；

(2)开发基于数字图像处理的土石混合体断面获取方法，快速的获取断面出露地质信息，便于形成断面信息一体化，和后续土石混合体隧道人工智能设计。

(3)开发断面信息一体化的土石混合体隧道设计方法，将隧道的断面地质信息、断面支护参数、断面监测量测数据三者统一，从而降低设计施工的主观性，提高客观性、准确性。

(3)开发可以实现大数据隧道智能设计的土石混合体隧道设计方法，通过数字图像快速获取地质信息，并基于大数据的人工智能实时准确判断支护等级和对应的设计施工参数。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明关系图；

图2开挖断面地质信息获取示意图；

图3单个块石轮廓处理示意图；

图4断面块石长轴比统计规律分布图；

图5断面块石倾角统计规律分布图；

图6断面块石粒径统计规律分布图；

图7断面随机块石生成示意图；

图8断面随机块石生成图；

图9土石混合体隧道监控量测图；

图10高精度土石混合体隧道数值分析模型；

图11土石混合体隧道支护数值优化；

图12支护BP神经网络算法流程；

图13土石混合体隧道设计流程。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，本发明分为4个部分：

(1)开挖出露面的地质信息获取

首先，对开挖断面进行数码成像，获得开挖面断面出露的块石形态、级配、组成信息。其次，对开挖断面上的土石混合体基质土进行取样，以便后续进行成分、液塑限、天然含水量等室内试验。最后，记录开挖断面内围岩整体水情况，例如滴水，干燥等。

包括以下内容：

①开挖断面成像，首先开挖面的数码成像装置包括：布置在隧道中心轴线上的数码相机、用于固定数码相机且高度可测的支座、人工光源、以及用作几何尺寸参照的十字形标杆和标定参照物。其次隧道掌子面开挖后，先采用标定参照物标定相机，然后调整光源，拍摄包含几何尺寸参照物的土石混合体开挖出露面；

②土石混合体基质土取样，选用一定直径的钻机在隧道掌子面附近，随机钻取3～4个一定深度的圆孔，取出孔内的土石混合体，并分别放入样品袋中，带回实验室进行室内试验；

③观察开挖面附近的出水情况，并做好相应的记录。

(2)隧道断面信息一体化

首先，对S1得到掌子面照片进行数字图像处理得到块石形态，随后单个块石通过傅立叶级数转换为形态向量，进而得到整个整个断面块石的数字形态矩阵，以及块石级配向量。其次，对基质土室内试验测得的基质土成分、液塑限、天然含水率、弹性模量等参数生成物理性质列向量。然后，将断面地质信息(块石数字化矩阵、基质土物理向量)，结合断面支护类型，以及最终变形内力数据，统一形成断面开挖信息一体化。最后，基于隧道断面里程，将以上信息一体化方法扩展至整个隧道，形成隧道3维开挖信息一体化模型。

包括以下内容：

①照片数字图像处理，将获取的开挖断面照片进行图像二值化、滤波、图像分割等方法，并基于人工智能编程快速提取所有块石的形态轮廓和平面分布，并对获取的块石形态轮廓和分布进行分析统计，获得土石混合体中块石的含石量，以及块石级配、倾角、长轴比等分布信息；

②断面块石形态矩阵，对①中获得的单个平面块石轮廓进行平移、旋转、缩放等标准化处理，输出原点为块石中心点，块石长短轴与x、y轴重合，且块石面积等于1的标准块石轮廓。并将其在极坐标系下，如式(1)所示，对土石混合体标准石轮廓进行傅里叶级数展开：

其中x,y分别为块石几何中心的坐标，r₀代表了颗粒的尺寸大小，A_n、B_n代表特定形态的傅里叶形态指数，具有唯一性。A_n、B_n分别选取前10项描述颗粒形态，形成单个颗粒形态向量：

α₁＝[x,y,r₀,A₁…A_n,B₁…B_n]' (2)

进而对整个块石形态库的所有块石形态进行傅里叶级数展开，生成形态库矩阵，如对N个颗粒进行形态描述，得到形态向量矩阵：

M＝[α₁ α₂ … α_N] (3)

断面形态矩阵包含了断面上所有的块石形态、粒径、位置信息，可以精确简单的表征断面上的所有块石颗粒。

③土石混合体基质土室内试验，对取回的土石混合体试样量测天然密度r_天然，随后烘干测天然含水率ω_天然、干密度r_干燥，并取平均值为断面土石混合体天然密度、干密度、含水率。随后对烘干的土石混合体进行筛分，选取0.5mm以下颗粒并进行基质土的比重瓶d和液限I_w塑限I_p试验。如可能也可以采用密度相等的方法，通过三轴试验测试基质土的强度c、

和变形特性E，基质土物理特性向量如(4)所示：

④断面信息一体化，记录开挖断面采用的支护类型和详细支护参数，且布置变形内力测点，实时监控量测支护结构的变形内力数据。最后将①～③获得的数字化地质信息和该断面采用的支护类型，以及最终的支护变形内力数据相统一，形成该开挖断面的地质信息、支护类型、变形内力效果完整统一的信息一体化。

⑤整体隧道3维信息一体化，基于隧道断面里程，将④提出的断面信息一体化尽可能应用于所有开挖断面。从而形成了沿隧道轴线的3维隧道信息一体化模型。通过该模型可以空间观察，前后开挖断面间支护性能的相互影响，且可以有效的分析不同土石混合体地质信息下合理支护类型，提高后续支护结构的可靠性。

(3)支护数值分析验证

首先，根据地质信息、支护信息，建立数值分析模型，其次隧道开挖、支护进行数值分析，并通过实际工程需要和监测数据反馈修正数值参数。随后，验证分析当前支护的安全性和可靠性。最后，结合工程需要对当前支护进行优化设计。

包括以下内容：

①数值分析模型建立，根据现场岩土勘察结果、室内土石混合体试验数据，以及初步拟定的当前支护设计，编程建立可全面考虑断面地质信息，便于数值软件分析计算的数值分析模型，分析模型中地质信息与支护类型一一对应，地质等级对应支护等级。

②模拟参数反馈修正，基于现场实际情况，以及现有的监测数据信息反馈修正数值模型中的参数，降低数值模型与实际开挖工况的偏差，提高数值模型的可信度。

③当前支护安全性验证，基于修正的数值参数，对整个隧道断面开挖过程进行分析，从变形、内力、开裂，以及现场工程条件等多个方面验证评价当前支护的安全性和可靠性、可操作性。

④当前支护数值优化设计，如当前支护不满足要求，则需根据规范要求和实际工程需要，采用修正数值参数，对当前支护进行数值优化设计。

数值优化设计可以因地制宜的根据现场地质情况，增加新的支护设计，自动完善整个隧道的施工设计流程。

(4)隧道人工智能设计

首先，根据规范和实际要求对已有监控量测数据进行智能分类，分为保守、安全、警戒、危险4类，其中安全类支护级别不变，警戒类支护提高一级，危险类暂停施工，进行综合讨论确定方案。其次，由信息一体化模型，判定好的地质信息为样本，其中地质信息为输入、支护编号为输出，并选择BP神经网络算法进行训练和验证；最后，将以上整合编入一个统一软件中辅助确定支护类型和围岩分级判定。

包括以下内容：

①已开挖断面量测数据围岩级别判定，根据规范和实际要求对已有监控量测数据进行分类，分为保守、安全、警戒、危险4类，例如可以如表1进行分类。

表1断面支护情况分类表

保守	安全	警戒	危险
				数据<0.1允许值	数据<0.8倍允许值	0.8倍允许值<数据<1.2倍允许值	数据>1.2倍允许值

注:

1.量测数据可以包括多中变量数据组合，如拱顶沉降、周边收敛、衬砌内力等，此时同一断面不同变量可能存在不同的分类结果，此时可以根据实际工程情况对不同的变量设定不同的权值，最后整合为一个统一的分类指标，进而进行分类；或者采用BP神经网络进行智能分类。

2.具体的保守、安全、警戒、危险范围可以根据实际情况进行划分

其中保守表面支护过于安全支护级别可以降低1级，安全表示支护满足安全要求支护级别不变，警戒表示虽基本满足但支护级别可以提高一级，危险表示当前应暂停施工，需对支护方案进行专家讨论加强。

规范中围岩级别对应支护级别，反之可以将支护级别与掌子面的围岩级别进行统一，将围岩级别数值等于支护类型编号，即围岩级别(大体的地质信息)通过支护编号进行表征。

②新开挖断面人工智能围岩级别判定，以①中已有断面围岩级别判定结果为训练样本，以掌子面的地质信息例如含石量、最大块石粒径、含水率、基质土内摩擦角、基质土粘聚力等性质为样本输入，以实际验证的支护编号为样本输出。并选择可靠度较高的BP神经网络进行掌子面围岩级别判定训练学习和验证。建立的BP神经网络是一个动态不断学习的网络，其可以随着施工开挖进行，不断更新训练样本库，从而更为精准的根据地质信息确定所需的支护类型，进而判断围岩级别。

③最终，将S1、S2、S3，以及①、②设计的BP神经网络整合，编程设计一套完整的土石混合体隧道实时设计软件，软件的运行流程如图2所示。

首先，初始样本信息生成。先根据现场岩土勘察结果判断实际隧道开挖过程中可能出现地质因素种类，并基于规范和工程经验进行隧道初步设计，随后采用S3所示的方法对初步设计进行数值验证和优化支护，优化后的支护采用唯一的编号进行表征。且根据工程经验对所有支护类型，进行从弱到强进行唯一编号。最后将对应的地质情况和支护级别作为人工智能支护选定的初始样本信息。

其次，BP神经网络构建。基于样本，构建如图1所示的BP神经网络，

随后，实际支护级别判定，将S2中得到断面地质信息输入BP神经网络中，BP神经网络将智能输出支护级别(围岩级别)。

最后，BP神经网络动态更新，采用输出支护施工后实时监测断面数据，并基于规范和实际工程需要，对数据采用①所述方法分为保守、安全、警戒、危险四类。并根据分类，采用不同样本更新策略。如下所示：

1)安全，直接产生新的BP神经网络样本，BP神经网络样本库更新；

2)警戒，需将支护级别调高1级，生成新的BP神经网络样本，BP神经网络样本库更新；

3)保守，经工程师讨论后，决定是否需将支护级别降低1级，同时生成新的BP神经网络样本，BP神经网络样本库更新；

4)危险，需停止施工加、强监测处理，并采用S3所述的方法对支护进行数值优化加强，生成新的支护级别，进而更新BP神经网络的输入层。

基于数字图像和大数据的土石混合体隧道设计方法是一个动态更新、不断学习，随着隧道开挖进行智能调节判定围岩级别，选择合适的支护级配的方法。

如图2的隧道开挖断面情况获取示意图，首先通过布置在隧道中心轴线上的数码相机、人工光源获取隧道开挖断面出露的高清地质照片，并通过用作几何尺寸参照的十字形标杆和标定参照物，确定照片内的尺寸信息。随后采用数字图像处理中的进行图像二值化、滤波、图像分割等获取断面所有的块石轮廓形态，并对块石形态轮廓进行分析得到，块石级配、体积含石量，以及大块石粒径尺寸。

如图3所示，对获取的单个块石轮廓进行处理可以求得

1.边框矩形，完全包裹块石的最小矩形，用于求解块石的倾角、长短轴、长轴比。

2.等效椭圆，内切于边框矩形，且长轴比与边框矩形相等的椭圆，其倾角、长短轴、长轴比与块石形同，用于等效块石。

3.堆叠椭圆，基于含石量缩放的等效椭圆，其倾角、长短轴、长轴比与块石形同，用于地层的椭圆堆叠生成特定含石量的土石混合体。，

由上获取块石中心点坐标(x,y)，块石面积A，块石长轴与x方向夹角α(作为块石倾角)，块石边框矩形的长轴a，短轴b(块石粒径)，以及长轴比a/b。最后对所有土石混合体中的块石进行处理，得到块石的长轴比、倾角、粒径的统计分布规律如图4、5、6所示。

如图7块石形态矩阵和随机块石生成示意图所示，断面获取的块石轮廓无法体现所有块石，但通过断面块石数值形态特征，可以随机生成符合实际块石的虚拟块石。其生成的步骤如下：

首先，如式(1)所示，极坐标系下，对土石混合体标准石轮廓进行傅里叶级数展开：

其中A_n、B_n代表特定形态的傅里叶形态指数，具有唯一性。A_n、B_n分别选取前10项描述颗粒形态，形成单个颗粒形态向量：

α₁＝[A₁…A_n,B₁…B_n]' (2)

其次，并对整个块石形态库的所有块石形态进行傅里叶级数展开，生成形态库矩阵，如对N个颗粒进行形态描述，得到形态向量矩阵：

M＝[α₁ α₂ … α_N] (3)

随后，对块石头形态库向量矩阵M进行PCA分析，找出生成分向量Φ_i和权重λ_i，选取总权重80％以上的Φ_i和权重λ_i。u^T为矩阵M的各列向量α_i均值向量。

最后，采用公式(4)生成满足块石形态库特征的随机块石颗粒。

公式中y_i为0～1的随机数。

如图8生成了整个隧道断面内的所有块石形态分布

如图9土石混合体隧道开挖后监控量测类型与布置，用于验证和反馈分析支护的安全性和可靠性。从而将断面地质信息、支护参数，最终的监控量测数据进行统一，形成开挖断面信息一体化。

如图10土石混合体隧道开挖数值模型，基于图7的整个断面块石随机分布，以及图10、图11的支护参数和监控反馈，可以对隧道支护进行数值验证和优化分析，进而根据不同断面地质信息，提出因地制宜的安全可靠支护形式和参数。

如图11所示的BP神经网络构建算法流程图，其中BP神经网络构建根据系统输入输出数据特点进行确定，假定输入8种地质信息，输出5种支护级别，此时神经网络结构为8-9-5,即输入层为8个节点、隐含层为9个点，输出层4个节点。最后从已有的断面信息一化中选择3/4的数据作为训练数据，剩下1/4数据为测试数据，测试训练网格的支护分级能力。

如图12所示的土石混合体隧道设计方法流程图所示，

首先，初始样本信息生成。先根据现场岩土勘察结果判断实际隧道开挖过程中可能出现地质因素种类，并基于规范和工程经验进行隧道初步设计，随后采用S3所示的方法对初步设计进行数值验证和优化支护，优化后的支护采用唯一的编号进行表征。且根据工程经验对所有支护类型，进行从弱到强进行唯一编号。最后将对应的地质情况和支护级别作为人工智能支护选定的初始样本信息。

其次，BP神经网络构建。基于样本，构建如图1所示的BP神经网络，

随后，实际支护级别判定，将S2中得到断面地质信息输入BP神经网络中，BP神经网络将智能输出支护级别(围岩级别)。

最后，BP神经网络动态更新，采用输出支护施工后实时监测断面数据，并基于规范和实际工程需要，对数据采用①所述方法分为保守、安全、警戒、危险四类。并根据分类，采用不同样本更新策略。如下所示：

1)安全，直接产生新的BP神经网络样本，BP神经网络样本库更新；

2)警戒，需将支护级别调高1级，生成新的BP神经网络样本，BP神经网络样本库更新；

3)保守，经工程师讨论后，决定是否需将支护级别降低1级，同时生成新的BP神经网络样本，BP神经网络样本库更新；

4)危险，需停止施工加、强监测处理，并采用S3所述的方法对支护进行数值优化加强，生成新的支护级别，进而更新BP神经网络的输入层。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.基于数字图像和大数据的土石混合体隧道设计方法，其特征在于：该方法包括以下步骤：

S1：断面地质情况获取；

S2：隧道开挖信息一体化；

S3：支护数值验证及优化；

S4：隧道人工智能设计；

所述步骤S1具体为：隧道开挖出露面的地质信息获取，首先，通过数码成像设备对开挖断面进行数码成像，获得开挖面断面出露的块石形态、级配和组成信息；其次，对开挖断面上的土石混合体基质土进行取样，以便后续进行成分、液塑限和天然含水量室内试验；最后，记录开挖断面内围岩整体水情况，包括滴水和干燥；

具体包括以下内容：

①开挖断面成像，首先开挖面的数码成像装置包括：布置在隧道中心轴线上的数码相机、用于固定数码相机且高度可测的支座、人工光源、以及用作几何尺寸参照的十字形标杆和标定参照物；其次隧道掌子面开挖后，先采用标定参照物标定相机，然后调整光源，拍摄包含几何尺寸参照物的土石混合体开挖出露面；

②土石混合体基质土取样，选用一定直径的钻机在隧道掌子面附近，随机钻取3～4个一定深度的圆孔，取出孔内的土石混合体，并分别放入样品袋中，带回实验室进行室内试验；

③观察开挖面附近的出水情况，并做好相应的记录；

所述步骤S2具体为：首先，对S1得到掌子面照片进行数字图像处理得到块石形态，随后单个块石通过傅立叶级数转换为形态向量，进而得到整个断面块石的数字形态矩阵，以及块石级配向量；其次，对基质土室内试验测得的基质土成分、液塑限、天然含水率和弹性模量参数生成物理性质列向量；然后，将断面地质信息，即块石数字化矩阵和基质土物理向量，结合断面支护类型，以及最终变形内力数据，统一形成断面开挖信息一体化；最后，基于隧道断面里程，将以上信息一体化方法扩展至整个隧道，形成隧道3维开挖信息一体化模型；

具体包括以下内容：

①照片数字图像处理，将获取的开挖断面照片进行图像二值化、滤波和图像分割，并基于人工智能编程快速提取所有块石的形态轮廓和平面分布，并对获取的块石形态轮廓和分布进行分析统计，获得土石混合体中块石的含石量，以及块石级配、倾角和长轴比分布信息；

②断面块石形态矩阵，对①中获得的单个平面块石轮廓进行平移、旋转和缩放标准化处理，输出原点为块石中心点，块石长短轴与x、y轴重合，且块石面积等于1的标准块石轮廓；并将其在极坐标系下，如式(1)所示，对土石混合体标准石轮廓进行傅里叶级数展开：

其中x,y分别为块石几何中心的坐标，r₀代表了颗粒的尺寸大小，A_n、B_n代表特定形态的傅里叶形态指数，具有唯一性；A_n、B_n分别选取前10项描述颗粒形态，形成单个颗粒形态向量：

α₁＝[x,y,r₀,A₁…A_n,B₁…B_n]’ (2)

进而对整个块石形态库的所有块石形态进行傅里叶级数展开，生成形态库矩阵，包括对N个颗粒进行形态描述，得到形态向量矩阵：

M＝[α₁ α₂…α_N] (3)

断面形态矩阵包含断面上所有的块石形态、粒径和位置信息，表征断面上的所有块石颗粒；

③土石混合体基质土室内试验，对取回的土石混合体试样量测天然密度r_天然，随后烘干测天然含水率ω_天然、干密度r_干燥，并取平均值为断面土石混合体天然密度、干密度、含水率；随后对烘干的土石混合体进行筛分，选取0.5mm以下颗粒并进行基质土的比重瓶d和液限I_w塑限I_p试验；还能采用密度相等的方法，通过三轴试验测试基质土的强度c、

和变形特性E，基质土物理特性向量如(4)所示：

④断面信息一体化，记录开挖断面采用的支护类型和详细支护参数，且布置变形内力测点，实时监控量测支护结构的变形内力数据；最后将①～③获得的数字化地质信息和该断面采用的支护类型，以及最终的支护变形内力数据相统一，形成该开挖断面的地质信息、支护类型、变形内力效果完整统一的信息一体化；

⑤整体隧道3维信息一体化，基于隧道断面里程，将④提出的断面信息一体化应用于所有开挖断面；形成沿隧道轴线的3维隧道信息一体化模型；通过该模型能够空间观察，前后开挖断面间支护性能的相互影响，且能够分析不同土石混合体地质信息下合理支护类型，提高后续支护结构的可靠性；

所述步骤S3具体为：首先，根据地质信息、支护信息，建立数值分析模型，其次隧道开挖、支护进行数值分析，并通过实际工程需要和监测数据反馈修正数值参数；随后，验证分析当前支护的安全性和可靠性；最后，结合工程需要对当前支护进行优化设计；

包括以下内容：

①数值分析模型建立，根据现场岩土勘察结果、室内土石混合体试验数据，以及初步拟定的当前支护设计，编程建立可全面考虑断面地质信息，便于数值软件分析计算的数值分析模型，分析模型中地质信息与支护类型一一对应，地质等级对应支护等级；

②模拟参数反馈修正，基于现场实际情况，以及现有的监测数据信息反馈修正数值模型中的参数，降低数值模型与实际开挖工况的偏差，提高数值模型的可信度；

③当前支护安全性验证，基于修正的数值参数，对整个隧道断面开挖过程进行分析，从变形、内力、开裂以及现场工程条件方面验证评价当前支护的安全性和可靠性、可操作性；

④当前支护数值优化设计，即当前支护不满足要求，则需根据规范要求和实际工程需要，采用修正数值参数，对当前支护进行数值优化设计；

数值优化设计因地制宜的根据现场地质情况，增加新的支护设计，自动完善整个隧道的施工设计流程。

2.根据权利要求1所述的基于数字图像和大数据的土石混合体隧道设计方法，其特征在于：所述步骤S4具体为：首先，根据规范和实际要求对已有监控量测数据进行智能分类，分为保守、安全、警戒和危险，其中安全类支护级别不变，警戒类支护提高一级，危险类暂停施工，进行综合讨论确定方案；其次，由信息一体化模型，判定好的地质信息为样本，其中地质信息为输入、支护编号为输出，并选择BP神经网络算法进行训练和验证；最后，将以上整合编入一个统一软件中辅助确定支护类型和围岩分级判定；

包括以下内容：

①已开挖断面量测数据围岩级别判定，根据规范和实际要求对已有监控量测数据进行分类，分为保守、安全、警戒和危险，分类如下：

保守时，数据<0.1倍允许值；

安全时，数据<0.8倍允许值；

警戒时，0.8倍允许值<数据<1.2倍允许值；

危险时，数据>1.2倍允许值；

其中保守表示支护过于安全支护级别能够降低1级，安全表示支护满足安全要求支护级别不变，警戒表示虽基本满足但支护级别能够提高一级，危险表示当前应暂停施工，需对支护方案进行专家讨论加强；

规范中围岩级别对应支护级别，反之能够将支护级别与掌子面的围岩级别进行统一，将围岩级别数值等于支护编号，即围岩级别通过支护编号进行表征；

②新开挖断面人工智能围岩级别判定，以①中已有断面围岩级别判定结果为训练样本，以掌子面的地质信息，包括含石量、最大块石粒径、含水率、基质土内摩擦角和基质土粘聚力性质为样本输入，以实际验证的支护编号为样本输出；并选择可靠度较高的BP神经网络进行掌子面围岩级别判定训练学习和验证，建立的BP神经网络是一个动态不断学习的网络，其能够随着施工开挖进行，不断更新训练样本库，从而更为精准的根据地质信息确定所需的支护类型，进而判断围岩级别；

③最终，将S1、S2、S3，以及①、②设计的BP神经网络整合，编程设计一套完整的土石混合体隧道实时设计软件，软件的运行流程如下：

首先，初始样本信息生成；先根据现场岩土勘察结果判断实际隧道开挖过程中可能出现地质因素种类，并基于规范和工程经验进行隧道初步设计，随后采用S3所示的方法对初步设计进行数值验证和优化支护，优化后的支护采用唯一的编号进行表征；且根据工程经验对所有支护类型，进行从弱到强进行唯一编号；最后将对应的地质情况和支护级别作为人工智能支护选定的初始样本信息；

其次，基于样本，构建BP神经网络；

随后，实际支护级别判定，将S2中得到断面地质信息输入BP神经网络中，BP神经网络将智能输出支护级别，即围岩级别；

最后，BP神经网络动态更新，采用输出支护施工后实时监测断面数据，并基于规范和实际工程需要，对数据采用①所述方法分为保守、安全、警戒、危险；并根据分类，采用不同样本更新策略；如下所示：

1)安全，直接产生新的BP神经网络样本，BP神经网络样本库更新；

2)警戒，需将支护级别调高1级，生成新的BP神经网络样本，BP神经网络样本库更新；

3)保守，经工程师讨论后，决定是否需将支护级别降低1级，同时生成新的BP神经网络样本，BP神经网络样本库更新；

4)危险，需停止施工加强监测处理，并采用S3所述的方法对支护进行数值优化加强，生成新的支护级别，进而更新BP神经网络的输入层。

Images