CN113688446A - 一种围岩判别分级方法 - Google Patents

Abstract

本发明公开了一种围岩判别分级方法，包含以下：S0，对R_c和J_v进行数据转换得到转换后的R′_c和J′_v；S1，利用转换后的R′_c、J′_v、S₁、S₂以及S₃进行因子分析得到综合因子F′₁和F′₂，其中，综合因子F′₁为围岩完整性综合因子，主要反映J_v和S₁因素影响；综合因子F′₂为围岩强度综合因子，主要反映R_c和S₂因素影响；S2，将综合因子F′₁和F′₂作为训练样本训练围岩分级模型，得到Fisher判别模型；S3，利用Fisher判别模型对测试样本进行围岩等级预测，从而解决了由于未对影响因素进行预处理导致利用回代法验证Fisher判别模型时准确性不高的问题，本发明的围岩判别分级方法准确度高、适用性广。

Description

一种围岩判别分级方法

技术领域

本发明属于地下结构及山岭隧道工程领域，更具体地，涉及一种围岩判别分级方法。

背景技术

目前我国地下工程和山岭隧道工程建设日益增多，施工复杂程度也不断加大，进行这些工程的设计和施工前，往往要根据工程场地水文地质条件，做出围岩分级判断，以进行后续的支护设计和施工。正确的对围岩分级非常重要，例如如果误将Ⅳ级围岩分入Ⅴ级，会造成工程支护设计富余太多，导致浪费；而若误将Ⅳ级围岩分入III级，又会造成支护设计不足，导致发生安全事故。

目前国内许多规范和标准都规定了围岩分级的方法，也有不少文献提出新的围岩分级方法，但是这些围岩分级方法大多都忽略了对已有的工程围岩分级数据的使用。由于近年地下工程和山岭隧道工程建设较多，所以积累了大量的围岩分级数据，而这些数据目前没有得到充分有效利用。目前现状是一个工程存在一套围岩分级的数据，而没有对这些已有围岩分级数据进行统一的整理和有效利用。

目前已有将现有的围岩分级数据作为样本训练得到Fisher判别模型，但是该方法基本都是将多个影响因子直接输入模型进行训练，在利用回代法验证Fisher判别模型时准确性不高。

本发明提出的一种围岩判别分级方法，是基于对已有围岩分级数据的基础上进行。通过引入统计判别模型，对已存在的不同工程的围岩分级数据进行利用，尤其是对汇总整理后的围岩分级数据进行充分挖掘，从而找到一种准确、高效的围岩分级方法。

发明内容

为了解决由于未对影响因素进行预处理导致利用回代法验证Fisher判别模型时准确性不高的问题，本发明提供一种围岩判别分级方法，对影响因子中的岩石单轴抗压强度R_c和围岩体积节理数J_v进行数据转换，并通过因子分析获得的综合因子F′₁和F′₂作为训练样本训练围岩分级模型，本发明的围岩判别分级方法准确度高、适用性广。

为了实现以上目的，本发明采用的一种技术方案如下：

一种围岩判别分级方法，包含以下步骤：

步骤S0，对岩石单轴抗压强度R_c和围岩体积节理数J_v进行数据转换得到转换后的岩石单轴抗压强度R′_c和围岩体积节理数J′_v；

步骤S1，利用转换后的岩石单轴抗压强度R′_c、围岩体积节理数J′_v、地下水影响因素S₁、隧道轴线走向与围岩结构面夹角影响S₂以及初始地应力大小影响S₃进行因子分析得到综合因子F′₁和F′₂，其中，综合因子F′₁为围岩完整性综合因子，主要反映围岩参数J_v和S₁因素影响；综合因子F′₂为围岩强度综合因子，主要反映围岩参数R_c和S₂因素影响；

步骤S2，将综合因子F′₁和F′₂作为训练样本进行训练围岩分级模型，得到Fisher判别模型；

步骤S3，利用Fisher判别模型对测试样本进行围岩等级预测。

进一步地，步骤S0中岩石单轴抗压强度R_c、围岩体积节理数J_v和转换后的岩石单轴抗压强度R′_c、围岩体积节理数J′_v对应关系为：

当R_c≤6Mpa时R′_c＝1，当6Mpa＜R_c≤15Mpa时R′_c＝2，当15Mpa＜R_c≤30Mpa时R′_c＝3，当30Mpa＜R_c≤60Mpa时R′_c＝4，当R_c>60Mpa时R′_c＝5；

当J_v≥35时J′_v＝1，当20≤J_v<35时J′_v＝2，当10≤J_v<20时J′_v＝3，当3≤J_v<10时J′_v＝4，当J_v<3时J′_v＝5。

进一步地，步骤S1中综合因子F′₁和F′₂通过以下公式获得：

公式(1)中，a′_ij(i＝1,...，5，j＝1,2)称为因子载荷，ε′_i(i＝1,...,5)称为个性因子。

进一步地，步骤S2具体包含以下步骤：

步骤S20，定义围岩分级组别，形成K个等级；

步骤S21，将由综合因子F′₁和F′₂构建的样本按照K个等级形成围岩分级样本，并建立判别函数Y′₁和Y′₂：

公式(2)中，b′_ij(i＝1,2，j＝0，1，2)为判别函数系数；

根据公式(2)获取各围岩分级样本对应的质心坐标

公式(3)中，n_k为第k级围岩分级样本的数量，

为第k级围岩分级样本的坐标，k＝1，...，K；

步骤S22，确定判别准则，即求解

统计量T的表达式为：

公式(4)中，

为所有围岩分级样本的坐标值平均数，SSb为围岩分级样本组间离差平方和，SSw为围岩分级样本组内离差平方和；

步骤S23，利用综合因子F′₁和F′₂训练围岩分级模型，从而得到Fisher判别模型；

所述Fisher判别模型中的Fisher分类函数为：

G′_k＝c′_k0+c′_k1F′₁+c′_k2F′₂ (5)

c′_kj(k＝1,...,K，j＝0,1,2)为Fisher分类函数的系数。

进一步地，所述Fisher判别模型中采用Bayes先验概率结合Fisher分类函数获得围岩等级预测结果。

进一步地，所述等级K＝5。

本发明的上述技术方案相比现有技术具有以下优点：

1、本发明提供的一种围岩判别分级方法，对影响因素中的岩石单轴抗压强度R_c和围岩体积节理数J_v进行数据转换，即并通过因子分析获得综合因子F₁和F₂作为训练样本训练围岩分级模型；通过对比对影响因素数据转换前后获得Fisher判别模型可知，通过预先对影响因素预处理后训练得到Fisher判别模型时在利用回代法验证其准确性时准确率远高于未对影响因素预处理训练得到的Fisher判别模型准确率，同时定性地给出本发明围岩判别分级方法获得Fisher判别模型对I—III级的围岩预测精确度大幅提高；接着又给出了本发明围岩判别方法获得Fisher判别模型对测试样本的判别准确度，结果表明本发明的围岩判别方法具有较高的分级准确度；

2、本发明的Fisher判别模型中采用Bayes先验概率结合Fisher分类函数获得围岩等级预测结果，根据各Fisher分类函数获得概率直观得到分级分类，相对于打分制直观性更强；

3、本发明的围岩判别方法对已存在的不同工程的围岩分级数据进行整合和利用，避免了已有围岩分级数据的浪费；此外，由于训练数据来源于不同的工程，因此通过本发明的围岩判别方法获得的Fisher判别模型更具有普适性；

4、本发明的Fisher判别模型还能对影响围岩分级影响因素进行重新归纳，突出最重要的两个综合因素，并能对各影响因素的重要性做出量化评判，这是之前许多围岩分级方法所不具备的，本发明的Fisher判别模型具有逻辑上的合理性和较高的分级准确度。

附图说明

图1为本发明一实施例中一种围岩判别分级方法算法整体流程图；

图2为本发明一实施例中各围岩分级样本在判别平面内的分布图；其中，图2a为采用原始围岩分级样本在判别平面内的分布图，图2b为采用数据转换后的围岩分级样本在判别平面内的分布图；

图3为本发明一实施例中利用回代法验证Fisher判别模型准确性获得的ROC曲线；其中，图3a中Fisher判别模型是通过原始围岩分级样本训练获得，图3b中Fisher判别模型是通过数据转换后的围岩分级样本训练获得；

图4为本发明一具体实施例中预测样本采用本发明围岩判别方法中的判别函数在判别平面内的分布示意图。

具体实施例

下面将结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，在进行本发明的围岩判别方法之前需要进行围岩分级影响因素确定。目前，围岩分级的方法较多。结合具体工程的地质水文条件，以及各的行业标准，有不同的围岩分级方法。因此，不同的规范和标准，围岩分级选择的影响因素也各不相同。这里，我们依据调研的3个具体山岭隧道工程的水文地质条件，结合围岩分级相关国家规范和标准，选择5个普遍认为对围岩分级具有较大影响的因素，分别为岩石单轴抗压强度R_c，围岩的体积节理数J_v，地下水影响因素S₁，隧道轴线走向与围岩结构/节理面夹角影响S₂，以及初始地应力大小影响S₃。接着，对比影响因素指标转换前后对应的Fisher判别模型的准确性。

本发明的一种围岩判别分级方法，包含以下步骤：

步骤S0，对岩石单轴抗压强度R_c和围岩体积节理数J_v进行数据转换得到转换后的岩石单轴抗压强度R′_c和围岩体积节理数J′_v；

所选的5个围岩分级的影响因素的量纲互不相同，岩石单轴抗压强度R_c的量纲一般为Mpa，数值范围理论上可取[0，+∞)，一般几十兆帕；围岩体积节理数J_v单位为条数，理论取值范围[0，+∞)区间，一般超过35条即为很破碎；地下水影响因素S₁、隧道轴线走向与围岩结构面夹角影响S₂，以及初始地应力大小影响S₃均无量纲，但取值范围有区别。例如地下水影响因素S₁，按隧道开挖后围岩出水量的不同，分为5个级别。隧道轴线走向与围岩结构面夹角影响S₂取值范围为[0°，90°]，按夹角度数不同，分为3个级别，每30°一个级别。初始地应力大小影响S₃也分为3个级别。因此，围岩分级各因素量纲、单位的不同，各个影响因素指标不统一。直接将这些指标值带入围岩分级判别模型，所得分级结果误差很大，详见后面例子。因此，我们首先对影响围岩分级的各个因素指标进行无量纲化处理，并尽量使得各指标取值相近。具体做法为：

对于岩石单轴抗压强度R_c指标，按其取值范围分为5级；围岩体积节理数J_v，也按其取值范围分为5级；同样对于地下水影响因素S₁，也按其取值范围分为5级，如表1所示。

表1 R_c、J_v、S₁指标值转换

对于隧道轴线走向与围岩结构面产状的影响S₂及初始地应力大小影响S₃，我们将其指标转换为3个等级，如表2所示。

表2 S₂、S₃指标值转换

分别采用转换后的数据和原始数据进行围岩分级模型的训练，并进行训练结果的比较，选择二者中的最优方案。需要说明的是，这里面的数据转换仅仅涉及到岩石单轴抗压强度R_c和围岩体积节理数J_v，地下水影响因素S₁、隧道轴线走向与围岩结构面产状的影响S₂及初始地应力大小影响S₃均是采用统一的等级值。

步骤S1，利用转换后的岩石单轴抗压强度R′_c、围岩体积节理数J′_v、地下水影响因素S₁、隧道轴线走向与围岩结构面夹角影响S₂以及初始地应力大小影响S₃进行因子分析得到综合因子F′₁和F′₂，其中，综合因子F′₁为围岩完整性综合因子，主要反映围岩参数J_v和S₁因素影响；综合因子F′₂为围岩强度综合因子，主要反映围岩参数R_c和S₂因素影响；

数据收集与因子分析：通过调研国内三条山岭公路隧道勘察设计资料及现场施工资料，获取围岩分级数据。经数据检查核对，剔除部分不合理数据，得到适用模型数据47组。为保证所建围岩分级判别模型的普适性，我们将这47组数据全用来进行围岩分级模型训练。而从前人发表文献中获取15组数据用于模型预测。这15组数据来自不同文献，工程地域相差较大。若所建围岩分级模型预测准确率较高，说明本发明的Fisher判别模型具有普适性。

在进行围岩判别分级前，考虑到存在5个影响因素，相对影响因素数量较多。因此，先采用因子分析，将围岩分级影响因素降为2个，数学表达为：

公式(1)中，a′_ij(i＝1,...,5,j＝1,2)称为因子载荷，ε′_i(i＝1,...,5)称为个性因子。

步骤S2，将综合因子F₁′和F′₂作为训练样本训练围岩分级模型，得到Fisher判别模型；

利用Fisher算法时，需要根据步骤S1中的判别函数存在最优时，模型找到的判别函数1和2是最优的坐标系。在这个最优的坐标系里，再形成分类函数，在训练时利用预测精度来判定围岩分级模型是否收敛，收敛时获得了Fisher判别模型。

具体的步骤如下：步骤S20，定义围岩分级组别，形成K个等级，本实施例中K＝5；

步骤S21，将由综合因子F′₁和F′₂构建的样本按照K个等级形成围岩分级样本，并建立判别函数Y′₁和Y′₂：

公式(2)中，b′_ij(i＝1,2,j＝0,1,2)为判别函数系数；

根据公式(2)获取各围岩分级样本对应的质心坐标

公式(3)中，n_k为第k级围岩分级样本的数量，

为第k级围岩分级样本的坐标，k＝1,...,K；

步骤S22，确定判别准则，即求解

统计量T的表达式为：

公式(4)中，

为所有围岩分级样本的坐标值平均数，SSb为围岩分级样本组间离差平方和，SSw为围岩分级样本组内离差平方和；可令T表达式对b′_ij的偏导数等于0求出系数b_ij。

步骤S23，利用综合因子F′₁和F′₂训练围岩分级模型，从而得到Fisher判别模型；

所述Fisher判别模型中的Fisher分类函数为：

G′_k＝c′_k0+c′_k1F′₁+c′_k2F′₂ (5)

c′_kj(k＝1,...,K,j＝0,1，2)为Fisher分类函数的系数；所述等级K＝5，因此5个Fisher分类函数为：

G′₁＝c′₁₀+c ′₁₁F′₁+c′₁₂F′₂

G′₂＝c′₂₀+c′₂₁F′₁+c′₂₂F′₂

G′₃＝c′₃₀+c′₃₁F′₁+c′₃₂F′₂

G′₄＝c′₄₀+c′₄₁F′₁+c′₄₂F′₂

G′₅＝c′₅₀+c′₅₁F′₁+c′₅₂F′₂

步骤S3，利用Fisher判别模型对测试样本进行围岩等级预测。

进一步地，所述Fisher判别模型中采用Bayes先验概率结合Fisher分类函数获得围岩等级预测结果。对于未分级围岩样本，分别计算其属于G₁、G₂、G₃、G₄、G₅级别的概率，那个组计算得到的概率大，围岩样本即分入那一组。

下面通过具体实施例对本发明的围岩判别等级方法进行说明：

表3为围岩分级判别模型的影响因素数据转换前后以及因子分析后获得综合因子数值对照表；围岩分级模型训练数据(共47组，指标符号右上带一撇为转换后指标)

表3围岩分级判别模型的影响因素数据转换前后以及因子分析后获得综合因子数值对照表

表3中，F₁和F₂分别为采用原始数据得到的2个综合因子，F₁’和F₂’分别为进行数据转换后得到的两个综合因子。

综合因子与围岩5个影响因素的关系，如表4所示。

表4综合因子与原指标关系

由表4，综合因子F′₁和F′₂可表达为：

可见，综合因子F′₁主要反映围岩参数J_v和S₁因素影响，与围岩的完整性相关，可理解为围岩完整性综合因子；综合因子F′₂主要反映围岩参数R_c和S₂因素影响，与围岩的强度相关，可理解为围岩强度综合因子。

在得到Fisher判别模型时采用回代法验证本模型的准确性，因此分别对围岩分级原始数据和转换后围岩分级数据进行判别分析，得到利用分类函数得到的判别分析结果如表5所示。

表5两种围岩数据(原始数据/转换数据)获取Fisher判别模型的分类函数分级结果

注：加*为分类错误样本。

对表5结果进行统计，如表6所示。

表6两种围岩数据(原始数据/转换数据)对应围岩等级预测结果统计表

由表6可得两种数据下的计算模型整体准确率。对于采用原始数据，围岩分级准确率AC₁为：

AC₁＝(2+3+6+9+12)/47＝68.1％；

对于采用转换后的数据，围岩分级准确率AC₂为：

AC₂＝(3+7+12+9+13)/47＝93.6％；

可见，经过对原始围岩分级数据进行转换，明显提高了模型分类的准确性，准确率由68.1％提高到93.6％。

进一步分析表6，围岩分级训练样本总共47个样本，判别模型成功进行分类的样本位于表6中两类数据的对角线上。对于采用原始数据的Fisher判别模型，判对样本共2(I级)+3(Ⅱ级)+6(III级)+9(Ⅳ级)+12(Ⅴ级)＝32个，正确率68.1％，模型精度较差。对表6中的原始数据模型进一步分析，发现I级围岩样本共4个，其中2个正确分级，1个误分Ⅱ级，另一个误分III级；对于总数7个Ⅱ级围岩样本，有3个样本分级正确，4个分级错误，其中有2个样本错误分为I级，而另2个样本错误分为III级。与之相比，采用数据转换后再进行围岩分级时，判对样本总数共3(I级)+7(Ⅱ级)+12(III级)+9(Ⅳ级)+13(Ⅴ级)＝44个，正确率93.6％。其中I级围岩样本共4个，3个样本分级正确，1个误分Ⅱ级；对于总数7个Ⅱ级围岩样本，全部7个分级正确，正确率100％。其他等级围岩结果可类似分析。

对表6数据结果进行进一步综合统计，分别进行采用两种数据下，I、Ⅱ、III、Ⅳ和Ⅴ级围岩分级样本分级结果的比较。可得到表7的混淆矩阵。

表7两种围岩数据分级结果综合统计

对表7数据，分别计算：

I类围岩：

采用围岩原始数据：

敏感度：TPRI＝2/4＝50％；1-特异率：FPRI＝3/43＝7％；

采用围岩转换数据:

敏感度：TPRI＝3/4＝75％；1-特异率：FPRI＝0/43＝0％；

Ⅱ类围岩：

采用围岩原始数据：

敏感度：TPRⅡ＝3/7＝42.9％；1-特异率：FPRⅡ＝7/40＝17.5％；

采用围岩转换数据:

敏感度：TPRⅡ＝7/7＝100％；1-特异率：FPRⅡ＝1/40＝2.5％；

III类围岩：

采用围岩原始数据：

敏感度：TPRIII＝6/13＝46.2％；1-特异率：FPRIII＝4/34＝11.8％；

采用围岩转换数据:

敏感度：TPRIII＝12/13＝92.3％；1-特异率：FPRIII＝1/34＝2.9％；

Ⅳ类围岩：

采用围岩原始数据：

敏感度：TPRⅣ＝9/10＝90％；1-特异率：FPRⅣ＝0/37＝0％；

采用围岩转换数据:

敏感度：TPRⅣ＝9/10＝90％；1-特异率：FPRⅣ＝1/37＝2.7％；

Ⅴ类围岩：

采用围岩原始数据：

敏感度：TPRⅤ＝12/13＝92.3％；1-特异率：FPRⅤ＝1/34＝2.9％；

采用围岩转换数据:

敏感度：TPRⅤ＝13/13＝100％；1-特异率：FPRⅤ＝0/34＝0％。

由上述数据计算结果，利用回代法验证Fisher判别模型准确性获得围岩分级训练样本的各级的分级模型ROC曲线(感受性曲线)，如图3所示。

图3(a)中，实线为采用围岩原始数据进行围岩分级的ROC曲线，同颜色的虚线为进行围岩数据转化后，对应相同围岩级别的模型分级ROC曲线。曲线底部所围的面积越大，分级模型的准确度越好。由图3(a)可见，进行围岩参数原始数据转换后，图3(a)中虚线均在实线之上，且二者距离较大，说明分级精度得到显著的提高。图3(b)显示对于Ⅳ级和Ⅴ级而言，采用转换后数据进行围岩分级判别，分级精度有所提高，但提高的幅度不大，尤其是对于Ⅳ级围岩，两条黑色虚线和实线ROC曲线几乎重合。表明对于Ⅳ级围岩而言，数据处理对于分级结果影响不大。

综上所述，由于采用转换后的数据进行围岩分级判别，能够提高显著提高围岩分级样本预测精度，尤其对于I—III级的围岩，精度提高幅度大。因此，对于后续的围岩分级预测，我们选择对原始围岩数据处理以后，再进行分级预测。

表8为围岩分级训练样本的两个判别函数的特征值及判别函数的方差百分比。因为采用2个综合因子F₁和F₂作为分级指标，因此采用2个判别函数。判别函数的方差百分比反映了判别函数对方差蕴含信息解释的能力，一般函数的特征值越大，反映数据的能力越强。从表8可以看到，两类数据条件下，判别函数1能够解释较大的数据方差信息，判别函数2能够解释相对较少的数据方差信息，二者总共能解释100％的数据方差信息。说明对于5级别的围岩分级预测，采用2个判别函数能够满足分级要求。

表8判别函数特征值

对于采用原始数据及采用数据转换后的模型，两个判别函数的表达式分别为：

如图2所示，图2(a)为采用围岩原始数据进行分级预测的结果，在判别函数1和判别函数2构成的平面内，围岩分级样本按照组内离差尽可能小，组间离差尽可能大的原则，分成5类。对于I级围岩组，其质心点坐标为(2.871，-0.069)，Ⅱ级围岩组质心点坐标为(2.330，-0.610)，III级围岩组质心点坐标为(1.776，-0.523)，Ⅳ级围岩组质心点坐标为(-0.863，2.501)，Ⅴ级围岩组质心点坐标为(-3.250，-1.051)。同理，对于采用围岩转换后数据进行分级预测，I级围岩组，其质心点坐标为(3.601，-0.845)，Ⅱ级围岩组质心点坐标为(3.242，-0.610)，III级围岩组质心点坐标为(0.571，1.166)，Ⅳ级围岩组质心点坐标为(-2.008，1.145)，Ⅴ级围岩组质心点坐标为(-1.881，-1.528)。

对比图2(a)、(b)图，我们可清楚观测到，图2(b)中，I级、Ⅱ级和III级围岩组质心间的距离明显比图2(a)中对应的组质心间的距离大的多，这也说明，采用转换后的围岩分级样本进行围岩分级判别的准确性比采用原始数据的分级结果显著提高。

表9为采用训练后的Fisher判别模型对15组来自不同文献的围岩数据进行分级预测所得结果。可以看到，15组围岩样本，模型计算正确分级14个，错误1个，判别模型分级正确率93.3％。

表9 Fisher判别模型样本预测情况

此时，Fisher分类函数的表达式为：

图4为预测样本采用本发明围岩判别方法中的判别函数在判别平面内的分布示意图，共计15个预测样本。其中有1个样本，实际为III级围岩，误分入Ⅳ，在图中已标识误分。表9中，5个样本综合影响因子F₁和F₂值相等，因此在图4中，这些样本点位置相互重合，因此图4中仅显示10个样本点位置。

对表9的预测结果进行统计，得到表10为围岩分级判别模型预测样本效果统计。

表10围岩分级判别模型预测样本效果统计

表10中，围岩分级预测总样本个数15，预测正确样本数14，预测准确率93.3％。从表10可见，误差来自于III级围岩的分级错误。共有4个III级围岩样本，3个样本分类正确，1个样本误分至Ⅳ级围岩。其他级别围岩的分级正确率100％。

由于预测样本从不同公开发表的文献中获取，每个样本的工程背景、工程地域条件相差较大，考虑到以上因素影响，所建围岩分级判别模型的预测效果尚令人满意。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细但并不能因此而理解为对本申请专利范围的限制。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种围岩判别分级方法，其特征在于，包含以下步骤：

步骤S0，对岩石单轴抗压强度R_c和围岩体积节理数J_v进行数据转换得到转换后的岩石单轴抗压强度R′_c和围岩体积节理数J′_v；

步骤S1，利用转换后的岩石单轴抗压强度R′_c、围岩体积节理数J′_v、地下水影响因素S₁、隧道轴线走向与围岩结构面夹角影响S₂以及初始地应力大小影响S₃进行因子分析得到综合因子F₁′和F′₂，其中，综合因子F₁′为围岩完整性综合因子，主要反映围岩参数J_v和S₁因素影响；综合因子F′₂为围岩强度综合因子，主要反映围岩参数R_c和S₂因素影响；

步骤S2，将综合因子F₁′和F′₂作为训练样本训练围岩分级模型，得到Fisher判别模型；

步骤S3，利用Fisher判别模型对测试样本进行围岩等级预测。

2.根据权利要求1所述的一种围岩判别分级方法，其特征在于，步骤S0中岩石单轴抗压强度R_c、围岩体积节理数J_v和转换后的岩石单轴抗压强度R′_c、围岩体积节理数J′_v对应关系为：

当R_c≤6Mpa时R′_c＝1，当6Mpa＜R_c≤15Mpa时R′_c＝2，当15Mpa＜R_c≤30Mpa时R′_c＝3，当30Mpa＜R_c≤60Mpa时R′_c＝4，当R_c>60Mpa时R′_c＝5；

当J_v≥35时J′_v＝1，当20≤J_v<35时J′_v＝2，当10≤J_v<20时J′_v＝3，当3≤J_v<10时J′_v＝4，当J_v<3时J′_v＝5。

3.根据权利要求1所述的一种围岩判别分级方法，其特征在于，步骤S1中综合因子F₁′和F′₂通过以下公式获得：

公式(1)中，a′_ij(i＝1,...，5,j＝1,2)称为因子载荷，ε′_i(i＝1,...,5)称为个性因子。

4.根据权利要求3所述的一种围岩判别分级方法，其特征在于，步骤S2具体包含以下步骤：

步骤S20，定义围岩分级组别，形成K个等级；

步骤S21，将由综合因子F₁′和F′₂构建的样本按照K个等级形成围岩分级样本，并建立判别函数Y₁′和Y′₂：

公式(2)中，b′_ij(i＝1，2，j＝0，1，2)为判别函数系数；

根据公式(2)获取各围岩分级样本对应的质心坐标

公式(3)中，n_k为第k级围岩分级样本的数量，

为第k级围岩分级样本的坐标，k＝1，...，K；

步骤S22，确定判别准则，即求解

统计量T的表达式为：

公式(4)中，

为所有围岩分级样本的坐标值平均数，SSb为围岩分级样本组间离差平方和，SSw为围岩分级样本组内离差平方和；

步骤S23，利用综合因子F₁′和F′₂训练围岩分级模型，从而得到Fisher判别模型；

所述Fisher判别模型中的Fisher分类函数为：

G′_k＝c′_k0+c′_k1F₁′+c′_k2F′₂ (5)

c′_kj(k＝1，...,K,j＝0,1,2)为Fisher分类函数的系数。

5.根据权利要求4所述的一种围岩判别分级方法，其特征在于，所述Fisher判别模型中采用Bayes先验概率结合Fisher分类函数获得围岩等级预测结果。

6.根据权利要求4所述的一种围岩判别分级方法，其特征在于，所述等级K＝5。

Images