CN115019171B - 非接触式围岩快速分区分级方法 - Google Patents
非接触式围岩快速分区分级方法 Download PDFInfo
- Publication number
- CN115019171B CN115019171B CN202210651738.9A CN202210651738A CN115019171B CN 115019171 B CN115019171 B CN 115019171B CN 202210651738 A CN202210651738 A CN 202210651738A CN 115019171 B CN115019171 B CN 115019171B
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- spectrum
- structural
- tunnel
- rock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005192 partition Methods 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 99
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 23
- 238000000638 solvent extraction Methods 0.000 claims abstract description 15
- 238000010521 absorption reaction Methods 0.000 claims description 34
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 210000001624 hip Anatomy 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012669 compression test Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 2
- 239000011575 calcium Substances 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005422 blasting Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- GUJOJGAPFQRJSV-UHFFFAOYSA-N dialuminum;dioxosilane;oxygen(2-);hydrate Chemical compound O.[O-2].[O-2].[O-2].[Al+3].[Al+3].O=[Si]=O.O=[Si]=O.O=[Si]=O.O=[Si]=O GUJOJGAPFQRJSV-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229940029329 intrinsic factor Drugs 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052901 montmorillonite Inorganic materials 0.000 description 1
- 239000010450 olivine Substances 0.000 description 1
- 229910052609 olivine Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000000454 talc Substances 0.000 description 1
- 229910052623 talc Inorganic materials 0.000 description 1
- 235000012222 talc Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种非接触式围岩快速分区分级方法,包括构建隧道围岩快速分级指标体系;获取隧道掌子面的围岩波谱图像和数字图像;得到围岩岩性数据和结构面胶结物质数据;获取隧道现场围岩岩石、进行波谱测试、拟合波谱特征与含水量关系模型并得到围岩含水量信息;得到结构面参数;获取围岩BQ分类等级;构建隧道围岩快速分级数据库并得到围岩快速分级预测模型;获取待分级的掌子面围岩的波谱数据和数字图像数据并分区;从分区中获取数据并输入围岩快速分级预测模型中得到掌子面各个分区的围岩等级划分结果。本发明方法的可靠性高、精确性好且效率较高。
Description
技术领域
本发明属于岩土工程领域,具体涉及一种非接触式围岩快速分区分级方法。
背景技术
围岩分级技术是现今岩土工程领域广泛采用的技术。围岩的准确分级是隧道施工建设的前提,围岩等级的大小与隧道进洞方案、施工方法、爆破装药、采用的支护类型等施工工序均密切相关。围岩等级划分过低,会因为支护强度不够,开挖扰动过大而造成冒顶、片帮、底鼓等事故,造成巨大的人员伤亡和财产损失;围岩等级划分过高,则会因为爆破开挖、支护方案过于保守而造成材料浪费,施工进度慢,进而导致不必要的经济损失。
目前,现场隧道围岩分级通常分为两个部分:首先是通过前期的地质勘查、超前地质预报等手段获得部分定性和定量的岩性参数,按照现行分级规范进行围岩初步分级,为隧道施工方案设计提供指导;然后在施工期,主要通过钻孔取芯,计算岩石RQD值和随钻孔获取岩体力学性质参数,并进行分级,或者直接通过有经验的人员观察并直接判定围岩等级。
但是,无论是在地质勘查还是施工阶段的围岩分级,都存在一些需要现场接触式、破坏性的操作来获取的参数、难以采集以及需要进行室内二次加工测试的定量参数或者一些需要人工主观判断的定性参数;此外,由于施工成本、效率、技术等众多因素的限制,现场围岩分级很难兼顾到不良地质,地质条件变化等情况,围岩分级区段相隔较远,不考虑局部的变化,划分较粗略。因此,现有的围岩分级技术方案,可靠性并不高,而且方法难度大,分析时间长,主观性大,实时性较差。
发明内容
本发明的目的在于提供一种可靠性高、精确性好且效率较高的非接触式围岩快速分区分级方法。
本发明提供的这种非接触式围岩快速分区分级方法,包括如下步骤:
S1.以BQ法指标为依据,构建隧道围岩快速分级指标体系;
S2.获取隧道掌子面的围岩波谱图像和隧道掌子面的数字图像;
S3.将步骤S2获取的围岩波谱图像中的波谱曲线与标准地物波谱库曲线进行比较,从而得到围岩岩性数据和结构面胶结物质数据;
S4.获取隧道现场的围岩岩石,进行不同含水量的波谱测试,拟合波谱特征与含水量关系模型,并从围岩波谱图像中提取得到围岩含水量信息;
S5.根据围岩数字图像,建立二维坐标系,拟合结构面的像素位置坐标,从而提取得到结构面参数;
S6.获取拍摄波谱和拍摄数字图像时的岩样并进行实验,获取单轴饱和抗压强度和岩体完整性系数,从而得到对应的围岩BQ分类等级;
S7.根据步骤S6得到的若干数据,以隧道围岩快速分级指标作为预测变量,以对应的围岩BQ分类等级作为响应变量,构建隧道围岩快速分级数据库;
S8.采用智能学习算法对构建的隧道围岩快速分级数据库中的数据进行学习,并进行超参数调整,得到性能最优的围岩快速分级预测模型;
S9.获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并对掌子面进行分区;
S10.从步骤S9得到的各个分区中获取对应的隧道围岩快速分级指标,并输入到步骤S8得到的围岩快速分级预测模型中,得到最终的隧道现场待分级的掌子面的各个分区的围岩等级划分结果。
步骤S1所述的以BQ法指标为依据,构建隧道围岩快速分级指标体系,具体包括如下步骤:
以岩性和含水量表征岩石坚硬程度,以结构面组数、结构面平均间距、主要结构面张开度和主要结构面胶结程度表征岩体完整性,以岩性、含水量、结构面组数、结构面平均间距、主要结构面平均张开度和主要结构面胶结程度构建隧道围岩快速分级指标体系。
步骤S3所述的将步骤S2获取的围岩波谱图像中的波谱曲线与标准地物波谱库曲线进行比较,从而得到围岩岩性数据和结构面胶结物质数据,具体包括如下步骤:
A.选定波谱对比的标准库;
B.采用如下算式对获取的围岩波谱图像中的波谱曲线和标准地物波谱库中的波谱曲线进行一阶导数预处理,从而增强波谱曲线在波谱方面的辨识度:
式中i为波长值,根据波谱设备的参数决定,一般为可见光—短波红外波段(350~2500nm);Δi为波长增量;Ri为波长i处的反射率;MDRi为波长i和波长i+Δi的波段间的平均一阶导数反射率;
C.对于经一阶导数预处理后的波谱曲线,采用如下算式计算波谱曲线间的相似度S:
式中i为波长值,其范围为350~2500nm;为曲线A在波长i处的反射率;/>为曲线B在波长i处的反射率;
D.选择与围岩波谱曲线相似度最大的标准库波谱曲线所对应的物质成分作为围岩岩性:
E.提取结构面胶结物质的波谱曲线按照上述同样的步骤进行物质识别,依据胶结物质的种类和BQ定性分级法,将结构面胶结物质识别为为无充填、钙质胶结、铁质胶结或泥质胶结。
步骤S4所述的获取隧道现场的围岩岩石,进行不同含水量的波谱测试,拟合波谱特征与含水量关系模型,并从围岩波谱图像中提取得到围岩含水量信息,具体包括如下步骤:
a.获取隧道现场的围岩岩石,在实验室开展岩石不同含水量的波谱测试试验;试验时,选定的波段为1400±100nm和1900±100nm波段;
b.获得岩石在不同含水量情况下的波谱曲线在选定的两个波段的吸收特征参数数据;所述的吸收特征参数数据包括吸收峰峰值反射率和吸收峰图形面积;
c.对含水量和吸收特征参数进行数值拟合,得到含水量和吸收特征参数之间的关系模型c=f(P1,P2,A1,A2),其中P1和A1分别为1400±100nm波段吸收峰的峰值反射率和吸收峰面积;P2和A2分别为1900±100nm波段吸收峰的峰值反射率和吸收峰面积;
d.提取现场围岩波谱曲线两个选定的波段的吸收特征参数,并根据步骤c得到的关系模型,得到围岩的实际含水量。
步骤S5所述的根据围岩数字图像,建立二维坐标系,拟合结构面的像素位置坐标,从而提取得到结构面参数,具体包括如下步骤:
(1)对围岩数据图像进行图像预处理,并提取结构面像素;
(2)以围岩数字图像的任一角点为原点,构建二维坐标系,从而得到结构面像素的各个像素点的位置坐标;
(3)根据步骤(2)得到的位置坐标,通过线性最小二乘法将结构面像素点拟合成直线,将相互平行的结构面作为一组,统计结构面组数;将直线表达式进行积分,得到每条结构面的长度l;由平行线距离公式计算每组结构面内相邻两条结构面之间的距离d;采用如下算式计算得到结构面平均间距R,再根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均间距:
式中m为结构面的组数;Wi为第i组结构面的平均间距权重,且其中lij为第i组结构面的第j条结构面的长度,j=1,2,...,ni,ni为第i组结构面所包含的结构面数量;Di为第i组结构面的平均间距,且dij为第i组结构面的第j条和第j+1条结构面间的间距,wij为第i组结构面的第j条和第j+1条结构面间的间距权重,且/>
(4)按照BQ法,将步骤(3)中平均间距最小的一组结构面作为主要结构面;将主要结构面中每条结构面所占的像素数量作为结构面面积A;采用如下算式计算得到结构面平均张开度S',并根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均张开度:
式中n'为结构面的数量;Ai为第i条结构面的面积;li为第i条结构面的直线长度。
步骤S6所述的获取拍摄波谱和拍摄数字图像时的岩样并进行实验,获取单轴饱和抗压强度和岩体完整性系数,从而得到对应的围岩BQ分类等级,具体包括如下步骤:
拍摄波谱和数字图像,并采集现场岩样开展试验;对岩样进行饱水处理后在进行单轴压缩试验,测得岩样的饱和单轴抗压强度Rc;通过现场的岩体声波测试和室内岩块声波测试得到岩体完整性系数Kv;最后,计算得到围岩BQ分类等级BQ为BQ=90+3Rc+250Kv。
步骤S8所述的采用智能学习算法对构建的隧道围岩快速分级数据库中的数据进行学习,并进行超参数调整,得到性能最优的围岩快速分级预测模型,具体包括如下步骤:
将数据库按照设定的比例划分为训练集和测试集;
采用训练集,对选定的若干种机器学习算法进行预测模型的训练;训练时,采用10折交叉验证法流出验证集,从而防止过拟合;训练过程中,利用网格搜索方法进行超参数调优,得到最优预测模型;将测试集数据输入最优预测模型中,观测最优预测模型在测试集上的表现;
最后,选定性能最优的围岩快速分级预测模型。
步骤S9所述的获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并对掌子面进行分区,具体包括如下步骤:
获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并提取得到隧道现场待分级的掌子面围岩的围岩岩性数据和结构面胶结物质数据;
将隧道现场待分级的掌子面的底线的中垂线三等分,记靠近拱顶的三等分点为A1;从A1点向两腰作一条平行于隧道底线的直线l1;然后将隧道底线三等分,记靠近左拱腰的三等分点为A2,靠近右拱腰的三等分点为A3;从点A2向直线l1作垂线l2,从点A3向直线l1作垂线l3;直线l1、l2和l3将掌子面划分为左拱腰段、右拱腰段、中间段和拱顶段,共4个区域;
以岩性分界面为划分线,将掌子面进行第二次划分;
对两次划分交叉形成的区域进行整合:若存在某个区域面积小于掌子面总面积的则将该区域整合到相邻的岩性区域,从而得到最终的掌子面的分区区域;Q为设定的阈值。
本发明提供的这种非接触式围岩快速分区分级方法,通过利用非接触式设备地物成像波谱仪和数码相机获得围岩波谱图像和数字图像,从两种图像中提取参数信息用于围岩分级,避免了传统方法采样加工后进行室内测试导致分级时间长或者分级过程中人工主观判断提取分级参数信息导致分级结果不准确的问题,能够实现隧道现场跟随施工开挖进度进行围岩等级的实时划分;同时,本发明方法利用波谱仪能够识别岩性的便利性,一方面考虑了不良地质、突发情况等地质条件变化造成的局部围岩等级变化的情况;另一方面考虑了因岩石种类或者结构面分布密度的不同导致同一掌子面不同区域围岩等级不同的情况;因此本发明方法的可靠性高、精确性好且效率较高。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的单岩性隧道断面的分区过程实例示意图。
图3为本发明方法的多岩性隧道断面的分区过程实例示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种非接触式围岩快速分区分级方法,包括如下步骤:
S1.以BQ法指标为依据,构建隧道围岩快速分级指标体系;具体包括如下步骤:
现有BQ围岩分级法中主要考虑两大类因素的影响,岩石坚硬程度和岩体完整性程度,因此,分以下两方面来建立BQ分级指标与快速分级指标之间的对应关系:
从岩石坚硬程度角度来看,岩石的物质组成是构成岩石坚硬程度的内在因素,一般岩浆岩较为密实坚硬,变质岩次之,沉积岩较差,如花岗岩、玄武岩等岩浆岩的坚硬程度明显大于泥岩、砂岩、板岩、片岩等沉积岩和变质岩;此外,岩石中包含的不同矿物成分也对其强度有着显著影响,如岩石中含有橄榄石、石英等矿物成分通常就比含有云母、滑石、蒙脱石等强度要高;结构面中硅质和铁质胶结的就比含有钙质和泥质胶结的强度高;另一方面,含水量是影响岩石坚硬程度的外在因素,一般都对岩石坚硬程度有削弱作用;选取岩性、岩石含水量两个因素作为围岩快速分级的指标,表征岩石的坚硬程度;BQ分级法中使用地质锤锤击声、浸水反应来定性表征岩石坚硬程度;但该方式测得的是实验室人为浸水处理后的岩样坚硬程度,并不能反映现场具有相应含水量岩石的真实坚硬程度;锤击声的不同其实质反应的就是岩性的不同,因此快速分级指标中的岩性、含水量既全面包括了BQ分级法中的分级指标,又比BQ法更能反应岩石坚硬程度,更具合理性;
对于岩体完整性程度,BQ分级法将影响岩体完整性的众多因素归结为结构面发育程度和主要结构面结合程度两类,结构面发育程度通过岩体结构面组数和结构面平均间距来定量表示;主要结构面结合程度通过主要结构面张开度以及胶结状态来综合表征;这些指标简单易获取,但目前是通过现场人员判断获得,主观性大,结果粗略;因此,将结构面组数、结构面平均间距、主要结构面张开度、主要结构面胶结状态作为围岩快速分级指标,利用图像处理技术从围岩数字图像中精确提取所需参数,提高围岩分级准确性;
因此,最终以岩性和含水量表征岩石坚硬程度,以结构面组数、结构面平均间距、主要结构面张开度和主要结构面胶结程度表征岩体完整性,以岩性、含水量、结构面组数、结构面平均间距、主要结构面平均张开度和主要结构面胶结程度构建隧道围岩快速分级指标体系;
S2.获取隧道掌子面的围岩波谱图像和隧道掌子面的数字图像;在拍摄过程中,记录拍摄参数按照如下物像尺寸关系公式计算图像大小所对应的真实尺寸:
式中D为相机到岩面的垂直距离;IL为图像中以像素为单位的长度;Ps为单个像素的实际长度;f为相机焦距;R为真实距离;
S3.将步骤S2获取的围岩波谱图像中的波普曲线与标准地物波谱库曲线进行比较,从而得到围岩岩性数据和结构面胶结物质数据;具体包括如下步骤:
A.选定波谱对比的标准库;依据每种岩性的波谱曲线都具有其独特波谱特征的特性,选择波谱对比的标准库,包括但不限于公开的标准地物波谱库JPL、USGS、THU、HIPAS等等;
B.采用如下算式对获取的围岩波谱图像中的波谱曲线和标准地物波谱库中的波谱曲线进行一阶导数预处理,从而增强波谱曲线在波谱方面的辨识度:
式中i为波长值,根据波谱设备的参数决定,一般为可见光—短波红外波段(350~2500nm);Δi为波长增量;Ri为波长i处的反射率;MDRi为波长i和波长i+Δi的波段间的平均一阶导数反射率;
C.采用如下算式计算波谱曲线间的相似度S:
式中i为波长值,其范围为350~2500nm;为曲线A在波长i处的反射率;/>为曲线B在波长i处的反射率;
D.选择与围岩波谱曲线相似度最大的标准库波谱曲线所对应的物质成分作为围岩岩性:
E.提取结构面胶结物质的波谱曲线并进行物质识别,依据胶结物质的种类和BQ定性分级法,将结构面胶结物质识别为为无充填、钙质胶结、铁质胶结或泥质胶结;
S4.获取隧道现场的围岩岩石,进行不同含水量的波谱测试,拟合波谱特征与含水量关系模型,并从围岩波谱图像中提取得到围岩含水量信息;具体包括如下步骤:
a.依据水汽吸收主要集中在1400nm和1900nm波段附近的原理,获取隧道现场的围岩岩石,在实验室开展岩石不同含水量的波谱测试试验;试验时,选定的波段为1400±100nm和1900±100nm波段;
b.获得岩石在不同含水量情况下的波谱曲线在选定的两个波段的吸收特征参数数据;所述的吸收特征参数数据包括吸收峰峰值反射率和吸收峰图形面积;
c.对含水量和吸收特征参数进行数值拟合,得到含水量和吸收特征参数之间的关系模型c=f(P1,P2,A1,A2),其中P1和A1分别为1400±100nm波段吸收峰的峰值反射率和吸收峰面积;P2和A2分别为1900±100nm波段吸收峰的峰值反射率和吸收峰面积;
d.提取现场围岩波谱曲线两个选定的波段的吸收特征参数,并根据步骤c得到的关系模型,得到围岩的实际含水量;
S5.根据围岩数字图像,建立二维坐标系,拟合结构面的像素位置坐标,从而提取得到结构面参数;具体包括如下步骤:
(1)对围岩数据图像进行图像预处理,并提取结构面像素;
(2)以围岩数字图像的任一角点为原点,构建二维坐标系,从而得到结构面像素的各个像素点的位置坐标;
(3)根据步骤(2)得到的位置坐标,通过线性最小二乘法将结构面像素点拟合成直线,将相互平行的结构面作为一组,统计结构面组数;将直线表达式进行积分,得到每条结构面的长度l;由平行线距离公式计算每组结构面内相邻两条结构面之间的距离d;采用如下算式计算得到结构面平均间距R,再根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均间距:
式中m为结构面的组数;Wi为第i组结构面的平均间距权重,且其中lij为第i组结构面的第j条结构面的长度,j=1,2,...,ni,ni为第i组结构面所包含的结构面数量;Di为第i组结构面的平均间距,且dij为第i组结构面的第j条和第j+1条结构面间的间距,wij为第i组结构面的第j条和第j+1条结构面间的间距权重,且/>
(4)按照BQ法,将步骤(3)中平均间距最小的一组结构面作为主要结构面;将主要结构面中每条结构面所占的像素数量作为结构面面积A;采用如下算式计算得到结构面平均张开度S',并根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均张开度:
式中n'为结构面的数量;Ai为第i条结构面的面积;li为第i条结构面的直线长度;
S6.获取拍摄波谱和拍摄数字图像时的岩样并进行实验,获取单轴饱和抗压强度和岩体完整性系数,从而得到对应的围岩BQ分类等级;
具体包括如下步骤:
拍摄波谱和数字图像,并采集现场岩样开展试验;对岩样进行饱水处理后在进行单轴压缩试验,测得岩样的饱和单轴抗压强度Rc;通过现场的岩体声波测试和室内岩块声波测试得到岩体完整性系数Kv;最后,计算得到围岩BQ分类等级BQ为BQ=90+3Rc+250Kv;
S7.根据步骤S6得到的若干数据,以隧道围岩快速分级指标作为预测变量,以对应的围岩BQ分类等级作为响应变量,构建隧道围岩快速分级数据库;具体实施时,数据库内的数据不少于200组;
S8.采用智能学习算法对构建的隧道围岩快速分级数据库中的数据进行学习,并进行超参数调整,得到性能最优的围岩快速分级预测模型;具体包括如下步骤:
将数据库按照设定的比例划分为训练集和测试集;
采用训练集,对选定的若干种机器学习算法(包括SVM、KNN、ANN、RF、NB、DT等模型算法)进行预测模型的训练;训练时,采用10折交叉验证法流出验证集,从而防止过拟合;训练过程中,利用网格搜索方法进行超参数调优,得到最优预测模型;将测试集数据输入最优预测模型中,观测最优预测模型在测试集上的表现;
最后,选定性能最优的围岩快速分级预测模型;
S9.获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并对掌子面进行分区;具体包括如下步骤:
获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并提取得到隧道现场待分级的掌子面围岩的围岩岩性数据和结构面胶结物质数据;
将隧道现场待分级的掌子面的底线的中垂线三等分,记靠近拱顶的三等分点为A1;从A1点向两腰作一条平行于隧道底线的直线l1;然后将隧道底线三等分,记靠近左拱腰的三等分点为A2,靠近右拱腰的三等分点为A3;从点A2向直线l1作垂线l2,从点A3向直线l1作垂线l3;直线l1、l2和l3将掌子面划分为左拱腰段、右拱腰段、中间段和拱顶段,共4个区域;
以岩性分界面为划分线,将掌子面进行第二次划分;
对两次划分交叉形成的区域进行整合:若存在某个区域面积小于掌子面总面积的则将该区域整合到相邻的岩性区域,从而得到最终的掌子面的分区区域;Q为设定的阈值;
S10.从步骤S9得到的各个分区中获取对应的隧道围岩快速分级指标,并输入到步骤S8得到的围岩快速分级预测模型中,得到最终的隧道现场待分级的掌子面的各个分区的围岩等级划分结果。
图2为本发明方法应用于单岩性隧道断面的分区过程实例示意图。图2中文字:
图2为本发明方法应用于单岩性隧道断面的分区过程实例示意图。对于单岩性隧道掌子面,首先做隧道断面的中垂线,三等分中垂线并记上三等分点为A1,从点A1向隧道两腰做直线L1;将隧道底线三等分并记左三等分点为A2,右三等分点为A3;从点A2向直线L1做垂线记为L2,从点A3向直线L1做垂线记为L3,划分过程如图2中子图Ⅱ所示。直线L1、L2、L3将隧道断面划分为四个区域①②③④,划分过程如图2中子图Ⅲ所示。区域①为上拱顶段,②为左拱腰段,③为中间段,④为右拱腰段;区域①主要为上周边孔布设区域,区域②主要为左辅助孔布设区域,区域③主要为掏槽孔布设区域,区域④主要为右辅助孔布设区域。不同种类炮孔布设的数量、间距和装药量受围岩等级的影响不同;按照此方法对掌子面围岩进行细化分区,然后对各分区进行围岩分级,细化的分级结果可为后续炮孔和装药量布设等参数提供指导及优化依据。区域中的“岩性,含水量,结构面组数、间距、张开度、胶结状态”为岩体分级参数,通过前文所述的方法从围岩波谱和数字图像中提取,每个分区的这些都有差异,导致分区的围岩等级也都不相同。
分区完成后,通过步骤S1到S8中所述方法从围岩波谱图像和数字图像中提取每个分区的分级参数,包括“岩性,含水量,结构面组数、间距、张开度,胶结状态”,将提取的参数输入到训练好的模型中,得到每个分区的围岩等级。由于每个区域的结构面分布状况不同,因此不同分区的围岩等级差别很大。
图3为本发明方法应用于多岩性隧道断面的分区过程实例示意图。对于多岩性隧道掌子面,首先通过围岩波谱图像或者人工判断区分不同岩性,不同岩性的围岩颜色不同,会形成明显的分界面,由此确定岩性分界面,如子图Ⅰ所示;然后做掌子面的中垂线,记中垂线的上三等分点为A1,从点A1向隧道两腰做直线L1;将隧道底线三等分并记左三等分点为A2,右三等分点为A3;从点A2向直线L1做垂线记为L2,从点A3向直线L1做垂线记为L3,划分过程如子图Ⅱ所示;由此将隧道断面划分为4个区域,如子图Ⅲ所示;随后以岩性分界面L4做第二次分割,交L1于点A4,交L3于A5点,与原区域交叉形成新的分区,如子图Ⅳ所示;随后计算各个分区的面积,将面积区域小于掌子面总面积的(Q为阈值,一般设定为6)的区域向邻近同岩性区域合并,合并的目的是为了防止对小区域进行分级,浪费计算资源,如子图Ⅴ所示;最后的分区为①②③④⑤,如子图Ⅵ所示。
分区完成后,通过步骤S1到S8中所述方法从围岩波谱图像和数字图像中提取每个分区的分级参数,包括“岩性,含水量,结构面组数、间距、张开度,胶结状态”,将提取的参数输入到训练好的模型中,得到每个分区的围岩等级。由于每个区域的岩性和结构面分布状况不同,因此不同分区的围岩等级差别很大。
Claims (8)
1.一种非接触式围岩快速分区分级方法,包括如下步骤:
S1.以BQ法指标为依据,构建隧道围岩快速分级指标体系;
S2.获取隧道掌子面的围岩波谱图像和隧道掌子面的数字图像;
S3.将步骤S2获取的围岩波谱图像中的波普曲线与标准地物波谱库曲线进行比较,从而得到围岩岩性数据和结构面胶结物质数据;
S4.获取隧道现场的围岩岩石,进行不同含水量的波谱测试,拟合波谱特征与含水量关系模型,并从围岩波谱图像中提取得到围岩含水量信息;
S5.根据围岩数字图像,建立二维坐标系,拟合结构面的像素位置坐标,从而提取得到结构面参数;
S6.获取拍摄波谱和拍摄数字图像时的岩样并进行实验,获取单轴饱和抗压强度和岩体完整性系数,从而得到对应的围岩BQ分类等级;
S7.根据步骤S6得到的若干数据,以隧道围岩快速分级指标作为预测变量,以对应的围岩BQ分类等级作为响应变量,构建隧道围岩快速分级数据库;
S8.采用智能学习算法对构建的隧道围岩快速分级数据库中的数据进行学习,并进行超参数调整,得到性能最优的围岩快速分级预测模型;
S9.获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并对掌子面进行分区;
S10.从步骤S9得到的各个分区中获取对应的隧道围岩快速分级指标,并输入到步骤S8得到的围岩快速分级预测模型中,得到最终的隧道现场待分级的掌子面的各个分区的围岩等级划分结果。
2.根据权利要求1所述的非接触式围岩快速分区分级方法,其特征在于步骤S1所述的以BQ法指标为依据,构建隧道围岩快速分级指标体系,具体包括如下步骤:
以岩性和含水量表征岩石坚硬程度,以结构面组数、结构面平均间距、主要结构面张开度和主要结构面胶结程度表征岩体完整性,以岩性、含水量、结构面组数、结构面平均间距、主要结构面平均张开度和主要结构面胶结程度构建隧道围岩快速分级指标体系。
3.根据权利要求2所述的非接触式围岩快速分区分级方法,其特征在于步骤S3所述的将步骤S2获取的围岩波谱图像中的波普曲线与标准地物波谱库曲线进行比较,从而得到围岩岩性数据和结构面胶结物质数据,具体包括如下步骤:
A.选定波谱对比的标准库;
B.采用如下算式对获取的围岩波谱图像中的波谱曲线和标准地物波谱库中的波谱曲线进行一阶导数预处理,从而增强波谱曲线在波谱方面的辨识度:
式中i为波长值,根据波谱设备的参数决定,一般为可见光—短波红外波段(350~2500nm);Δi为波长增量;Ri为波长i处的反射率;MDRi为波长i和波长i+Δi的波段间的平均一阶导数反射率;
C.采用如下算式计算波谱曲线间的相似度S:
式中i为波长值,其范围为350~2500nm;为曲线A在波长i处的反射率;/>为曲线B在波长i处的反射率;
D.选择与围岩波谱曲线相似度最大的标准库波谱曲线所对应的物质成分作为围岩岩性:
E.提取结构面胶结物质的波谱曲线并进行物质识别,依据胶结物质的种类和BQ定性分级法,将结构面胶结物质识别为为无充填、钙质胶结、铁质胶结或泥质胶结。
4.根据权利要求3所述的非接触式围岩快速分区分级方法,其特征在于步骤S4所述的获取隧道现场的围岩岩石,进行不同含水量的波谱测试,拟合波谱特征与含水量关系模型,并从围岩波谱图像中提取得到围岩含水量信息,具体包括如下步骤:
a.获取隧道现场的围岩岩石,在实验室开展岩石不同含水量的波谱测试试验;试验时,选定的波段为1400±100nm和1900±100nm波段;
b.获得岩石在不同含水量情况下的波谱曲线在选定的两个波段的吸收特征参数数据;所述的吸收特征参数数据包括吸收峰峰值反射率和吸收峰图形面积;
c.对含水量和吸收特征参数进行数值拟合,得到含水量和吸收特征参数之间的关系模型c=f(P1,P2,A1,A2),其中P1和A1分别为1400±100nm波段吸收峰的峰值反射率和吸收峰面积;P2和A2分别为1900±100nm波段吸收峰的峰值反射率和吸收峰面积;
d.提取现场围岩波谱曲线两个选定的波段的吸收特征参数,并根据步骤c得到的关系模型,得到围岩的实际含水量。
5.根据权利要求4所述的非接触式围岩快速分区分级方法,其特征在于步骤S5所述的根据围岩数字图像,建立二维坐标系,拟合结构面的像素位置坐标,从而提取得到结构面参数,具体包括如下步骤:
(1)对围岩数据图像进行图像预处理,并提取结构面像素;
(2)以围岩数字图像的任一角点为原点,构建二维坐标系,从而得到结构面像素的各个像素点的位置坐标;
(3)根据步骤(2)得到的位置坐标,通过线性最小二乘法将结构面像素点拟合成直线,将相互平行的结构面作为一组,统计结构面组数;将直线表达式进行积分,得到每条结构面的长度l;由平行线距离公式计算每组结构面内相邻两条结构面之间的距离d;采用如下算式计算得到结构面平均间距R,再根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均间距:
式中m为结构面的组数;Wi为第i组结构面的平均间距权重,且其中lij为第i组结构面的第j条结构面的长度,j=1,2,...,ni,ni为第i组结构面所包含的结构面数量;Di为第i组结构面的平均间距,且dij为第i组结构面的第j条和第j+1条结构面间的间距,wij为第i组结构面的第j条和第j+1条结构面间的间距权重,且/>
(4)按照BQ法,将步骤(3)中平均间距最小的一组结构面作为主要结构面;将主要结构面中每条结构面所占的像素数量作为结构面面积A;采用如下算式计算得到结构面平均张开度S',并根据拍摄数字图像时选取的比例尺,还原得到真实的结构面平均张开度:
式中n'为结构面的数量;Ai为第i条结构面的面积;li为第i条结构面的直线长度。
6.根据权利要求5所述的非接触式围岩快速分区分级方法,其特征在于步骤S6所述的获取拍摄波谱和拍摄数字图像时的岩样并进行实验,获取单轴饱和抗压强度和岩体完整性系数,从而得到对应的围岩BQ分类等级,具体包括如下步骤:
拍摄波谱和数字图像,并采集现场岩样开展试验;对岩样进行饱水处理后在进行单轴压缩试验,测得岩样的饱和单轴抗压强度Rc;通过现场的岩体声波测试和室内岩块声波测试得到岩体完整性系数Kv;最后,计算得到围岩BQ分类等级BQ为BQ=90+3Rc+250Kv。
7.根据权利要求6所述的非接触式围岩快速分区分级方法,其特征在于步骤S8所述的采用智能学习算法对构建的隧道围岩快速分级数据库中的数据进行学习,并进行超参数调整,得到性能最优的围岩快速分级预测模型,具体包括如下步骤:
将数据库按照设定的比例划分为训练集和测试集;
采用训练集,对选定的若干种机器学习算法进行预测模型的训练;训练时,采用10折交叉验证法流出验证集,从而防止过拟合;训练过程中,利用网格搜索方法进行超参数调优,得到最优预测模型;将测试集数据输入最优预测模型中,观测最优预测模型在测试集上的表现;
最后,选定性能最优的围岩快速分级预测模型。
8.根据权利要求7所述的非接触式围岩快速分区分级方法,其特征在于步骤S9所述的获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并对掌子面进行分区,具体包括如下步骤:
获取隧道现场待分级的掌子面围岩的波谱数据和数字图像数据,并提取得到隧道现场待分级的掌子面围岩的围岩岩性数据和结构面胶结物质数据;
将隧道现场待分级的掌子面的底线的中垂线三等分,记靠近拱顶的三等分点为A1;从A1点向两腰作一条平行于隧道底线的直线l1;然后将隧道底线三等分,记靠近左拱腰的三等分点为A2,靠近右拱腰的三等分点为A3;从点A2向直线l1作垂线l2,从点A3向直线l1作垂线l3;直线l1、l2和l3将掌子面划分为左拱腰段、右拱腰段、中间段和拱顶段,共4个区域;
以岩性分界面为划分线,将掌子面进行第二次划分;
对两次划分交叉形成的区域进行整合:若存在某个区域面积小于掌子面总面积的则将该区域整合到相邻的岩性区域,从而得到最终的掌子面的分区区域;Q为设定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651738.9A CN115019171B (zh) | 2022-06-09 | 2022-06-09 | 非接触式围岩快速分区分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651738.9A CN115019171B (zh) | 2022-06-09 | 2022-06-09 | 非接触式围岩快速分区分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019171A CN115019171A (zh) | 2022-09-06 |
CN115019171B true CN115019171B (zh) | 2024-04-26 |
Family
ID=83073695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210651738.9A Active CN115019171B (zh) | 2022-06-09 | 2022-06-09 | 非接触式围岩快速分区分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019171B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258972B (zh) * | 2023-05-16 | 2023-08-01 | 四川安信科创科技有限公司 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
CN117710747B (zh) * | 2023-12-25 | 2024-05-14 | 中交路桥科技有限公司 | 隧道围岩快速分级方法、装置、电子设备及存储介质 |
CN117973044A (zh) * | 2024-02-04 | 2024-05-03 | 中南大学 | 一种隧道智能爆破设计方法及激光定位设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570292A (zh) * | 2016-11-14 | 2017-04-19 | 中建山东投资有限公司 | 一种基于超大断面隧道的围岩分级方法 |
CN113326854A (zh) * | 2021-06-18 | 2021-08-31 | 长沙理工大学 | 一种基于移动平台的公路隧道围岩分级方法 |
CN114355447A (zh) * | 2022-01-13 | 2022-04-15 | 中国安能集团第三工程局有限公司 | 一种隧道工程围岩等级快速划分方法及装置 |
-
2022
- 2022-06-09 CN CN202210651738.9A patent/CN115019171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570292A (zh) * | 2016-11-14 | 2017-04-19 | 中建山东投资有限公司 | 一种基于超大断面隧道的围岩分级方法 |
CN113326854A (zh) * | 2021-06-18 | 2021-08-31 | 长沙理工大学 | 一种基于移动平台的公路隧道围岩分级方法 |
CN114355447A (zh) * | 2022-01-13 | 2022-04-15 | 中国安能集团第三工程局有限公司 | 一种隧道工程围岩等级快速划分方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于多源遥感数据的变质岩区岩性识别研究;张登荣;韩贤华;吴文渊;路海峰;王海庆;王跃峰;;矿产勘查;20150928(第05期);全文 * |
施工阶段隧道围岩快速分级法;王睿;夏道洪;邓祥辉;康辰;张长胜;;科学技术与工程;20200218(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115019171A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
CN105938099A (zh) | 一种基于激光诱导击穿光谱的岩性判别方法及系统 | |
CN110967311B (zh) | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 | |
CN113946950B (zh) | 一种快速圈定金矿找矿靶区的方法 | |
CN109163997B (zh) | 一种基于声谱图深度学习的岩石表面强度测定方法 | |
CN110991075B (zh) | 一种金属矿产快速勘查评价方法 | |
CN110442666A (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN104047598A (zh) | 非均质古岩溶碳酸盐岩储层产能预测方法 | |
CN115761038B (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 | |
CN115330664A (zh) | 基于图像识别的围岩风化程度全自动识别方法及装置 | |
Taboada et al. | Evaluation of the quality of a granite quarry | |
CN115759816A (zh) | 一种寻找造山型金矿的方法 | |
US20240054766A1 (en) | Rock identification method, system and apparatus, terminal, and readable storage medium | |
CN110596778A (zh) | 一种热液型铀矿勘查方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN111028095A (zh) | 一种基于测井曲线的定量识别页岩岩相的方法 | |
CN111946397B (zh) | 一种现场评价掘进机掌子面岩土体完整性的快速方法 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
Abdi et al. | Estimation of mechanical properties of sandstones from petrographic characteristics using artificial neural networks (ANNs). | |
CN100485412C (zh) | 地震勘探野外采集过程的控制方法 | |
CN115046941A (zh) | 一种多尺度光谱测量的热液铀矿床蚀变分带识别方法 | |
CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 | |
CN116593407B (zh) | 一种稀土金属矿产快速勘查装置及方法 | |
CN114813632B (zh) | 一种岩石遇水强度软化的光谱学测量方法及系统 | |
CN117474340B (zh) | 用于地铁盾构施工沉降的风险评价方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |