智能算法在隧道圍巖分級判別中的應用研究

劉爽 呂春 屈恩相 鄧琳 張彥明

(齊齊哈爾大學 建筑與土木工程學院，黑龍江 齊齊哈爾 161006)

隧道圍巖是指隧道在開挖過程中對隧道整體結構穩定性造成一系列影響的部分巖體。由于隧道所處的地質條件復雜多樣，巖體的種類也各不相同，為保障后續的施工安全、提供合理地設計依據、達到合理、安全、經濟的工程目的，則需要對隧道圍巖進行精確地分析判別。早期的隧道圍巖分級判別常采用TSP系統，但這種方法需要依賴勘察人員的以往經驗，因而受人為因素影響較大。RMR法和BQ系統也可應用于隧道圍巖的分級判別，但這些判別法在實際應用時存在判別距離較短和指標取證困難等問題。常見的貝葉斯判別法、距離判別法和聚類分析等方法也在隧道圍巖分級判別中得到應用，但是這些方法的判別指標要在巖體揭露后才可得到，因而缺乏預見性。

由于影響隧道圍巖分級的指標非常多，其中既有定量指標，又有定性指標，各個指標之間的關系難以用數學公式表達出來，使得構建分級評價體系產生一定的難度，成為一個非線性的復雜模糊問題。近年來，隨著網絡技術和人工智能的快速發展及應用，智能算法憑借其處理非線性且少量參數的優勢，被廣泛的用于隧道圍巖的分級判別。簡述了智能算法的基本原理以及常見算法；歸納總結了隧道圍巖分級判別模型構建的一般思路；通過分析不同算法模型的判別精確度，對智能算法在隧道圍巖分級判別中的應用進行總結與展望。

1 智能算法

智能算法是指受生物界規律的啟發，依據其原理進而模仿求解問題的一類算法。智能算法的基本思想就是利用仿生原理進行設計（包括設計算法）并解決問題。智能算法的內容十分豐富，常見的包括人工神經網絡、遺傳算法、模擬退火算法以及群體智能算法等。

1.1 人工神經網絡算法

人工神經網絡（ANN）是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統。最早由心理學家McCulloch、數學家Pitts提出了人工神經網絡的第一個數學模型，從此開創了神經科學理論的研究時代。隨后，FRosenblatt、J.J.Hopfield和Widrow等學者又在此基礎上提出了感知機模型，令人工神經網絡算法得到蓬勃發展。人工神經網絡的優點有：信息處理能力強，在輸入變量模糊和不完全的情況下，仍可正確的進行推斷；魯棒性強，當算法中出現個別神經元失效時，不會對后續工作產生影響；非線性處理強，可突破傳統電子計算機線性處理數據的局限，可處理大量復雜的非線性工程數據。常見的人工神經網絡算法包括：誤差逆傳播神經網絡、競爭型神經網絡和Hopfield神經網絡。

1.2 遺傳算法

遺傳算法（Genetic Algorithms）是基于生物進化理論的原理發展起來的一種應用范圍廣且高效的隨機搜索算法。遺傳算法能夠直接對結構對象進行操作，因此可以不受函數連續性的限定，并且能夠利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。遺傳操作包括選擇、交叉及變異。遺傳算法的一般步驟如下。

1）隨機產生種群；2）根據具體策略判斷個體的適應度值，能否符合優化得準則，如果符合，則得出最佳個體及最優結構。如果不符合，則進行下一步；3）根據適應度值選擇父母，適應度高的個體容易選中，那么適應度低的個體將被淘汰；4）利用父母的染色體按照參照一定的規則進行交叉，生成子代；5）最后對子代得染色體進行變異。

主要特點有以下幾方面。

1）算法求解問題的覆蓋面很大，適合用于全局尋優問題；能夠同時處理群體當中的多個個體，降低了算法陷入局部最優解的風險，易于實現并行化；2）利用適應度函數評價個體，可以任意設定其定義域，使得應用范圍十分廣泛；3）算法不采用預先的確定規則，利用概率的變化指引尋優的方向；4）算法的搜索不依賴于梯度信息，具有較好的自適應性和自組織性和自學習性，因而廣泛的應用于工程領域和復雜問題的優化。

雖然遺傳算法適應能力較強，但仍會存在執行效率較低，且收斂過早的缺點，并且在可行度、計算精度以及復雜性方面還未找到有效的定量分析辦法。

1.3 模擬退火算法

模擬退火算法（Simulated Annealing，SA）最早的基礎思想是由N.Metropolis等人在20世紀50年提出。后來在1983年，S.Kirkpatrick等人成功地將模擬退火思想引入到組合優化的相關領域。它是基于Monte-Carlo迭代求解策略的一種隨機尋優算法，是基于物理中固體物質的退火過程與一般組合優化問題之間的相似性而提出的優化算法。它屬于啟發算法的一種，并在其搜索過程引入了隨機因素，在迭代更新可行解時，以一定的概率來接受一個比當前解還要差的解，因此可能會跳出這個局部的最優解，進而得到全局的最優解。以圖1為例，假定初始解為左邊藍色點A，模擬退火算法可以快速的搜索到局部最優解B，但在搜索到局部最優解后并未結束搜索，而是以一定的概率繼續向左邊移動，經過幾次不是局部最優的移動后會到達全局最優解D，搜索就跳出了局部最優解，得到全局最優解。

圖1 模擬退化算法迭代

1.4 群體智能算法(Swarm Intelligence)

群體智能算法（Swarm Intelligence）由Gerardo Beni和Jing Wang在20世紀80年代年首次提出。是通過對社會性昆蟲的模擬進而挖掘對于傳統問題的全新解決辦法，其核心思想就是將若干個簡單的個體構成一個群體，并讓個體之間通過合作、競爭、交互與學習等方式表達出高級和復雜的功能，且在缺少局部信息和模型的條件下，仍可以進行復雜問題的求解。群體智能優點包括：1）群體中個體是分布式，可以更好的適應網絡環境下的工作狀態；2）算法的魯棒性非常強，沒有集中的控制約束，不會受個別故障而影響后續整體工作；3）個體間可以通過非直接通信進行合作，因而算法擁有更好的可擴充性；4）智能算法能夠并行分布式算法模型，可充分利用多處理器，且對求解問題得定義無連續性要求；5）算法的個體的能力十分簡單且執行時間比較短，因而算法實現也比較簡單。在群體智能算法中較為常用的是模擬鳥群覓食行為的粒子群算法（Particle Swarm Optimization，PSO）和模仿螞蟻群體采食的蟻群算法（Ant Colony Optimization，ACO）。

2 分級判別模型的構建思路

構建隧道圍巖分級判別模型的具體流程如圖2所示，一般步驟如下。

Step 1：收集與整理隧道圍巖工程樣本數據；

Step 2：依據圍巖特點確定分級判別特征指標；

Step 3：對樣本數據標準化處理；

Step 4：確定合適的算法模型并初始化算法參數；

Step 5：將處理好的樣本數據帶入模型中訓練；

Step 6：判別結果與實際分級做對比分析；

Step 7：當訓練精度滿足預期值時得出判別模型，否則重新調整算法參數返回Step 5重新進行訓練；

Step 8：帶入測試樣本數據進行驗證，如若驗證結果滿足訓練精度則確定分級判別模型，否則返回Step 4中重新選擇合適的算法訓練模型，直至滿足精度要求時確定最終的分級判別模型。

圖2 分級判別模型的一般流程

3 智能算法在隧道圍巖分級判別中的應用

3.1 單一算法分級判別

隨著計算機技術的快速發展，智能算法在隧道工程中得到了廣泛地探索與應用，其中較為常見的有BP神經網絡、遺傳算法、灰色系統理論以及支持向量機等。劉軍通過分析研究工程地質條件，將巖石單軸抗壓強度和不連續結構面狀態及充填等5個因素作為評價指標，在此基礎上構建BP神經網絡公路隧洞圍巖分類模型，并取得良好的分級效果，為今后公路工程隧道圍巖的快速分類提供了可靠依據。何新成通過交叉驗證設計LIBSVM模型，借助尋找最優參數的方法對現場勘測的30組隧道圍巖數據樣本進行學習，7組隧道圍巖數據樣本進行預測，同時對比了其他分級判別辦法，結果表明：利用LIBSVM算法對隧道圍巖分級地準確率可達100%，可以較好地用于圍巖分級。馬俊杰將大量隧道圍巖分級數據作為多分類SVM的訓練學習樣本，建立多分類SVM隧道圍巖分級模型，最后實現不同地質條件下的圍巖分類的合理分級。許騰在隧道圍巖分級判別時引入模糊數學法，運用層次分析法對各因素指標進行分析與調整，建立相應的隸屬度函數，并確定其相應的模糊權重，最終建立公路隧道圍巖分級的模糊綜合評判模型。易文豪立基于SVM和神經網絡的大斷面巖質隧道掌子面圍巖分級模型，采用同樣的數據對比3種模型性能，分級結果表明：相比于神經網絡分級模型，選用SVM模型能夠在樣本數量較少情況下得到更高地分級精確度，平均準確度為87.9%。梁永忠結合六類圍巖評價指標，構建HRNet卷積神經網絡隧道圍巖智能分級模型，結果表明：該模型可以在樣本數量較少的條件下很好地提取特征指標，避免了機器學習對隧道圍巖分級樣本質量要求較高得問題，使分級結果更加準確。

3.2 組合算法分級判別

由于對智能算法的研究日漸深入，更多學者發現組合的智能優化算法比單一算法的隧道圍巖分級判別更加貼近真實情況。張峰瑞提出了基于DE-BP模型的隧道圍巖分級模型，并利用VTK技術、三維地質建模方法及數據庫技術編寫隧道圍巖分級軟件，進行圍巖等級可視化顯示與施工方案的不斷調整，結果表明：DE-BP模型的均方差明顯小于未經優化地BP神經網絡，分級精度顯著提高，更加適用于隧道圍巖動態分級。江勇順綜合運用VLBP和MOBP神經網絡技術，分別構建了不同巖質地隧道圍巖級別判定方法，經過應用表明，該圍巖分級方法得到的判別結果具有較高的精確率。李赤謀運用三維重建、圖像拼接、Unet神經網絡等技術，實現基于巖體完整性和強度特征的隧道圍巖級別快速評價法，研究結果表明：該圍巖分級結果更符合現場實際情況，具有良好的應用性。汪學清將K折交叉驗證與SVM相結合，依據TSP303系統確定判別指標并建立隧道圍巖判別指標體系，選取40組樣本數據訓練模型、10組樣本數據測試模型，分級結果表明：10組樣本中僅1組樣品判別錯誤，準確率達到90%，為隧道圍巖的分級判別提供了新方法。

4 結語

與傳統的隧道圍巖分級判別法相比，智能算法可以處理復雜的非線性圍巖工程數據，避免了判別過程中人為因素和小樣本情況的影響，提高了分級判別精度。單一算法由于自身的限制在判別結果上表現一般。因此，通過組合其他算法，揚長避短，進而提高判別模型的精確度。

隧道圍巖分級判別的意義在于如何借助新興發展技術省時省力的得到復雜地質條件下隧道圍巖的等級。因而我們可以從兩方面進行展望：1）隧道圍巖的分級判別需要借助于大量的已建隧道工程數據，建立系統而全面工程數據庫可以為我們的研究提供良好的數據基礎；2）深度學習作為智能算法的研究熱點，被廣泛的應用，但其在隧道圍巖分級判別上的應用還并未得到深入挖掘。因此，可以借助其在特征指標和數據處理上優勢，將其應用于隧道圍巖分級，以實現判別精度的進一步提升。