基于支持向量機模型的隧道瓦斯危險性評價方法

何坤宸，蘇培東，紀佑軍

（西南石油大學 地球科學與技術學院，四川成都 610500）

0 引言

近年來，隨著我國地面空間資源的緊缺加劇以及交通運輸需求的不斷增加，交通線路在穿越山地、重丘以及城市區域時，不可避免要修建大量的隧道工程[1]。根據我國交通運輸部的統計，截至2020 年底，我國投入運營的鐵路和公路隧道共計38114 座。特別是近年來，隨著西部大開發政策的推進，我國隧道工程的發展極為迅速，僅2010—2020年期間，我國就興建鐵路隧道6998座，公路隧道4323 座（圖1）。

圖1 隧道數量統計圖

隨著我國隧道建設的不斷深入，各種安全問題日益突出，尤其是煤層瓦斯問題。有害氣體會通過各種構造和人工裂縫運移到隧道工區中[2]，并導致中毒、窒息、燃燒、爆炸以及煤與瓦斯突出等隧道工程事故[3]。比如Silvan 隧道在施工期間就發生了瓦斯燃燒事故，造成13 人受傷[4]。因此在隧道修建過程中，煤層瓦斯問題的嚴重性日益凸顯，尤其是龍潭組煤系地層，瓦斯保存條件好、分布范圍廣，對隧道的瓦斯危害十分嚴重。據統計，穿越該套地層的隧道被瓦斯侵染的概率達到了97.8%。然而目前針對龍潭組瓦斯隧道評價體系方面的研究卻很少，導致龍潭組瓦斯隧道的建設缺乏前瞻性，極大增加了隧道建設的成本以及施工的安全隱患。因此本文以既有的龍潭組瓦斯隧道案例為基礎，運用支持向量機的方法建立了一套科學有效、簡單精確的評估模型，對華南地區龍潭組隧道瓦斯危險性進行評價，以期為相關隧道工程的勘察設計及施工提供參考。

1 既有龍潭組瓦斯隧道統計分析

龍潭組瓦斯隧道廣泛分布，本文在現有公開資料的基礎上，統計了華南各省，包括各種類型的龍潭組隧道共92 座。對收集到的隧道工程信息進行歸納分析，結果見圖2、圖3。從圖2（a）中容易看出，龍潭組隧道所發育的不良地質類型多達15 種，其中以瓦斯災害最為突出，97.8%的龍潭組隧道都面臨著煤層瓦斯的危害。從隧道瓦斯等級來看，龍潭組隧道以高瓦斯隧道為主，有46 座，占總數的一半。瓦斯突出隧道與低瓦斯隧道的數量一樣，各22 座。最少為無瓦斯隧道，僅有兩座（圖2b）。

圖2 龍潭組隧道類別統計分析

如果從隧道所涉及的工程類別來看，圖3（c）資料顯示，我國在鐵路和公路領域內遇到的龍潭組煤層瓦斯問題尤其嚴重，相應類型的隧道占比達到97%（圖3a）。此外，根據圖3（a）、圖3（b）顯示，在有長度和埋深數據的樣本中，埋深500～1000m 的隧道占總數的94.6%，深度在100～500m 的隧道占總數的69.7%。

圖3 龍潭組瓦斯隧道長度、埋深、工程類別統計圖

可以看出，龍潭組瓦斯對隧道的危害比例高，且以高等級危害為主，所涉及的工程種類廣泛。如果按長度大于500m 為中、長隧道，埋深大于100m 為深埋隧道的劃分標準進行分類，則龍潭組瓦斯隧道主要為中長、深埋隧道，這對煤層瓦斯的治理非常不利。因此龍潭組瓦斯對隧道的危害十分嚴重，對龍潭組瓦斯隧道評價體系進行研究具有必要性。

2 指標選取

龍潭組隧道發生瓦斯災害的影響因素很多，本文在調查統計大量龍潭組瓦斯隧道案例的基礎上。基于真實性、主導性、可操作性、普遍性、定性定量相結合的基本原則，選取了以下6 個主要因素作為評價龍潭組瓦斯隧道危險性的指標。

2.1 隧道埋深

隨著埋深的增加，上覆蓋層的厚度越大，對煤層瓦斯的封閉效果就越好[5]，從而也就導致煤層中的瓦斯壓力和含量增加。但是由于煤層的儲氣能力有限[6]，隨著煤層埋深的不斷增加，煤層中瓦斯的含量漸漸達到飽和，瓦斯含量增加的梯度逐漸變小，最后趨于0（圖4）。證明煤層瓦斯含量與埋深的關系并非簡單的正線性關系，而是達到一定深度后煤層瓦斯含量會趨于一個穩定值。因此在一定深度內，隧道埋深越大，隧道瓦斯等級越高。

圖4 不同煤階的煤巖等溫吸附曲線

2.2 隧道長度

隧道長度主要對瓦斯防治措施的效果產生影響。一般來講，隧道越長瓦斯治理措施的效率就越低，并且瓦斯涌出量的大小也與隧道長度成正比。因此相同條件下，隧道越長，瓦斯災害也就越嚴重。

2.3 隧道穿越煤層厚度

煤層的厚度對瓦斯生成量的大小和瓦斯的保存條件有巨大的影響[7]。一方面，瓦斯是成煤過程中的伴生氣體，煤層厚度越大，所伴生的瓦斯就越多[8]。另一方面，煤層主要以黏土礦物等細粒物質為主，是一種優質的蓋層[9]，能夠對儲存在煤體中的瓦斯進行有效的封鎖，煤層厚度越大，對瓦斯的保存也就越有利。

2.4 噸煤瓦斯含量

根據《公路瓦斯隧道設計與施工技術規范》規定，噸煤瓦斯含量是指煤層在自然條件下，每噸煤（巖）中含有的瓦斯體積，是游離瓦斯與吸附瓦斯之總和，是煤層瓦斯賦存的兩個重要參數之一，能夠直接反應煤層對隧道的危險性。噸煤含量越大，則瓦斯涌出量越大，瓦斯對隧道的危險性等級就越高。

2.5 煤層瓦斯壓力

煤層瓦斯壓力對隧道的危害性極大[10]，在隧道瓦斯噴出、煤與瓦斯突出的發生、發展過程中都起著巨大的作用，鐵路和公路系統的瓦斯隧道相關規范中都將瓦斯壓力作為預測突出的主要指標之一。此外，瓦斯壓力的增大，還可以增大煤層的瓦斯含量。因此，瓦斯壓力越大，隧道所面臨的瓦斯事故風險就越高。

2.6 地質綜合評分

煤層瓦斯的形成、賦存和運移作用都是在一定的地質條件中進行的，地質條件的差異對龍潭組隧道的瓦斯危害程度造成重要影響。根據相關研究，影響龍潭組隧道瓦斯災害的地質因素主要有富煤帶、沉積環境、水文地質條件、構造烈度、地質構造、瓦斯風化帶埋深[11]，并且研究還基于模糊綜合評判法，對華南14 個區域中的地質條件對龍潭組瓦斯隧道的影響程度進行綜合評價，得到了14 個地質綜合評分。本文在此基礎上，依據龍潭組煤層和沉積相的分布特征以及各省行政區劃，將整個華南片區劃分為更加精細的24 個小區域（圖5），然后同樣依據模糊綜合評判法對各個區域內的地質因素進行綜合評分。圖5 中，括號內前一項表示評分排名，后一項表示所得評分。從結果可以看出，貴州西部地區得分最高，為0.722，說明該區域的地質因素對龍潭組隧道最為不利，容易導致瓦斯事故的發生。相反，區域9 的評價結果為0.428，為華南最低值，說明廣西省的地質因素最不利于龍潭組隧道瓦斯災害的發生。

圖5 華南各區域地質綜合評分結果圖

3 隧道瓦斯危險性預測SVM 模型

在現有的瓦斯隧道評價體系中，人為主觀因素始終影響較大，導致數據本身的信息和規律并沒有被充分挖掘。比如有研究在建立瓦斯隧道危險性評價體系的過程中，運用了層次分析、灰色關聯等方法來求解評價指標的權重，并利用綜合集成賦權法來減少人的主觀隨意性，但還是不能避免在評價體系中出現人的主觀認識[7]。而支持向量機分類模型是一種能夠充分利用小樣本數量，較好限制主觀隨意性的評價方法，能夠較好地解決以上問題[12]。因此針對龍潭組瓦斯隧道的特點，本文基于SVM 模型原理，對龍潭組瓦斯隧道的危險性進行評價。

3.1 模型原理

支持向量機的全稱為Support Vector Machine，是由Corinna Cortes、Vapnik 于1995 年在統計學基礎上提出的計算機學習方法[13]。通俗來講，其是一種廣泛應用于統計分類以及回歸分析中的廣義線性分類器[14]。SVM 的主要思想是在樣本空間中尋找一個最優超平面，使得該平面兩側的樣本點離該平面的距離最大化，從而對分類問題提供良好的泛化能力，根據樣本的可分性可以分為線性SVM模型和非線性SVM模型。在非線性模型中，還需引入核函數將低維空間中的樣本映射到高維空間中進行類別劃分。本文采用線性不可分SVM 模型，其具體原理如下所述。

圖6 支持向量機示意圖

3.2 數據集的建立

本文在收集到的92 座隧道中選取51 座信息相對較全面的龍潭組隧道作為數據集的樣本來源，其中瓦斯突出隧道18 座，高、低、無瓦斯隧道分別為17 座、14 座和2 座。每座隧道的信息包括隧道埋深、隧道長度、隧道穿越煤層厚度、噸煤瓦斯含量、煤層瓦斯壓力地質綜合評分等6 個特征值和1 個標簽值。其中，瓦斯突出隧道、高瓦斯隧道、低瓦斯隧道、無瓦斯隧道所對應的標簽分別取1、2、3、4。

為了提高模型的精準度和收斂速度，需要將數據集中不同量綱的數據統一到同一數量級下。本文采用SVM-SCALE函數（式6）對數據集進行縮放，縮放區間為[0，1]，數據處理后如表1 所示。

表1 樣本處理后各隧道數據值

水塘 0.190 0.116 0.405 0.447 0.100 0.890 2劉家莊 0.131 0.525 0.448 0.246 0.206 0.996 2城關 0.263 0.235 0.298 0.287 0.167 0.654 2南山 0 0.037 0.000 0.105 0.113 0.024 0.293 3袍子嶺 .180 0.448 0.124 0.153 0.051 0.608 3那磅鄉 0.118 0.220 0.148 0.049 0.041 0.459 3鐵盔山 0.005 0.357 0.417 0.114 0.012 0.996 3小壩一號 0.038 0.056 0.171 0.123 0.024 0.996 3云湖1 號 0.528 0.224 0.138 0.108 0.024 0.187 3中寨 0.074 0.239 0.202 0.054 0.036 0.459 3安理寨 0.103 0.084 0.133 0.064 0.029 0.459 3壇場 0.016 0.126 0.595 0.059 0.024 0.996 3舒家灣 0.005 0.020 0.357 0.074 0.029 0.996 3冷沙地 0.047 0.015 0.210 0.057 0.032 0.749 3兩山口1 號 0.000 0.000 0.076 0.043 0.024 0.996 3小槽灣 0.048 0.098 0.179 0.046 0.027 0.459 3修文 0.024 0.060 0.310 0.067 0.029 0.459 3梅花山 0.680 0.985 0.000 0.000 0.000 0.187 4晴隆 0.303 0.131 0.000 0.000 0.000 0.996 4

4 結果與討論

在建立支持向量機模型的過程中，參數cost（c、懲罰系數）和gamma（g）的選取至關重要。本文引入K 折交叉驗證法（K-fold Cross Validation）來尋找最佳c、g 值。該方法可以有效避免過學習以及欠學習狀態的發生，最后得到的結果也比較具有說服力。

在實驗過程中，本文在2-4到24變化范圍內尋找最優參數c 和g，“V”值取3 即進行3 折交叉驗證。cstep 和gstep 都取1，即參數c 和g 的進步大小都取1，最后顯示準確率圖時的步進大小（accstep）取4.5，核函數其余的值都取默認值。為了使得訓練集樣本充足，本文在表1 中隨機抽出10 座瓦斯突出隧道、9 座高瓦斯隧道、7 座低瓦斯隧道以及2 座無瓦斯隧道作為模型的訓練集，其余樣本外加一座無瓦斯隧道作為測試集。經過3 折交叉檢驗，結果發現當c=2，g=1 時，支持向量機得到的3 折交叉驗證最佳分類準確率為86.2069%，測試樣本的精確度為91.6667%，24 個測試樣本中，有22 座隧道的瓦斯等級被該模型準確判斷。具體試驗結果見圖7。

圖7 龍潭組瓦斯隧道評價模型運算結果圖

從模型的測試結果來看，該模型對瓦斯突出隧道和低瓦斯隧道的分類準確率為100%，測試集中的8 座瓦斯突出隧道和7 座低瓦斯隧道全部被準確分類；高瓦斯隧道的分類準確率為87.5%，8 座高瓦斯隧道中有7 座被準確分類；而無瓦斯隧道的則較低，這可能是由于訓練集中的無瓦斯隧道樣本數量過少所導致的。因此總的來說，除去無瓦斯隧道以外，該模型能夠對龍潭組瓦斯隧道的危險性級別做出可靠的判別。

5 結論及建議

（1）龍潭組隧道涉及的工程領域廣泛，主要以中、長的深埋隧道為主。隧道發育的不良地質類型多達15 種，其中以瓦斯災害最為突出，在隧道中的發生率高達97.8%，并且以高瓦斯和瓦斯突出風險為主。

（2）基于真實性、主導性、可操作性、普遍性、定性定量相結合的基本原則，統計分析出影響龍潭組隧道瓦斯災害危險性的指標主要包括隧道埋深、隧道長度、穿煤厚度、噸煤瓦斯含量、煤層瓦斯壓力、地質綜合評分。

（3）基于支持向量機的相關理論，建立了針對龍潭組隧道瓦斯災害危險性評價的模型。該模型的最佳分類準確率為86.2069%，測試集對該模型的檢驗結果顯示，該模型的準確率達到了91.67%，能夠對龍潭組瓦斯隧道的危險性級別做出可靠的判別。

由于已有的關于龍潭組無瓦斯隧道的記錄較少，導致本文中無瓦斯隧道的訓練樣本過少，從而最終得到的SVM 模型對無瓦斯隧道的判別準確率一直不高。因此后續可以進一步加大對這方面資料的收集，使得瓦斯突出、高瓦斯、低瓦斯、無瓦斯隧道樣本達到平衡，進一步提高模型對無瓦斯隧道的判別精準率。