基于質量指標的隧道圍巖智能分級及精益建造研究

基金項目：重慶市教委科學技術研究項目（KJZD-M202204001）；重慶市九龍坡區基礎研究與成果轉化類科技計劃項目（2022-02-001-Z）

第一作者簡介：王悅（1973-），女，高級工程師。研究方向為土木工程。

*通信作者：王清江（1973-），男，碩士，教授級高級工程師。研究方向為土木工程、綠色智能建造、現代交通運輸。

DOI：10.19981/j.CN23-1581/G3.2024.21.001

摘" 要：隧道工程圍巖級別的準確判識是圍巖穩定性評價及隧道開挖精益支護的基礎。圍巖質量指標是圍巖級別評判的依據，由于圍巖質量指標計算包括定性與定量因素，存在定性指標難以準確評定，圍巖級別精準評價困難的問題。采用圍巖質量指標分級法與機器學習算法融合構建圍巖智能分級軟件系統，量化分析圍巖分級質量指標要素，數值法求解圍巖質量指標，圍巖級別判定卡采集圍巖要素，卡片信息軟件系統自動識讀、自動分析，快速判定圍巖級別，精準確定支護參數，動態優化原支護設計方案。研究成果在3項隧道工程中實踐應用，實現隧道圍巖精準分級、精益支護建造的目標。

關鍵詞：隧道；質量指標；圍巖分級；精益建造；智能建造

中圖分類號：U455" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）21-0001-07

Abstract： Accurate identification of surrounding rock level in tunnel engineering is the foundation of surrounding rock stability evaluation and tunnel excavation lean support. The quality index of the surrounding rock is the basis of the evaluation of the surrounding rock grade. Since the calculation of the quality index of the surrounding rock includes qualitative and quantitative factors， it is difficult to evaluate the qualitative index accurately and evaluate the surrounding rock grade accurately. The intelligent surrounding rock classification software system is constructed by combining the surrounding rock quality index classification method and the machine learning algorithm， the surrounding rock classification quality index elements are analyzed quantitatively， the surrounding rock quality index is solved by numerical method， and the surrounding rock quality factors are collected by the surrounding rock grade determination card. The card information software system can automatically read， analyze and determine the grade of surrounding rock quickly， accurately determine the support parameters and dynamically optimize the original support design scheme. The research results have been applied in three tunnel projects to achieve the goal of accurate classification of tunnel surrounding rock and lean support construction.

Keywords： tunnel; quality index; surrounding rock classification; lean construction; intelligent construction

我國交通強國戰略的實施，大量的鐵路公路主干線及城際交通工程開工建設，尤其是我國路網相對不足的西部地區，隨著我國經濟增長“第四極”的打造和成渝地區雙城經濟圈的規劃建設，川藏線等一批國家重大工程投入建設。我國西部多為山嶺丘陵地貌，隧道工程成為穿山越嶺的重要工程設施，同時，我國城市的快速發展，推動了城市地下工程的建設?，F階段我國隧道及地下工程的規模和數量都得到了飛速發展，已成為名副其實的隧道大國。據統計，截至2020年底，全國鐵路運營里程達14.6萬km，其中，投入運營的鐵路隧道共計16 798座，總長約19 630 km，含高速鐵路隧道3 631座，總長約6 003 km[1]；公路隧道方面，截至2017年底，全國投入運營隧道共計16 229座，總里程15 285 kｍ[2]；城市隧道方面，到2021年末，全國有28?。ㄗ灾螀^、直轄市）661個城市中，82座城市建設有城市道路隧道，共計406座城市道路隧道建成通車。

伴隨著隧道工程的大規模建設，我國隧道工程建設理論和方法也得到了長足發展，逐步形成了以圍巖穩定性控制為基礎，以圍巖應力釋放與變形約束協調為出發點，以隧道襯砌為安全儲備，強化圍巖與初期支護協同作用的中國式隧道建設法[3-4]。該方法以圍巖質量評價精準分級為前提，在準確判識圍巖級別及穩定性基礎上，精益施作初期支護以使圍巖應力釋放與變形約束協調。但現階段圍巖的質量評價多為定性指標，受作業人員經驗、技術水平影響，隧道開挖揭示圍巖質量難以準確判定。針對此問題，國內外眾多的專家學者開展了研究，其研究核心思想是：借助神經網絡等機器學習技術，通過隧道施工過程鉆孔參數、圍巖變形等參數，開展機器訓練，映射得到相應參數與圍巖分級關系，進而預測判識圍巖級別，指導隧道開挖支護施工。在施工參數選擇上包括單一參數及組合參數2類。

單一參數主要有：一是隧道鉆孔參數。文獻[5-9]通過采集隧道鉆孔施工時鑿巖臺車鉆孔參數，包括鉆桿推進速度、推進壓力、鉆頭沖擊壓力、鉆桿回轉壓力、水壓力和水流量參數等，構建不同圍巖級別樣本庫，通過神經網絡機器學習技術，建立鉆孔參數與圍巖分級關系，預測隧道圍巖級別，評價圍巖質量；文獻[10]采取超前鉆孔參數識別預測圍巖分級方法，通過機器學習訓練錯誤率在14%以內。二是隧道開挖掌子面圖像參數。文獻[11]采用雙目立體攝影測量方法拍攝隧道掌子面圖像；文獻[12]采用紅外攝像技術拍攝掌子面圖像，再借助神經網絡技術分析識別掌子面巖體的結構面及完整程度，通過樣本訓練，預測分析隧道掌子面處的圍巖質量及穩定性。三是隧道圍巖變形參數。文獻[13]采用BP神經網絡技術，通過圍巖收斂及拱頂沉降變形分析判識圍巖的分級及質量；文獻[14]基于遺傳算法和神經網絡技術建立圍巖反演參數與圍巖位移之間的映射關系。

組合參數包括：隧道鉆孔參數與掌子面圖像組合及多源參數組合2類。文獻[6]提出了采集鑿巖臺車鉆孔參數與掌子面圖像融合分析進行隧道圍巖亞分級，優化隧道支護參數的方法；文獻[15]提出了多源異構地質信息的圍巖智能判識方法，將地質超前預報、攝影測量、超前鉆孔參數信息融合，相互印證，基于多種圍巖分級標準，如Q分級法、BQ分級法、RMR分級法等，借助神經網絡技術將傳統圍巖分級方法與現代信息技術相結合用于圍巖分級。在隧道圍巖智能識別基礎上，有研究人員開展了圍巖識別與施工工法相關聯的研究，用于指導隧道施工建設，文獻[16]基于BP神經網絡技術，將圍巖分級與施工工法的智能選擇對接，將不同圍巖分級與長臺階、短臺階、超短臺階、單側壁導洞和雙側壁導洞工法相對應，在圍巖智能識別基礎上推薦選取相應施工工法；文獻[17]介紹了水利工程中圍巖智能感知方法，基于機器學習算法，實現了多種圍巖智能分級。

上述研究，無論是單一參數法還是組合多參數預測隧道圍巖分級法，在特定的工程項目及施工環境下均取得了一定成效，但由于隧道工程分布地域、自然環境的差異，致使隧道工程穿越的圍巖存在極大隨機性和不確定性，加之參數采集的局限性，無論是鉆孔鑿巖臺車的選型和作業，還是圖像采集的質量，都對隧道圍巖分級預測產生著較大的影響，因此，上述研究成果適用性不足，難以推廣應用。本文以隧道圍巖傳統BQ分級方法為基礎，分析研究關鍵要素，將定性描述轉變為定量分析，并借助神經網絡算法，研發圍巖分析平臺系統，實現信息卡自動識別，BQ值自動計算，圍巖智能分級，隧道支護參數動態優化和隧道的精益建造。

1 現階段隧道圍巖工程分級現狀及存在問題

現階段，隧道工程設計圍巖分級主要依據勘察鉆孔、地形地貌分析、工程地質調查等信息，結合經驗預測隧道穿越山體的地質情況，由于成本等原因，勘察鉆孔不可能密集布置，圍巖分級預測與開挖揭示情況不可避免地會存在差異，設計單位也經常笑談說是“一孔之見”，言外之意就是由于信息量有限，圍巖判定不精準也是再所難免。而隧道施工一切以圖紙為主，隧道開挖揭示的圍巖實際情況并未應用到設計優化上，業主方在沒有明確變更設計圖紙情況下，只能要求施工單位照圖施工。而施工圖紙中圍巖分級預測存在差異從而造成了隧道支護措施及施工工法的偏差，此偏差若為正偏差（質量好的圍巖判定為較差的）則增強支護措施，增加了工程建設成本，若為負偏差（質量差的圍巖判定為較好的），可能因支護不足而出現隧道圍巖掉塊坍塌從而引起安全問題。同時，隧道開挖時由于圍巖判識技術方法不足、從業人員技能不夠、圍巖質量評價指標定性化難以準確判定等原因致使圍巖分級真實質量情況難以精準評價。于是，現階段隧道開挖施工多處于照圖施工，動態優化設計支護基本未開展，只有在支護出現變形過大難以滿足需要時才被動提出變更設計要求，從而造成了隧道開挖后圍巖質量較好地段采用了強支護，圍巖差的地段支護強度又不足等問題，既造成了國家資源的嚴重浪費，又給隧道施工、運營埋下了安全隱患。因此，快速準確判定隧道開挖掌子面圍巖級別，動態優化隧道設計支護措施研究已非常緊迫且必要。

2" 隧道開挖圍巖智能分級及精益支護技術

2.1" 隧道圍巖分級質量指標的關鍵影響要素及量化分析

2.1.1" 隧道圍巖分級質量指標的關鍵影響要素分析

現階段，國內外隧道圍巖分級方法均有多種，考慮因素不盡相同。國外圍巖分級方法包括普氏巖石堅固性系數分級法、太沙基圍巖分級法、RQD圍巖分級法、巖體質量法（Q法）和地質力學分級系統（RMR）等，各種不同圍巖分級方法考慮的因素雖有差異，但圍巖分級主要要素涉及3項：巖石強度、巖體完整性及地下水[18]，前2項為主要指標，所占權重較大。國內鐵路工程、公路工程、水利水電工程等圍巖分級方法多達20多種[3-4，19]，經統計分析，國內圍巖分級考慮的主要指標同國外方法基本一致，現階段我國鐵路、公路及水工隧道工程等圍巖分級標準均以圍巖巖體的質量指標作為穩定性分析及質量評價的依據，圍巖分級中考慮的關鍵要素包括巖石堅硬程度、巖體完整程度2項基本要素，并以地下水狀態、結構面狀態、初始地應力狀態3項要素作為圍巖分級修正要素。

2.1.2" 隧道圍巖分級質量指標關鍵要素量化分析

1）圍巖分級基本質量指標BQ。隧道圍巖分級質量指標包括基本質量指標及基本質量指標修正，圍巖分級基本質量指標BQ涉及的關鍵要素包括：巖石堅硬程度和巖體完整程度2個基本因素[3-4]，圍巖分級基本質量指標BQ計算見公式（1）

BQ=100+3Rc+250Kv ， （1）

式中：Rc為巖石單軸飽和抗壓強度，MPa；Kv為圍巖完整程度指數，可根據圍巖的完整性對應得出。巖石堅硬程度采用巖石單軸飽和抗壓強度Rc表示，可采取現場鉆芯取樣實測得出數量值。

圍巖的完整程度分為完整、較完整、較破碎、破碎和極破碎5個級別，在規范中已給出了對應圍巖完整程度指數Kv取值范圍。圍巖完整程度影響因素包括：結構面發育程度、主要結構面結合程度、主要結構面類型和相應結構類型4個要素，4個要素中除結構面發育程度為定性定量結合描述要素外，其余為定性描述要素，因主要結構面類型要素中定性描述在施工現場不便辨識，且描述比較模糊，因此，對該要素不做考慮，僅對其余要素進行量化分析。各要素量化分解方法如下。

結構面發育程度定性描述分為不發育、較發育、發育、很發育和無序5種程度，量化賦值分別為5、4、3、2、1，對應結構面組數和平均間距2個指標。結構面發育程度量化分析見表1。

表1" 結構面發育程度量化分析表

主要結構面結合程度要素中定性描述分為4種情況：好、一般、差和很差，對每一種結合情況對應量化賦值分別為4、3、2、1，用于計算求解圍巖完整程度指數Kv。主要結構面結合程度量化分析見表2。

表2" 主要結構面結合程度量化分析表

相應結構類型要素中定性描述分為4種情況：整體狀或巨厚層狀結構、塊狀或厚層狀結構、裂隙塊狀或中厚層狀結構、碎裂（散體）或薄層狀結構。每一種結構類型對應量化賦值分別為4、3、2、1。相應結構類型量化分析見表3。

表3" 相應結構類型量化分析表

圍巖完整程度指數Kv選取。在前述要素量化分析基礎上，可對應計算出不同圍巖完整程度情況的量化賦值累計數值，進而對應選取圍巖完整程度指數Kv數值，實現定性描述指標轉變為定量指標，求解得到數值解。圍巖完整程度指數Kv對應不同的完整程度，其值為一個值域范圍，為后續便于計算，取值域范圍的中值作為數值解。圍巖完整程度指數Kv量化分析見表4。

圍巖分級基本質量指標BQ依據公式（1）計算，將巖石單軸飽和抗壓強度Rc及圍巖完整程度指數Kv數值代入公式即可求得BQ值，并可對應求解圍巖的基本分級。

2）圍巖分級基本質量指標修正。圍巖分級在基本分級基礎上，綜合考慮地下水狀態、結構面狀態、初始地應力狀態3項要素的影響，求得圍巖分級基本質量指標修正[BQ]，最終確定圍巖的亞分級。圍巖分級基本質量指標修正[BQ]見公式（2）

[BQ]=BQ-100（K1+K2+K3） ， （2）

式中：[BQ]為圍巖分級基本質量指標修正值；BQ為圍巖分級基本質量指標值；K1為地下水影響修正系數；K2為主要軟弱結構面產狀修正系數；K3為初始地應力影響修正系數。

圍巖分級基本質量指標修正要素量化分析方法如下。

地下水影響修正系數K1影響因素包括地下水出水狀態和圍巖分級基本質量指標BQ兩個要素，地下水出水狀態分為3種，對應量化賦值3、2、1，圍巖分級基本質量指標BQ對應值域范圍劃分為5種，對應量化賦值5、4、3、2、1。2個要素疊加，求得不同工況下的賦值累加值及對應的地下水影響修正系數K1的值域范圍，如圖1所示。為便于計算，對應規范中地下水影響修正系數K1值域范圍，取值域范圍的中值作為數值解，地下水影響修正系數K1的數值解見表5。

表5" 地下水影響修正系數K1與賦值對應表

主要軟弱結構面產狀修正系數K2影響要素為結構面產狀及其與洞軸線的組合關系，其量化分析及數值解見表6。

表6" 主要結構面產狀影響修正系數K2量化分析表

初始地應力影響修正系數K3影響因素包括初始地應力狀態和圍巖分級基本質量指標BQ 兩個要素，初始地應力狀態分極高地應力及高地應力2種情況，圍巖分級基本質量指標BQ對應值域亦分為2種情況，2個要素量化賦值及疊加累計計算方法同前，但2個要素量化賦值疊加后與規范中K3值域缺乏明顯規律，依經驗法取初始地應力影響修正系數K3數值解見表7。

表7" 初始地應力狀態影響修正系數K3量化分析表

注：Rc－巖石單軸飽和抗壓強度，MPa；qmax-垂直隧道洞軸線方向的最大初始地應力值，MPa。垂直隧道洞軸線方向的最大初始地應力值qmax可根據TB 10003—2016《鐵路隧道設計規范》計算。

圍巖分級基本質量指標修正[BQ]依據公式（2）計算，將圍巖分級基本質量指標BQ、地下水影響修正系數K1、主要軟弱結構面產狀修正系數K2和初始地應力影響修正系數K3代入公式求得[BQ]，以此對應求解圍巖的亞分級，見表8，該表依據TB 10003—2016《鐵路隧道設計規范》確定，公路及水利水電等隧道工程可參見相應規范對應求解。

表8" 隧道圍巖亞分級表

2.2 基于質量指標隧道圍巖智能分級系統

2.2.1 圍巖智能分級系統構建

按照上述隧道圍巖分級質量指標各要素量化分析求取質量指標邏輯，構建圍巖分級智能系統，應用復合前饋神經網絡建立圍巖分級模型，采用樣本庫對模型進行訓練，利用機器學習開源框架編寫圍巖智能分級軟件系統。技術路線如圖2所示。

2.2.2 樣本采集及樣本庫構建

1）圍巖分級基本質量指標要素采集。收集不同巖性，如灰巖、白云巖、砂巖、頁巖及泥巖等信息，在隧道施工現場開展巖石單軸飽和抗壓強度Rc試驗采集、結構面發育程度、主要結構面結合程度、主要結構面類型和相應結構類型等要素參數。

2）圍巖分級基本質量指標修正要素參數采集。在隧道施工掌子面采集隧道施工的地下水出水狀態參數，并在掌子面處測試圍巖結構面狀態參數，并依照施工圖隧道掌子面處埋深計算垂直隧道洞軸線方向的最大初始地應力值qmax，進而計算Rc/qmax比值，判定掌子面處的初始地應力狀態是否處于極高地應力或高地應力狀態，從而采集得到地下水狀態、結構面狀態、初始地應力狀態3項要素參數。

3）通過各要素參數采集，構建不同巖性的訓練樣本數據庫。

2.2.3 基于質量指標隧道圍巖智能分級模型

基于圍巖分級基本質量指標和質量指標修正邏輯建立一個圍巖基本智能分級模型與圍巖亞級分級模型的復合模型，如圖3所示。圍巖基本智能分級模型網絡層數為5層，1個輸入層、1個輸出層、3個隱含層，其中輸入層4個節點，對應4個要素參數；圍巖亞級分級模型復合模型網絡層數為5層，1個輸入層、1個輸出層、3個隱含層，其中輸入層4個節點，3個對應3個要素參數，另外1個為圍巖基本智能分級模型輸出的數值，經修正后的[BQ]對應輸出圍巖分級。

圍巖智能分級系統輸入信息采用圍巖級別判定卡采集相應要素信息，該信息采集卡采取選項式，對應各要素不同狀態，施工現場采取勾選方式選擇對應選項，信息卡填寫完成后，拍照錄入圍巖智能分級系統，系統自動識別各要素信息，并按前述圍巖分級邏輯分析計算圍巖質量指標，輸出圍巖級別信息。圍巖級別判定如圖4所示。

2.3" 基于圍巖智能分級的隧道精益支護技術

在隧道圍巖準確分級基礎上，按標準化設計原則，對應查找隧道標準圖相應支護參數，提出建議支護參數，并與施工圖支護參數對比，分析施工圖支護參數是否可行，根據對比結果判定是否需要優化設計?；趪鷰r智能分級的隧道精益支護技術路線如圖5所示。

3" 隧道圍巖智能分級及精益支護實踐應用

應用工程項目：新建重慶至黔江鐵路木涼山隧道，長9 767 m，設計速度350 km/h，隧道最大埋深287 m，洞身穿越地層巖性為泥巖、泥巖夾砂巖、砂巖、泥質灰巖、白云巖和灰巖等。

新建重慶至萬州高速鐵路，香山隧道長2 117 m，任家山隧道長4 010 m，設計速度350 km/h，軌上凈空斷面100 m2，隧區為丘陵地貌，地形起伏不大，相對高差10～100 m。香山隧道埋深180～350 m，隧道穿越地層巖性為粉質黏土、泥巖夾砂巖、砂巖等；任家山隧道埋深220～375 m，隧道穿越地層巖性為黏土、泥巖、泥巖夾砂巖、砂巖和頁巖等。

在2個應用工程項目3個隧道工程鉆爆開挖施工中，應用隧道圍巖智能分級系統，隧道圍巖分級要素采集采用圍巖級別判定卡，已收集構建各種巖性訓練樣本60余個，經對比分析，圍巖分級智能系統在不同巖性中具有較強的適應性。

4" 結束語

1）針對隧道工程智能建造核心技術圍巖智能分級和精益支護建造技術開展了分析研究，采用圍巖質量指標分級法融合現代信息技術的路徑，對影響圍巖分級的兩大基本因素及3個影響因素進行了定性轉定量分析，將圍巖分級質量指標求取由半定性半定量轉變為定量數值解，提出了以隧道圍巖分級基本質量指標BQ為基礎融合神經網絡算法的圍巖智能分級方法和技術路線，研發了圍巖智能分級軟件系統。

2）采用圍巖級別判定卡采集圍巖信息、卡片自動識讀、系統自動分析圍巖分級方法，解決了質量指標法圍巖分級工作繁瑣、定性定量要素混雜、需專業地質工程人員分析和圍巖分級準確性不夠等問題，結合圍巖智能分級軟件系統實現了快速圍巖智能分級。

圖4" 隧道開挖圍巖級別判定

圖5" 圍巖智能分級的隧道精益支護技術路線

3）在圍巖分級基礎上，采取隧道工程標準化設計方法，將圍巖分級與隧道開挖支護結構參數匹配對應，快速得到相應圍巖對應的隧道圍巖支護結構參數，并與施工圖對比，用于隧道工程開挖施工階段支護參數的動態設計優化，實現精益施工的目標。

4）因該研究方法僅在2個工程項目開展了應用實踐，應用圍巖巖性為泥巖、泥巖夾砂巖、灰巖、頁巖和白云巖等，訓練樣本庫尚顯不足，下一步將擴大應用實踐區域，以提升研究方法的適用性。

參考文獻：

[1] 田四明，王偉，楊昌宇，等.中國鐵路隧道40年發展與展望[J].隧道建設（中英文），2021，41（11）：1903-1930.

[2] 劉德軍，仲飛，黃宏偉，等.運營隧道襯砌病害診治的現狀與發展[J].中國公路學報，2021，34（11）：178-199.

[3] 趙勇.隧道設計理論與方法[M].北京：人民交通出版社，2019.

[4] 鐵路隧道設計規范：TB 10003—2016[S].北京：中國鐵道出版社，2019.

[5] 王志堅.高速鐵路山嶺隧道智能化建造技術研究——以鄭萬高速鐵路湖北段為例[J].鐵道學報，2020，42（2）：86-95.

[6] 劉飛香.鐵路隧道智能化建造裝備技術創新與施工協同管理展望[J].隧道建設（中英文），2019，39（4）：545-555.

[7] 王志堅.鄭萬高鐵隧道智能化建造技術研究及展望[J].隧道建設（中英文），2021，41（11）：1877.

[8] ZHAO S， WANG M， YI W， et al. Intelligent classification of surrounding rock of tunnel based on 10 machine learning algorithms[J]. Applied Sciences，2022，12（5）：2656.

[9] JALALIFAR H， MOJEDIFAR S， SAHEBI A A， et al. Application of the adaptive neuro-fuzzy inference system for prediction of a rock engineering classification system[J]. Computers and Geotechnics，2011，38（6）：783-790.

[10] 房昱緯，吳振君，盛謙，等.基于超前鉆探測試的隧道地層智能識別方法[J].巖土力學，2020，41（7）：2494-2503.

[11] 張延歡，李利平，劉洪亮，等.隧道圍巖結構面數字識別及完整性評價方法[J].隧道建設，2016，36（12）：1471-1477.

[12] 周春霖，朱合華，李曉軍.新奧法施工隧道掌子面紅外照相及圖像處理[J].巖石力學與工程學報，2008（S1）：3166-3172.

[13] 周建春，魏琴，劉光棟.采用BP神經網絡反演隧道圍巖力學參數[J].巖石力學與工程學報，2004（6）：941-945.

[14] 黃戡，劉寶琛，彭建國，等.基于遺傳算法和神經網絡的隧道圍巖位移智能反分析[J].中南大學學報（自然科學版），2011，42（1）：213-219.

[15] 田四明，吳克非，王志偉，等.中國鐵路隧道智能化建造實現路徑探討[J].鐵道學報，2022，44（1）：134-142.

[16] 張保儉，馮衛星，莫勛濤.基于模糊BP網絡的隧道施工方法選擇研究[J].現代隧道技術，2004（5）：38-41.

[17] 劉耀儒，侯少康，程立，等.水利工程智能建造進展及關鍵技術[J].水利水電技術（中英文），2022，53（10）：1-20.

[18] 趙俊峰.基于TSP超前地質預報與監控量測信息的隧道圍巖亞級分級方法及應用研究[D].武漢：武漢理工大學，2015.

[19] 公路隧道設計細則：JTGT D70—2010[S].人民交通出版社. 2010.