一种基于双源数据融合的隧道围岩智能分级方法及系统与流程

摘要: 本发明属于隧道工程及地下工程施工,具体的,涉及一种基于双源数据融合的隧道围岩智能分级方法及系统。背景技术:1、隧道围岩分级是隧道工程设计与施工中的核心技术环节,...
一种基于双源数据融合的隧道围岩智能分级方法及系统与流程

本发明属于隧道工程及地下工程施工,具体的,涉及一种基于双源数据融合的隧道围岩智能分级方法及系统。

背景技术:

1、隧道围岩分级是隧道工程设计与施工中的核心技术环节,分级结果直接关系到开挖工法的选择、支护参数的确定以及施工安全的保障。传统的围岩分级方法主要依赖现场地质人员结合人工经验对掌子面判识,结合bq(basic quality)值计算、实验室岩块力学试验和地质超前预报等手段完成分级。

2、人工判识方法主观性强、安全风险高、效率低下,仅通过视觉观察难以充分利用施工过程中产生的大量蕴含围岩信息的客观数据,例如凿岩台车钻进过程中的力学响应数据等。

3、随着技术发展,目前常见的围岩分级技术主要围绕以下三条技术路线展开:基于随钻参数的围岩分级方法、基于图像或点云数据的围岩分级方法,以及基于多源数据融合的围岩分级方法。

4、基于随钻参数的围岩分级技术,如:公开号为cn117556291a的中国发明专利申请,公开了一种基于随钻参数与波速信息融合的围岩级别判识方法及系统,该方法通过凿岩台车收集随钻参数,同时读取超前地质预报tsp中的纵波波速和横波波速,将随钻参数与波速信息进行横向拼接融合后,采用随机森林分类算法训练围岩级别判识模型。但是,该方法采用的横向拼接方式仅将4维随钻参数与2维波速数据拼接为6维向量,属于数据级的浅层融合,两个数据源之间未发生特征层面的深度交互,融合信息的表达能力有限。

5、基于图像或点云数据的围岩分级技术,如:公开号为cn121392356a的中国发明专利,公开了一种基于多源数据融合的隧道围岩分级方法及系统,通过防抖激光阵列相机与双目视觉系统同步采集掌子面图像和三维点云数据,利用改进的effiselec vit主网络进行全局岩体结构建模,同时采用图卷积网络(gcn)分析围岩面连通性,通过跨模态注意力机制实现图像特征与点云特征的融合,并结合地质参数(rqd、节理密度等)进行围岩分级。但是,此类技术方案需要配备防抖激光阵列相机、双目视觉系统、惯性测量单元(imu)等多种专用传感、采集设备,还需要构建边缘-云端协同计算架构。

6、基于多源数据融合的围岩分级技术,如:公开号为cn109886534a的中国发明专利,公开了一种用于隧道围岩分级的辨识方法及装置;分别独立建立“随钻参数—围岩强度”和“掌子面图像—岩石完整程度”两个判别关系,然后通过专家系统综合两种关系的判识结果,最终确定围岩等级。但是,该技术方案中随钻参数与图像数据的处理过程完全独立,仅在最终决策阶段进行简单的综合判断,属于决策级融合。这种浅层融合方式使得两个数据源之间未发生特征层面的信息交互,各自的信息优势未能充分互补,融合效果受限于单一数据源判识精度的上限。此外,该方法依赖专家系统的人工规则设定,当判识结果出现偏差时需要人工修正关系表达式,自适应能力较弱。

技术实现思路

1、针对现有技术评价维度单一、数据融合深度不足的缺陷,本发明提供了一种基于双源数据融合的隧道围岩智能分级方法,将图像特征、随钻参数特征通过交叉注意力机制双源融合,提高隧道围岩分级的准确度;并提供隧道围岩级别和掌子面稳定性分级,直接指导支护方案的优化;而且从数据采集、分析到分级输出全流程自动化处理,消除人为主观性影响,提高施工安全。

2、本发明的目的可以通过以下技术方案实现。

3、本发明提供了一种基于双源数据融合的隧道围岩智能分级方法,包括:

4、复用三臂凿岩台车钻臂前端的工业相机采集掌子面图像、原生的传感器采集随钻参数;

5、提取图像特征、提取随钻参数特征,输入双源融合神经网络,基于交叉注意力机制进行图像特征、随钻参数特征融合,输出钻孔分级编码,确定各钻孔对应的局部级别;

6、对多个钻孔分级编码进行空间聚类输出整体围岩分级编码,用于判定整体围岩级别;

7、将掌子面划分为多个分析区域,且每个区域包含多个网格点,对多个钻孔分级编码进行空间插值运算得到各网格点对应的网格点分级编码后,分区计算综合围岩级别均值、级别极差、软弱区面积占比、空间连续性指数四项指标的稳定性评分;

8、对掌子面的稳定性进行分区分级,并针对各个分析区域的稳定性等级生成分区支护建议;

9、输出分析结果。

10、进一步地,为了更好地实现本发明,所述图像特征为图像块。提取图像块的方法,包括:将工业相机采集的掌子面图像输入地质图像采集模块;拼接生成覆盖全部掌子面的全景图;再通过工业相机的内外参标定和台车正向运动学模型的正向运动学变换,将各个钻孔的设计坐标转换为掌子面全景图中的像素坐标,进行配准;然后,基于像素坐标裁剪成与钻孔一一映射的图像块。

11、进一步地,为了更好地实现本发明,所述随钻参数特征为钻进比能,用于反映岩体破碎能耗。提取钻进比能的方法,包括:将传感器采集的随钻参数输入随钻参数采集模块;从随钻参数中提取推进油压、回转压差、推进速度、旋转速度,并结合调取的推进液压缸无杆腔有效活塞面积、钻孔横截面积、回转马达排量,计算得到用于表征岩体破碎能耗的钻进比能。

12、进一步地,为了更好地实现本发明,所述双源融合神经网络的异构编码器采用resnet-18结构的残差网络设计图像特征支路、采用一维卷积神经网络设计随钻参数特征支路,核心交互层采用注意力头数为8的多头交叉注意力模块,分类器由两个全连接层堆叠构成。图像特征通过图像特征支路输出256维的图像特征向量,同时随钻参数特征通过随钻参数特征支路输出256维的随钻参数特征向量,分别输入多头交叉注意力模块;以256维的随钻参数特征向量作为查询,以256维的图像特征向量作为键和值,得到256维的融合特征向量;融合后的融合特征向量依次经过两个全连接层,第一层输出128维,第二层输出5维,再经softmax函数,提取最大概率的分级编码作为钻孔分级编码。

13、进一步地,为了更好地实现本发明,对多个钻孔分级编码进行空间聚类输出整体围岩分级编码,具体是指:以钻孔的三维坐标为输入,将同一循环内钻孔分级编码相同的相邻钻孔聚为一类,标记异常区域的空间位置,以占比最高的钻孔分级编码作为整体围岩分级编码,确定掌子面对应的整体围岩级别。

14、进一步地,为了更好地实现本发明,针对单个分析区域,分别计算围岩级别均值

m、级别极差

r、软弱区面积占比

s、空间连续性指数

c四项指标后,将四项指标输入预先标定的加权非线性映射模型,计算该分析区域对应的稳定性评分

score。

15、围岩级别均值

m,为单个分析区域内所有网格点分级编码的平均值;

16、级别极差

r,为单个分析区域内网格点分级编码中最大值与最小值的差值;

17、软弱区面积占比

s,为单个分析区域内软弱区的面积与分析区域面积的比值;

18、空间连续性指数

c,为1与“单个分析区域内软弱区的边界周长与区域周长比值”的差值;

19、其中,软弱区是指不小于软弱围岩阈值的网格点分级编码对应的网格所覆盖的范围。

20、更进一步地,稳定性评分

score的计算表达式:

21、

score=

w1×

f1(

m)+

w2×

f2(

r)+

w3×

f3(

s)+

w4×

f4(

c);

22、其中,

f1、

f2、

f3、

f4为分段惩罚函数,

w1、

w2、

w3、

w4为权重系数。

23、然后,根据稳定性评分

score值所属阈值区间将掌子面稳定性等级判定为稳定、基本稳定、欠稳定或不稳定四级。

24、输出分析结果,如:整体围岩级别、分区分级、分区支护建议等,显示在三臂凿岩台车驾驶室屏幕上。

25、进一步地,本发明还通过对双源融合神经网络进行增量学习,更新模型。具体是指:在满足预设的触发条件时,利用新增的有效钻孔数据,采用基于里程段划分的弹性权重巩固方法及空间正则项约束优化双源融合神经网络,并进行热部署。有效钻孔一般是指:随钻参数与图像数据完整且已获得人工复核的真实围岩级别标签的钻孔。

26、其次,本发明提供一种基于双源数据融合的隧道围岩智能分级系统,用于实施上述方法。所述系统,包括:边缘计算单元和人机交互模块;所述边缘计算单元包括地质图像采集模块、随钻参数采集模块、双源融合神经网络、围岩级别判定模块、分区稳定性评估模块、分级决策模块、增量学习模块。其中,增量学习模块为选配模块,按需配置。

27、本发明的有益效果如下:

28、(1) 本发明提供的基于双源数据融合的隧道围岩智能分级方法,将地质图像与随钻参数进行深度融合,突破了传统单一数据源在复杂地质条件下信息表征不全的局限;还通过引入交叉注意力机制,有效解决了异构数据在特征空间对齐难的问题,显著提升了模型对复杂地质环境的适应能力;

29、(2) 本发明提供的基于双源数据融合的隧道围岩智能分级方法,同时提供隧道围岩级别和掌子面稳定性分级,直接指导支护方案的优化;

30、(3) 本发明提供的基于双源数据融合的隧道围岩智能分级方法,从数据采集、分析到分级输出全流程自动化处理,消除人为主观性影响,提高施工安全;

31、(4) 本发明提供的基于双源数据融合的隧道围岩智能分级方法,还设计了增量学习机制,可随工程数据积累持续提升模型性能,不断迭代优化;

32、(5) 本发明提供的基于双源数据融合的隧道围岩智能分级系统,封装在盒式工控机中,原始数据的采集完全复用凿岩台车原生传感器、相机,不改变钻孔工序,对施工进度几乎无影响。