一种岩体质量等级推演与评价方法、系统、设备及介质

本发明涉及岩土工程，尤其涉及一种岩体质量等级推演与评价方法、系统、设备及介质。

背景技术：

1、岩体质量分级是岩土工程勘察、评价工程岩体质量以及边坡稳定性分析的重要基础，其中 rmr（rock mass rating，岩体质量评级）作为常见的岩体质量分级体系之一，因其物理意义清晰，在工程实践中被广泛采用。rmr系统综合考虑了六个地质参数，包括：单轴抗压强度（ucs）、岩石质量指标（rqd）、结构面间距、结构面条件、地下水条件以及结构面产状，并通过量化评分实现岩体质量分级。

2、然而，在高陡边坡、危险岩体及复杂裸露岩体区域，传统依赖地质罗盘、样线等接触式方法获取结构面信息时，往往存在采集效率较低、样本数量有限、作业风险较高等问题，且许多结构面位于岩体内部或被遮蔽，难以直接观测，导致关键几何参数难以精确测定。同时，获取准确的ucs数据需要对完整的岩芯试样进行破坏性的实验室测试，这一过程不仅耗时，且测试成本较高。在高陡边坡、危险岩体、破碎岩体或样本稀缺区域，标准试样制备和试验实施往往受到地形条件与安全条件限制，可能面临ucs数据不可用的情况，从而限制 rmr体系在实际工程中进一步应用。

3、近年来，无人机倾斜摄影、三维点云重建及半自动结构面识别方法得到了广泛的应用，该类技术的创新研究目前主要集中在提高图像获取的精度、三维点云的重建算法以及结构面识别的准确率上。凭借这些视觉技术，现有的无人机系统能够高效地提取节理产状、迹长、间距等几何参数，并可在高陡边坡和人员难以到达区域实现非接触式勘察；但此类方法本质上仍只能提取表面几何信息，无法穿透岩体获取ucs等核心力学指标，因此在ucs数据缺失时，rmr岩体质量分级难以直接完成。

4、随着人工智能技术的发展，机器学习方法因具有较强的非线性映射能力，已被尝试应用于岩体质量等级预测，例如利用人工神经网络、随机森林、决策树及其他集成学习模型，由相关的岩体参数推演rmr或相关岩体分级结果，以提高评价效率并减少人工经验依赖。然而，这类方法大多仍建立在参数较为完整或样本质量较高的前提下，在实际工程中一旦出现ucs等参数缺失，或者样本规模有限、数据分布不均衡时，模型稳定性与泛化能力仍然不足，且对工程人员而言可解释性有限。然而，这类数据驱动方法在实际工程应用中仍面临局限性：首先，现有模型大多建立在参数较为完整或样本质量较高的前提下，一旦出现ucs等力学参数缺失，或面临自然状态下极端岩体样本规模有限、数据分布极度不均衡时，模型极易发生分类边界模糊和失真，基于剩余 rmr 参数构建的岩体质量等级预测模型将面临输入信息不完整、参数相关结构退化以及分类判别边界稳定性下降等问题，进而影响rmr 等级判定结果的可靠性与一致性；其次，常规机器学习算法往往缺乏严格的超参数全局寻优机制（参数调优），在处理复杂超空间问题时，极易陷入局部最优，导致收敛性差且容易过拟合，模型稳定性与泛化能力不足；最后，现有的智能预测模型多具有强烈的“黑盒”属性，缺乏有效的解释机制，难以定量揭示各剩余特征参数对最终分类结果的贡献程度，对工程人员而言可解释性有限。

5、综上，亟需一种面向复杂地质环境、以无人机非接触式数据采集为前端、以机器学习分级为后端，并在 ucs 缺失时能够自动触发推演的岩体质量分级方法，以实现对岩体质量的快速且准确的评价。

技术实现思路

1、本发明提供了一种岩体质量等级推演与评价方法、系统、设备及介质，用于解决在现场测试受限、复杂边坡条件下ucs数据缺失时，难以对岩体质量进行快速且准确的评价的技术问题。

2、根据本发明的一方面，提供了一种岩体质量等级推演与评价方法，包括：

3、获取若干真实历史边坡样本，基于所述真实历史边坡样本利用邻域特征重采样策略生成合成样本；

4、基于所述真实历史边坡样本以及所述合成样本构造数据集；构造好的数据集中每个样本数据中均包括除单轴抗压强度参数外的特征参数，还包括rmr值和岩体质量等级标签；

5、基于构建的数据集，采用改进的nrbo优化算法对岩体质量等级预测模型进行训练，输出最优超参数组合，并得到训练好的所述岩体质量等级预测模型；

6、采集待测边坡的原始影像数据集，并基于所述原始影像数据集和现场勘查数据提取待测边坡的特征参数；所述特征参数不包括单轴抗压强度参数；

7、将所述特征参数输入到训练好的岩体质量等级预测模型中，以预测待测边坡的岩体质量等级。

8、根据本发明的另一方面，提供了一种岩体质量等级推演与评价系统，包括：

9、样本获取单元，用于获取若干真实历史边坡样本，基于所述真实历史边坡样本利用邻域特征重采样策略生成合成样本；

10、数据集构造单元，用于基于所述真实历史边坡样本以及所述合成样本构造数据集；构造好的数据集中每个样本数据中均包括除单轴抗压强度参数外的特征参数，还包括rmr值和岩体质量等级标签；

11、模型训练单元，用于基于构建的数据集，采用改进的nrbo优化算法对岩体质量等级预测模型进行训练，输出最优超参数组合，并得到训练好的所述岩体质量等级预测模型；

12、参数提取单元，用于采集待测边坡的原始影像数据集，并基于所述原始影像数据集和现场勘查数据提取待测边坡的特征参数；所述特征参数不包括单轴抗压强度参数；

13、预测单元，用于将所述特征参数输入到训练好的岩体质量等级预测模型中，以预测待测边坡的岩体质量等级。

14、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

15、至少一个处理器；以及

16、与所述至少一个处理器通信连接的存储器；其中，

17、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的岩体质量等级推演与评价方法。

18、根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的岩体质量等级推演与评价方法。

19、本发明实施例的技术方案，获取若干真实历史边坡样本，基于真实历史边坡样本利用邻域特征重采样策略生成合成样本，以在尽可能保持原始局部相关结构与分布特征的前提下扩充有效样本规模，提高模型训练与评估的可靠性；通过采用改进的nrbo优化算法对岩体质量等级预测模型进行训练，输出最优超参数组合，并得到训练好的岩体质量等级预测模型，从而能够对模型超参数进行全局寻优，提升模型稳定性、分类性能及泛化能力；采集待测边坡的原始影像数据集，并基于原始影像数据集提取待测边坡的特征参数，由于特征参数中不包括单轴抗压强度参数，因此，本发明无需采用复杂的实验测试方法获取ucs数据，就能快速、准确地预测待测边坡的岩体质量等级。

20、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。