基于水平钻进多参数融合的隧道围岩分级动态识别系统

本发明涉及工程，具体为基于水平钻进多参数融合的隧道围岩分级动态识别系统。

背景技术：

1、围岩分级是隧道工程中根据岩体完整程度和岩石强度的指标对工程岩体进行稳定性分类的方法，该方法通过划分稳定性相近的围岩类别，为施工方法选择、支护结构设计、工程管理、劳动定额制定及材料消耗标准确定提供依据。

2、目前，由于隧道地质条件具有隐伏性与复杂性，在进行掌子面前方围岩实时分级时，依赖的传统方法和单一参数判据，难以融合钻进过程的机械响应、物探波形与视觉图像的多维度信息，当仅采用经验公式和静态指标时，会造成分级结果与实际地质情况偏差较大，无法保证支护设计依据的准确性。

3、因此，现提出一种基于水平钻进多参数融合的隧道围岩分级动态识别系统解决上述问题。

技术实现思路

1、针对现有技术的不足，本发明提供了基于水平钻进多参数融合的隧道围岩分级动态识别系统，解决了上述背景技术中提出的难以融合钻进过程的机械响应、物探波形与视觉图像的多维度信息的问题。

2、为实现以上目的，本发明提供如下技术方案予以实现：基于水平钻进多参数融合的隧道围岩分级动态识别系统，所述系统包括：

3、多源随钻数据采集模块，部署于水平钻机，在隧道掌子面超前钻探过程中，同步实时采集随钻工程参数、随钻物探数据及掌子面数字图像；

4、特征提取与融合模块，分别与所述多源随钻数据采集模块中的各数据采集单元连接，接收所述随钻工程参数、随钻物探数据及掌子面数字图像，从中提取钻进比能特征、振动频谱特征、电磁波和地震波反射特征及裂隙图像特征，并将所述特征融合为统一的高维融合特征向量；

5、围岩分级智能识别模块，与所述特征提取与融合模块连接，其内部存储有预训练的多模态深度学习模型，接收所述高维融合特征向量，并调用所述多模态深度学习模型进行处理，输出隧道掌子面前方围岩的实时、连续的自动化分级结果；

6、分级结果动态可视化模块，与所述围岩分级智能识别模块连接，接收所述自动化分级结果，并基于隧道轴线里程信息，生成并展示围岩分级结果沿隧道轴线变化的动态分级云图和曲线；

7、模型自适应优化模块，与所述围岩分级智能识别模块及所述多源随钻数据采集模块连接，根据新增的随钻数据及其对应的实际开挖揭露的围岩等级，对所述多模态深度学习模型进行在线增量学习与参数优化；

8、分级数据管理模块，分别与所述多源随钻数据采集模块、所述特征提取与融合模块、所述围岩分级智能识别模块及所述模型自适应优化模块连接，存储和管理所有采集的原始数据、处理过程中的中间特征数据、模型参数、历史分级结果及优化记录。

9、优选的，所述多源随钻数据采集模块包括：

10、随钻工程参数采集单元，集成于钻机动力头及推进机构，实时采集并输出包括钻压、转速、扭矩、钻进速度在内的随钻工程参数时序数据；

11、随钻物探数据采集单元，集成于钻杆和钻头内部，在钻进过程中同步激发并接收电磁波和地震波信号，并输出表征前方地质界面反射特征的随钻物探数据；

12、掌子面图像采集单元，部署于隧道掌子面前方，在钻进间歇和特定里程点采集高清掌子面数字图像；

13、数据同步与预处理单元，分别与所述随钻工程参数采集单元、所述随钻物探数据采集单元及所述掌子面图像采集单元连接，对接收到的多源异构数据进行时间戳对齐、滤波降噪及格式标准化预处理，并输出同步后的所述随钻工程参数、所述随钻物探数据及所述掌子面数字图像至所述特征提取与融合模块。

14、优选的，所述特征提取与融合模块包括：

15、工程参数特征提取单元，从所述随钻工程参数中，基于钻进功率与钻进速度计算并提取钻进比能特征，所述钻进比能由下式计算：

16、；

17、其中，表示钻进比能，表示钻压，表示转速，表示扭矩，表示钻头截面积，表示钻进速度；

18、并从所述随钻工程参数的振动信号中通过快速傅里叶变换提取主频、幅值在内的振动频谱特征；

19、物探数据特征提取单元，对所述随钻物探数据进行反射波分析，提取包括反射波振幅、相位、走时在内的电磁波和地震波反射特征；

20、数字图像特征提取单元，对所述掌子面数字图像进行边缘检测与模式识别，提取包括裂隙密度、裂隙倾角和岩体块度在内的裂隙图像特征；

21、多源特征融合单元，分别与所述工程参数特征提取单元、所述物探数据特征提取单元及所述数字图像特征提取单元连接，将所述钻进比能特征、所述振动频谱特征、所述电磁波和地震波反射特征及所述裂隙图像特征进行归一化与向量化处理，并通过特征拼接的加权融合方式，生成所述统一的高维融合特征向量。

22、优选的，所述围岩分级智能识别模块包括：

23、分级模型存储单元，存储所述预训练的多模态深度学习模型，所述多模态深度学习模型为基于卷积神经网络架构构建的，并使用历史隧道工程的随钻数据与最终开挖验证的围岩等级标签进行有监督训练得到的网络模型；

24、实时分级推理单元，与所述分级模型存储单元连接，接收所述高维融合特征向量，并调用所述多模态深度学习模型进行前向推理计算，输出对应于bq分级体系的围岩等级概率分布，所述围岩等级概率分布由下式表示：

25、；

26、其中，表示一个概率分布向量，表示输入到所述多模态深度学习模型的高维融合特征向量，表示所述多模态深度学习模型的所有可训练参数集合，表示所述多模态深度学习模型定义的从特征向量到概率分布向量的映射函数；

27、分级决策单元，与所述实时分级推理单元连接，根据所述围岩等级概率分布，按照设定阈值确定最终的围岩自动化分级结果，并附加以钻进里程为基准的位置标签。

28、优选的，所述分级结果动态可视化模块包括：

29、时空关联单元，接收所述自动化分级结果及其附带的里程位置标签，将分级结果与隧道三维设计模型中的空间坐标进行关联；

30、动态渲染单元，与所述时空关联单元连接，根据关联后的分级结果，沿隧道掘进方向，以填充图案动态渲染不同围岩等级的区域，生成所述动态分级云图；

31、曲线绘制单元，与所述时空关联单元连接，以隧道里程为横坐标、围岩等级数值为纵坐标，绘制并实时更新所述围岩分级结果沿隧道轴线变化的动态分级曲线；

32、可视化界面单元，集成所述动态渲染单元与所述曲线绘制单元的输出，在显示设备上同步展示所述动态分级云图与所述动态分级曲线，并提供缩放、平移及历史回溯交互功能。

33、优选的，所述模型自适应优化模块包括：

34、验证数据获取单元，在隧道开挖后，采集实际开挖揭露面的围岩等级，作为模型优化的验证标签，并与对应里程的超前钻探数据进行配对，形成模型优化样本对；

35、增量学习引擎，与所述验证数据获取单元及所述围岩分级智能识别模块连接，将所述模型优化样本对输入至所述多模态深度学习模型，以所述验证标签为监督信号，采用小批量梯度下降算法，对所述多模态深度学习模型的网络参数进行微调优化；

36、模型性能评估单元，与所述增量学习引擎连接，在模型优化后，使用独立的测试数据集评估优化后模型的分类准确率、召回率性能指标，并在性能提升超过设定阈值时，触发模型更新指令；

37、模型热更新单元，分别与所述模型性能评估单元及所述围岩分级智能识别模块连接，在接到所述模型更新指令后，将优化后的多模态深度学习模型参数无缝替换所述围岩分级智能识别模块中存储的原有模型参数，实现模型的热更新。

38、优选的，所述分级数据管理模块包括：

39、原始数据库，按隧道工程、钻探孔号、里程区间分类存储所述多源随钻数据采集模块采集的原始数据包，所述原始数据包包括未经处理的所述随钻工程参数、所述随钻物探数据及所述掌子面数字图像；

40、特征与模型库，存储所述特征提取与融合模块生成的所述高维融合特征向量、所述围岩分级智能识别模块中所述多模态深度学习模型的所有版本参数以及所述模型自适应优化模块产生的各次优化记录；

41、分级结果库，按时间顺序和空间里程归档存储所述围岩分级智能识别模块输出的所有历史及当前的所述自动化分级结果；

42、数据服务接口，为所述特征提取与融合模块、所述围岩分级智能识别模块、所述模型自适应优化模块及所述分级结果动态可视化模块提供标准化的数据查询、检索与调用服务。

43、优选的，所述分级模型存储单元中存储的所述多模态深度学习模型采用多分支特征编码器与特征交互融合器的架构；

44、所述多分支特征编码器包括第一特征编码子网络、第二特征编码子网络及第三特征编码子网络，分别对从所述高维融合特征向量中分离出的工程参数特征子向量、物探数据特征子向量及图像特征子向量进行深层非线性特征编码；

45、所述特征交互融合器与所述多分支特征编码器的各子网络输出端连接，通过张量拼接融合方式，对所述第一特征编码子网络、所述第二特征编码子网络及所述第三特征编码子网络输出的深层特征进行交互与融合，生成最终分级决策的融合特征表示。

46、优选的，所述多源特征融合单元具体被配置为执行跨模态特征交互融合，其包括：

47、特征交互注意力子单元，接收所述工程参数特征提取单元、所述物探数据特征提取单元及所述数字图像特征提取单元分别输出的所述钻进比能特征与所述振动频谱特征、所述电磁波和地震波反射特征以及所述裂隙图像特征，并通过交叉注意力机制计算不同模态特征之间的相关性权重；

48、其中，所述特征交互注意力子单元首先将各模态特征分别映射为查询向量、键向量和值向量，随后计算工程参数模态特征对物探数据模态特征的注意力权重、工程参数模态特征对图像模态特征的注意力权重以及物探数据模态特征对图像模态特征的注意力权重，生成一系列经过跨模态信息增强的上下文特征向量；

49、特征聚合子单元，与所述特征交互注意力子单元连接，将所述特征交互注意力子单元生成的各上下文特征向量，与原始的各模态特征进行拼接，并通过一个多层感知机进行降维与融合，最终输出所述统一的高维融合特征向量。

50、优选的，所述分级数据管理模块还包括：

51、分级报告自动生成单元，与所述分级结果库及所述数据服务接口连接，根据用户指令和定时任务，从所述分级结果库中提取指定时间范围和里程区间的所有分级结果，结合从所述原始数据库中提取的对应原始数据快照，自动生成包含围岩等级统计分布、变化趋势分析、关键不良地质段定位信息在内的结构化分级报告；

52、数据加密与安全存储单元，对所述原始数据库、所述特征与模型库及所述分级结果库中存储的所有数据进行加密存储，并设置基于角色的访问控制策略，对通过所述数据服务接口进行的数据访问操作进行身份认证与操作日志记录。

53、与现有技术相比，本发明提供了基于水平钻进多参数融合的隧道围岩分级动态识别系统，具备以下有益效果：

54、1.本发明中，在进行隧道掌子面前方围岩分级动态识别时，通过多源随钻数据采集模块同步采集随钻工程参数、随钻物探数据及掌子面数字图像，并由特征提取与融合模块对钻进比能特征、振动频谱特征、电磁波和地震波反射特征及裂隙图像特征进行深度融合，生成统一的高维融合特征向量，能够解决依赖传统方法和单一信息源导致的特征表征片面问题，保证围岩状态识别的全面性与多维信息协同性，从而提升分级的客观性和对复杂地质的感知能力。

55、2.本发明中，在进行隧道掌子面前方围岩分级动态识别时，通过围岩分级智能识别模块调用预训练的多模态深度学习模型对高维融合特征向量进行处理，并利用特征提取与融合模块中的多源特征融合单元和特征交互注意力子单元实现跨模态特征的交互与加权融合，使得系统能够对多源异构数据进行深层信息挖掘与互补性仲裁，降低因数据矛盾和关键特征遗漏导致的误判风险，保证分级推理过程的智能性与结果的一致性。

56、3.本发明中，在进行隧道掌子面前方围岩分级动态识别时，通过模型自适应优化模块依据实际开挖揭露的围岩等级对多模态深度学习模型进行在线增量学习与参数优化，并通过分级数据管理模块持续积累案例数据，使得系统能够利用工程实践反馈不断迭代进化，解决静态模型泛化能力不足的问题，从而保障系统在不同地质条件下长期适用的准确性与可靠性，实现围岩分级智能识别能力的自适应提升。