智能算法在隧道圍巖分級判別中的應(yīng)用研究

劉爽 呂春 屈恩相 鄧琳 張彥明

(齊齊哈爾大學(xué) 建筑與土木工程學(xué)院，黑龍江 齊齊哈爾 161006)

隧道圍巖是指隧道在開挖過程中對隧道整體結(jié)構(gòu)穩(wěn)定性造成一系列影響的部分巖體。由于隧道所處的地質(zhì)條件復(fù)雜多樣，巖體的種類也各不相同，為保障后續(xù)的施工安全、提供合理地設(shè)計依據(jù)、達(dá)到合理、安全、經(jīng)濟的工程目的，則需要對隧道圍巖進行精確地分析判別。早期的隧道圍巖分級判別常采用TSP系統(tǒng)，但這種方法需要依賴勘察人員的以往經(jīng)驗，因而受人為因素影響較大。RMR法和BQ系統(tǒng)也可應(yīng)用于隧道圍巖的分級判別，但這些判別法在實際應(yīng)用時存在判別距離較短和指標(biāo)取證困難等問題。常見的貝葉斯判別法、距離判別法和聚類分析等方法也在隧道圍巖分級判別中得到應(yīng)用，但是這些方法的判別指標(biāo)要在巖體揭露后才可得到，因而缺乏預(yù)見性。

由于影響隧道圍巖分級的指標(biāo)非常多，其中既有定量指標(biāo)，又有定性指標(biāo)，各個指標(biāo)之間的關(guān)系難以用數(shù)學(xué)公式表達(dá)出來，使得構(gòu)建分級評價體系產(chǎn)生一定的難度，成為一個非線性的復(fù)雜模糊問題。近年來，隨著網(wǎng)絡(luò)技術(shù)和人工智能的快速發(fā)展及應(yīng)用，智能算法憑借其處理非線性且少量參數(shù)的優(yōu)勢，被廣泛的用于隧道圍巖的分級判別。簡述了智能算法的基本原理以及常見算法；歸納總結(jié)了隧道圍巖分級判別模型構(gòu)建的一般思路；通過分析不同算法模型的判別精確度，對智能算法在隧道圍巖分級判別中的應(yīng)用進行總結(jié)與展望。

1 智能算法

智能算法是指受生物界規(guī)律的啟發(fā)，依據(jù)其原理進而模仿求解問題的一類算法。智能算法的基本思想就是利用仿生原理進行設(shè)計（包括設(shè)計算法）并解決問題。智能算法的內(nèi)容十分豐富，常見的包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模擬退火算法以及群體智能算法等。

1.1 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)（ANN）是在對人腦組織結(jié)構(gòu)和運行機制的認(rèn)識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。最早由心理學(xué)家McCulloch、數(shù)學(xué)家Pitts提出了人工神經(jīng)網(wǎng)絡(luò)的第一個數(shù)學(xué)模型，從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時代。隨后，F(xiàn)Rosenblatt、J.J.Hopfield和Widrow等學(xué)者又在此基礎(chǔ)上提出了感知機模型，令人工神經(jīng)網(wǎng)絡(luò)算法得到蓬勃發(fā)展。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點有：信息處理能力強，在輸入變量模糊和不完全的情況下，仍可正確的進行推斷；魯棒性強，當(dāng)算法中出現(xiàn)個別神經(jīng)元失效時，不會對后續(xù)工作產(chǎn)生影響；非線性處理強，可突破傳統(tǒng)電子計算機線性處理數(shù)據(jù)的局限，可處理大量復(fù)雜的非線性工程數(shù)據(jù)。常見的人工神經(jīng)網(wǎng)絡(luò)算法包括：誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)、競爭型神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)。

1.2 遺傳算法

遺傳算法（Genetic Algorithms）是基于生物進化理論的原理發(fā)展起來的一種應(yīng)用范圍廣且高效的隨機搜索算法。遺傳算法能夠直接對結(jié)構(gòu)對象進行操作，因此可以不受函數(shù)連續(xù)性的限定，并且能夠利用隨機化技術(shù)指導(dǎo)對一個被編碼的參數(shù)空間進行高效搜索。遺傳操作包括選擇、交叉及變異。遺傳算法的一般步驟如下。

1）隨機產(chǎn)生種群；2）根據(jù)具體策略判斷個體的適應(yīng)度值，能否符合優(yōu)化得準(zhǔn)則，如果符合，則得出最佳個體及最優(yōu)結(jié)構(gòu)。如果不符合，則進行下一步；3）根據(jù)適應(yīng)度值選擇父母，適應(yīng)度高的個體容易選中，那么適應(yīng)度低的個體將被淘汰；4）利用父母的染色體按照參照一定的規(guī)則進行交叉，生成子代；5）最后對子代得染色體進行變異。

主要特點有以下幾方面。

1）算法求解問題的覆蓋面很大，適合用于全局尋優(yōu)問題；能夠同時處理群體當(dāng)中的多個個體，降低了算法陷入局部最優(yōu)解的風(fēng)險，易于實現(xiàn)并行化；2）利用適應(yīng)度函數(shù)評價個體，可以任意設(shè)定其定義域，使得應(yīng)用范圍十分廣泛；3）算法不采用預(yù)先的確定規(guī)則，利用概率的變化指引尋優(yōu)的方向；4）算法的搜索不依賴于梯度信息，具有較好的自適應(yīng)性和自組織性和自學(xué)習(xí)性，因而廣泛的應(yīng)用于工程領(lǐng)域和復(fù)雜問題的優(yōu)化。

雖然遺傳算法適應(yīng)能力較強，但仍會存在執(zhí)行效率較低，且收斂過早的缺點，并且在可行度、計算精度以及復(fù)雜性方面還未找到有效的定量分析辦法。

1.3 模擬退火算法

模擬退火算法（Simulated Annealing，SA）最早的基礎(chǔ)思想是由N.Metropolis等人在20世紀(jì)50年提出。后來在1983年，S.Kirkpatrick等人成功地將模擬退火思想引入到組合優(yōu)化的相關(guān)領(lǐng)域。它是基于Monte-Carlo迭代求解策略的一種隨機尋優(yōu)算法，是基于物理中固體物質(zhì)的退火過程與一般組合優(yōu)化問題之間的相似性而提出的優(yōu)化算法。它屬于啟發(fā)算法的一種，并在其搜索過程引入了隨機因素，在迭代更新可行解時，以一定的概率來接受一個比當(dāng)前解還要差的解，因此可能會跳出這個局部的最優(yōu)解，進而得到全局的最優(yōu)解。以圖1為例，假定初始解為左邊藍(lán)色點A，模擬退火算法可以快速的搜索到局部最優(yōu)解B，但在搜索到局部最優(yōu)解后并未結(jié)束搜索，而是以一定的概率繼續(xù)向左邊移動，經(jīng)過幾次不是局部最優(yōu)的移動后會到達(dá)全局最優(yōu)解D，搜索就跳出了局部最優(yōu)解，得到全局最優(yōu)解。

圖1 模擬退化算法迭代

1.4 群體智能算法(Swarm Intelligence)

群體智能算法（Swarm Intelligence）由Gerardo Beni和Jing Wang在20世紀(jì)80年代年首次提出。是通過對社會性昆蟲的模擬進而挖掘?qū)τ趥鹘y(tǒng)問題的全新解決辦法，其核心思想就是將若干個簡單的個體構(gòu)成一個群體，并讓個體之間通過合作、競爭、交互與學(xué)習(xí)等方式表達(dá)出高級和復(fù)雜的功能，且在缺少局部信息和模型的條件下，仍可以進行復(fù)雜問題的求解。群體智能優(yōu)點包括：1）群體中個體是分布式，可以更好的適應(yīng)網(wǎng)絡(luò)環(huán)境下的工作狀態(tài)；2）算法的魯棒性非常強，沒有集中的控制約束，不會受個別故障而影響后續(xù)整體工作；3）個體間可以通過非直接通信進行合作，因而算法擁有更好的可擴充性；4）智能算法能夠并行分布式算法模型，可充分利用多處理器，且對求解問題得定義無連續(xù)性要求；5）算法的個體的能力十分簡單且執(zhí)行時間比較短，因而算法實現(xiàn)也比較簡單。在群體智能算法中較為常用的是模擬鳥群覓食行為的粒子群算法（Particle Swarm Optimization，PSO）和模仿螞蟻群體采食的蟻群算法（Ant Colony Optimization，ACO）。

2 分級判別模型的構(gòu)建思路

構(gòu)建隧道圍巖分級判別模型的具體流程如圖2所示，一般步驟如下。

Step 1：收集與整理隧道圍巖工程樣本數(shù)據(jù)；

Step 2：依據(jù)圍巖特點確定分級判別特征指標(biāo)；

Step 3：對樣本數(shù)據(jù)標(biāo)準(zhǔn)化處理；

Step 4：確定合適的算法模型并初始化算法參數(shù)；

Step 5：將處理好的樣本數(shù)據(jù)帶入模型中訓(xùn)練；

Step 6：判別結(jié)果與實際分級做對比分析；

Step 7：當(dāng)訓(xùn)練精度滿足預(yù)期值時得出判別模型，否則重新調(diào)整算法參數(shù)返回Step 5重新進行訓(xùn)練；

Step 8：帶入測試樣本數(shù)據(jù)進行驗證，如若驗證結(jié)果滿足訓(xùn)練精度則確定分級判別模型，否則返回Step 4中重新選擇合適的算法訓(xùn)練模型，直至滿足精度要求時確定最終的分級判別模型。

圖2 分級判別模型的一般流程

3 智能算法在隧道圍巖分級判別中的應(yīng)用

3.1 單一算法分級判別

隨著計算機技術(shù)的快速發(fā)展，智能算法在隧道工程中得到了廣泛地探索與應(yīng)用，其中較為常見的有BP神經(jīng)網(wǎng)絡(luò)、遺傳算法、灰色系統(tǒng)理論以及支持向量機等。劉軍通過分析研究工程地質(zhì)條件，將巖石單軸抗壓強度和不連續(xù)結(jié)構(gòu)面狀態(tài)及充填等5個因素作為評價指標(biāo)，在此基礎(chǔ)上構(gòu)建BP神經(jīng)網(wǎng)絡(luò)公路隧洞圍巖分類模型，并取得良好的分級效果，為今后公路工程隧道圍巖的快速分類提供了可靠依據(jù)。何新成通過交叉驗證設(shè)計LIBSVM模型，借助尋找最優(yōu)參數(shù)的方法對現(xiàn)場勘測的30組隧道圍巖數(shù)據(jù)樣本進行學(xué)習(xí)，7組隧道圍巖數(shù)據(jù)樣本進行預(yù)測，同時對比了其他分級判別辦法，結(jié)果表明：利用LIBSVM算法對隧道圍巖分級地準(zhǔn)確率可達(dá)100%，可以較好地用于圍巖分級。馬俊杰將大量隧道圍巖分級數(shù)據(jù)作為多分類SVM的訓(xùn)練學(xué)習(xí)樣本，建立多分類SVM隧道圍巖分級模型，最后實現(xiàn)不同地質(zhì)條件下的圍巖分類的合理分級。許騰在隧道圍巖分級判別時引入模糊數(shù)學(xué)法，運用層次分析法對各因素指標(biāo)進行分析與調(diào)整，建立相應(yīng)的隸屬度函數(shù)，并確定其相應(yīng)的模糊權(quán)重，最終建立公路隧道圍巖分級的模糊綜合評判模型。易文豪立基于SVM和神經(jīng)網(wǎng)絡(luò)的大斷面巖質(zhì)隧道掌子面圍巖分級模型，采用同樣的數(shù)據(jù)對比3種模型性能，分級結(jié)果表明：相比于神經(jīng)網(wǎng)絡(luò)分級模型，選用SVM模型能夠在樣本數(shù)量較少情況下得到更高地分級精確度，平均準(zhǔn)確度為87.9%。梁永忠結(jié)合六類圍巖評價指標(biāo)，構(gòu)建HRNet卷積神經(jīng)網(wǎng)絡(luò)隧道圍巖智能分級模型，結(jié)果表明：該模型可以在樣本數(shù)量較少的條件下很好地提取特征指標(biāo)，避免了機器學(xué)習(xí)對隧道圍巖分級樣本質(zhì)量要求較高得問題，使分級結(jié)果更加準(zhǔn)確。

3.2 組合算法分級判別

由于對智能算法的研究日漸深入，更多學(xué)者發(fā)現(xiàn)組合的智能優(yōu)化算法比單一算法的隧道圍巖分級判別更加貼近真實情況。張峰瑞提出了基于DE-BP模型的隧道圍巖分級模型，并利用VTK技術(shù)、三維地質(zhì)建模方法及數(shù)據(jù)庫技術(shù)編寫隧道圍巖分級軟件，進行圍巖等級可視化顯示與施工方案的不斷調(diào)整，結(jié)果表明：DE-BP模型的均方差明顯小于未經(jīng)優(yōu)化地BP神經(jīng)網(wǎng)絡(luò)，分級精度顯著提高，更加適用于隧道圍巖動態(tài)分級。江勇順綜合運用VLBP和MOBP神經(jīng)網(wǎng)絡(luò)技術(shù)，分別構(gòu)建了不同巖質(zhì)地隧道圍巖級別判定方法，經(jīng)過應(yīng)用表明，該圍巖分級方法得到的判別結(jié)果具有較高的精確率。李赤謀運用三維重建、圖像拼接、Unet神經(jīng)網(wǎng)絡(luò)等技術(shù)，實現(xiàn)基于巖體完整性和強度特征的隧道圍巖級別快速評價法，研究結(jié)果表明：該圍巖分級結(jié)果更符合現(xiàn)場實際情況，具有良好的應(yīng)用性。汪學(xué)清將K折交叉驗證與SVM相結(jié)合，依據(jù)TSP303系統(tǒng)確定判別指標(biāo)并建立隧道圍巖判別指標(biāo)體系，選取40組樣本數(shù)據(jù)訓(xùn)練模型、10組樣本數(shù)據(jù)測試模型，分級結(jié)果表明：10組樣本中僅1組樣品判別錯誤，準(zhǔn)確率達(dá)到90%，為隧道圍巖的分級判別提供了新方法。

4 結(jié)語

與傳統(tǒng)的隧道圍巖分級判別法相比，智能算法可以處理復(fù)雜的非線性圍巖工程數(shù)據(jù)，避免了判別過程中人為因素和小樣本情況的影響，提高了分級判別精度。單一算法由于自身的限制在判別結(jié)果上表現(xiàn)一般。因此，通過組合其他算法，揚長避短，進而提高判別模型的精確度。

隧道圍巖分級判別的意義在于如何借助新興發(fā)展技術(shù)省時省力的得到復(fù)雜地質(zhì)條件下隧道圍巖的等級。因而我們可以從兩方面進行展望：1）隧道圍巖的分級判別需要借助于大量的已建隧道工程數(shù)據(jù)，建立系統(tǒng)而全面工程數(shù)據(jù)庫可以為我們的研究提供良好的數(shù)據(jù)基礎(chǔ)；2）深度學(xué)習(xí)作為智能算法的研究熱點，被廣泛的應(yīng)用，但其在隧道圍巖分級判別上的應(yīng)用還并未得到深入挖掘。因此，可以借助其在特征指標(biāo)和數(shù)據(jù)處理上優(yōu)勢，將其應(yīng)用于隧道圍巖分級，以實現(xiàn)判別精度的進一步提升。