一种钻爆法隧道施工阶段岩爆等级精细化预测方法及系统

1.本发明涉及隧道智能施工技术领域，具体涉及一种钻爆法隧道施工阶段岩爆等级精细化预测方法及系统。


背景技术：

2.随着隧道埋深、断面尺寸的逐渐增加，隧道岩爆问题日益凸显，严重影响了隧道安全和高效建造。同时，随着隧道施工机械的数据采集能力的逐渐提升，全电脑三臂凿岩台车已具备了钻进参数实时采集、传输等功能，人工智能技术在海量数据分析、智能预测等领域展现了较强的鲁棒性。
3.由于地下工程的地质条件分布的随机性和不确定性，地勘阶段预测的岩爆等级与实际施工阶段的掌子面围岩岩爆等级出入较大，传统的钻爆法隧道施工阶段岩爆预测方法人力、物理耗费较大，难以满足当前隧道智能化建造的需求，如通过钻进参数、机器学习和深度学习等人工智能技术，快速、精细化预测掌子面前方围岩岩爆等级，对掌子面前方围岩岩爆易发区域提出预警。根据预测结果及时调整施工方案、支护结构参数设计，将极大的保障隧道智能建造的安全。
4.因此，亟需一种能实现精细化预测掌子面前方围岩岩爆等级的方法。


技术实现要素：

5.为解决现有技术中存在的问题，本发明提供了一种钻爆法隧道施工阶段岩爆等级精细化预测方法，能够实现掌子面前方围岩岩爆等级精细化预测，解决了上述背景技术中提到的问题。
6.为实现上述目的，本发明提供如下技术方案：一种钻爆法隧道施工阶段岩爆等级精细化预测方法，包括以下步骤：
7.s1、构建基础样本库，基础样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级等信息；
8.s2、基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系；
9.s3、根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库；
10.s4、构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；
11.s5、根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
12.优选的，所述步骤s1构建基础样本库，根据全电脑三臂凿岩台车自动采集的各炮孔进给速度、冲击压力、推进压力、回转压力原始数据，采用各项钻进参数平均值作为目标掌子面钻进参数代表值；岩石坚硬程度、掌子面岩爆等级通过掌子面地质素描确定，岩石坚硬程度包括极硬岩、硬岩、较软岩、软岩、极软岩等5类，岩爆等级包括无岩爆、轻微岩爆、中
等岩爆、强烈岩爆、极强岩爆等5类。
13.优选的，所述步骤s2基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比等围岩力学参数的映射关系，具体包括如下：
14.s21、根据全电脑三臂凿岩台车冲击-推进-旋转破岩方式，计算围岩弹性变形能；
15.s22、基于能量法和数值模拟或室内试验方法，计算目标掌子面各炮孔单元区域内名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比等围岩力学参数；
16.s23、根据目标掌子面各炮孔单元区域内名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比，计算目标掌子面第一主应力、第二主应力、第三主应力、弹性模量和泊松比。
17.优选的，所述步骤s3根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库。
18.优选的，所述步骤s4构建的基于深度学习的岩爆等级智能预测模型网络层数为6层，即1个输入层，4个隐含层和1个输出层；所述将拓展样本库带入岩爆等级智能预测模型进行训练是指：将目标掌子面进给速度、冲击压力、推进压力、回转压力4项钻进参数平均值，岩石坚硬程度，第一主应力，第二主应力，第三主应力，弹性模量和泊松比作为输入层的输入参数，将对应掌子面的岩爆等级作为输出层的输出参数。
19.优选的，所述步骤s5根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级，具体包括如下：
20.s51、根据炮孔空间坐标信息，在二维平面上分块，沿着隧道掘进方向以20cm为粒度，分块的基础上纵向分段；
21.s52、根据掌子面围岩二维分块、纵向分段结果，利用岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
22.优选的，所述步骤s21具体包括：单位体积的岩体单元在机械作用下产生变形，设该过程与外界没有热交换，凿岩台车在冲击-推进-旋转破岩过程中输出的能量全部转换为岩体内能，主要包括围岩的耗散能和围岩的弹性变形能，则有
[0023][0024]
式中：k是凿岩台车输出的能量转换为围岩弹性变形能的转换系数，根据数值模拟或室内试验结果确定；pc是压力传感器监测的冲击油缸进油口油压，pa；p
t
是压力传感器监测的冲击油缸进油口油压，pa；vd是流量计监测的钻头进给速度，m/s；d
ca
是冲击油缸活塞后直径，m；d
cb
是冲击油缸活塞前端直径，m；sc是活塞设计行程，m；mc是冲击活塞质量，kg；d是钻孔直径，m；p
t
为活塞推进油缸的后腔压力，也是推进油缸进油口压力，即监测的钻进参数推进压力，pa；d
t
是推进油缸活塞直径，单位m；pr为马达旋转时进油口压力，即监测的钻进参数回转压力，pa；vr是钻具回转速度，单位r/s；qr为液压马达排量，即马达每转动一周排出的流量，单位ml/r或cc；ir为旋转马达减速比；σ1是第一主应力，pa；σ2是第二主应力，pa；σ3是第三主应力，pa；e是岩体弹性模量，pa；υ是岩体泊松比。
[0025]
优选的，所述步骤s22具体包括：采用数值模拟或室内试验方法，模拟不同岩爆等级下全电脑三臂凿岩台车钻进过程，确定机械输出的能量转换为围岩弹性变形能的转换系
数k；沿钻进方向，以8cm为单位，将炮孔网格化；在8cm区域内，全电脑三臂凿岩台车可自动采集5组钻进参数，利用此5组钻进参数解析目标炮孔各单元区域内围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比；
[0026]
炮孔各单元区域围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比的解析公式如下：
[0027][0028]
式中：p
t,i
是沿钻进方向单元区域内起点推进压力，pa；p
r,i
是沿钻进方向单元区域i号数据点记录的回转压力，pa；p
c,i
是沿钻进方向单元区域i号数据点记录的冲击压力，pa；v
d,i
是沿钻进方向单元区域内i号数据点记录的进给速度，m/s；p
t,i+1
是沿钻进方向单元区域内i+1号数据点记录的推进压力，pa；p
r,i+1
是沿钻进方向单元区域内i+1号数据点记录的回转压力，pa；p
c,i+1
是沿钻进方向单元区域内i+1号数据点记录的冲击压力，pa；v
d,i+1
是沿钻进方向单元区域内i+1号数据点记录的进给速度，m/s；p
t,i+2
是沿钻进方向单元区域内i+2号数据点记录的推进压力，pa；p
r,i+2
是沿钻进方向单元区域内i+2号数据点记录的回转压力，pa；p
c,i+2
是沿钻进方向单元区域内i+2号数据点记录的冲击压力，pa；v
d,i+2
是沿钻进方向单元区域内i+2号数据点记录的进给速度，m/s；p
t,i+3
是沿钻进方向单元区域内i+3号数据点记录的推进压力，pa；p
r,i+3
是沿钻进方向单元区域内i+3号数据点记录的回转压力，pa；p
c,i+3
是沿钻进方向单元区域内i+3号数据点记录的冲击压力，pa；v
d,i+3
是沿钻进方向单元区域内i+3号数据点记录的进给速度，m/s；p
t,i+4
是沿钻进方向单元区域内i+4号数据点记录的推进压力，pa；p
r,i+4
是沿钻进方向单元区域内i+4号数据点记录的回转压力，pa；p
c,i+4
是沿钻进方向单元区域内i+4号数据点记录的冲击压力，pa；v
d,i+4
是沿钻进方向单元区域内i+4号数据点记录的进给速度，m/s；σ
1,j,i
是j号炮孔钻进方向i号炮孔区域内围岩第一主应力，pa；σ
2,j,i
是j号炮孔钻进方向i号炮孔区域内围岩第二主应力，pa；σ
3,j,i
是j号炮孔钻进方向i号炮孔区域内围岩第三主应力，pa；e
j,i
是j号炮孔钻进方向i号炮孔区域内围岩弹性模量，pa；v
j,i
是j号炮孔钻进方向i号炮孔区域内围岩泊松比。
[0029]
优选的，所述步骤s23具体包括：在炮孔单元区域围岩力学参数解析结果基础上，对单个炮孔的各单元区域围岩初始地应力解析结果进行加权平均计算，以加权平均计算结果作为掌子面围岩第一主应力、第二主应力、第三主应力、弹性模量和泊松比，具体计算公式为：
[0030][0031]
式中：σ1是目标掌子面第一主应力，pa；σ2是目标掌子面第二主应力，pa；σ3是目标掌子面第三主应力，pa；e是目标掌子面围岩弹性模量，pa；v是目标掌子面围岩泊松比；m是目标掌子面的炮孔数量；n是炮孔的区域划分数量。
[0032]
优选的，所述步骤s51具体包括：根据断面形式和炮孔布置情况，以2m为单位，将掌子面分为5层4列，共计18块；根据洞身支护结构间距划分，以20cm为粒度，在二维分块的基础上对掌子面前方围岩进一步纵向分段。
[0033]
优选的，所述步骤s52具体包括：假设在任意爆破循环内，岩石坚硬程度并无明显变化，则掌子面前方围岩各区域(m号块，n号段)内的岩石坚硬程度与掌子面地质素描结果一致；根据掌子面前方围岩三维划分规则，根据各区域(m号块，n号段)内的钻进参数分别计算对应区域围岩的第一主应力、第二主应力、第三主应力、弹性模量和泊松比；利用岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
[0034]
另外，为实现上述目的，本发明还提供了如下技术方案：一种钻爆法隧道施工阶段岩爆等级精细化预测系统，所述系统具体包括：
[0035]
基础样本库构建模块：构建基础样本库，基础样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级信息；
[0036]
映射关系建立模块：基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系；
[0037]
拓展样本库构建模块：根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库；
[0038]
岩爆等级智能预测模型构建模块：构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；
[0039]
预测模块：根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
[0040]
本发明的有益效果是：本发明根据钻爆法隧道凿岩台车钻孔过程中产生的钻进参数和掌子面地质素描的岩石坚硬程度，精细化预测了掌子面前方围岩岩爆等级，同时根据精细化预测结果，可进一步推断掌子面前方围岩岩爆发生的位置。本发明专利保障了钻爆法隧道施工安全，减少了岩爆预测过程中人力、物力的投入，助力了钻爆法隧道智能建造。
附图说明
[0041]
图1为实施例1中钻爆法隧道施工阶段岩爆等级精细化预测方法流程示意图；
[0042]
图2为实施例1中炮孔单元划分与钻进参数记录规则示意图；
[0043]
图3为实施例1中基于深度学习的岩爆等级智能预测模型图；
[0044]
图4为实施例1中掌子面二维分块示意图；
[0045]
图5为实施例1中纵向分段规则示意图；
[0046]
图6为实施例1中示例掌子面h3dk2+879.3前方围岩岩爆等级精细化预测结果；
[0047]
图7为实施例1中h3dk2+877.5岩爆掌子面照片与岩爆预测结果对比分析详情示意图，(a)为掌子面照片，(b)为岩爆预测结果；
[0048]
图8为实施例2钻爆法隧道施工阶段岩爆等级精细化预测系统示意图；
[0049]
图中，110-基础样本库构建模块；120-映射关系建立模块；130-拓展样本库构建模块；140-岩爆等级智能预测模型构建模块；150-预测模块。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
实施例1
[0052]
随着隧道工程施工地点埋深和长度的增加，隧道岩爆问题日益凸显，直接影响了钻爆法隧道施工安全。地勘阶段的预测结果与施工阶段实际情况出入较大，施工阶段传统的地震监测法、岩体应力监测法、岩体声波监测法、岩体振动监测法等需要投入的人力、物力较大，且在监测过程中，难以保障监测人员的安全。
[0053]
为此，发明人通过长期的研究与实践，提出了一种钻爆法隧道施工阶段岩爆等级精细化预测方法，利用全电脑三臂凿岩台车采集的钻进参数、掌子面地质素描记录的岩石坚硬程度，结合人工智能技术，精细化预测掌子面前方围岩岩爆等级。该方法旨在提供一种快速、便捷的岩爆预测方法，保障隧道施工安全，提高隧道智能建造水平。
[0054]
本实施例提供了一种技术方案：一种钻爆法隧道施工阶段岩爆等级精细化预测方法，步骤流程如图1所示，具体包括以下步骤：
[0055]
步骤s1：构建基础样本库，该样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级等信息。全电脑三臂凿岩台车自动采集的各炮孔进给速度、冲击压力、推进压力、回转压力原始数据，采用各项钻进参数平均值作为目标掌子面钻进参数代表值，钻具回转速度通常为269r/min；岩石坚硬程度、掌子面岩爆等级通过掌子面地质素描确定，岩石坚硬程度包括极硬岩、硬岩、较软岩、软岩、极软岩等5类，岩爆等级包括无岩爆、轻微岩爆、中等岩爆、强烈岩爆、极强岩爆等5类。构建的基础样本库数据示例如表1所示。
[0056]
表1基础样本库数据示例
[0057][0058]
步骤s2：基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比等围岩力学参数的映射关系。
[0059]
1)根据全电脑三臂凿岩台车冲击-推进-旋转破岩方式，计算围岩弹性变形能。单位体积的岩体单元在机械作用下产生变形，设该过程与外界没有热交换，凿岩台车在冲击-推进-旋转破岩过程中输出的能量全部转换为岩体内能，主要包括围岩的耗散能和围岩的弹性变形能，则有：
[0060][0061]
式中：k是凿岩台车输出的能量转换为围岩弹性变形能的转换系数，根据数值模拟或室内试验结果确定；pc是压力传感器监测的冲击油缸进油口油压，pa；p
t
是压力传感器监测的冲击油缸进油口油压，pa；vd是流量计监测的钻头进给速度，m/s；d
ca
是冲击油缸活塞后直径，m；d
cb
是冲击油缸活塞前端直径，m；sc是活塞设计行程，m；mc是冲击活塞质量，kg；d是钻孔直径，m；p
t
为活塞推进油缸的后腔压力，也是推进油缸进油口压力，即监测的钻进参数推进压力，pa；d
t
是推进油缸活塞直径，单位m；pr为马达旋转时进油口压力，即监测的钻进参数回转压力，pa；vr是钻具回转速度，单位r/s；qr为液压马达排量，即马达每转动一周排出的流量，单位ml/r或cc；ir为旋转马达减速比；σ1是第一主应力，pa；σ2是第二主应力，pa；σ3是第三主应力，pa；e是岩体弹性模量，pa；υ是岩体泊松比。
[0062]
2)基于能量法和数值模拟或室内试验方法，计算目标掌子面各炮孔单元区域内名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比等围岩力学参数。采用数值模拟或室内试验等方法，模拟不同岩爆等级下全电脑三臂凿岩台车钻进过程，确定机械输出的能量转换为围岩弹性变形的转换系数k。本实施例采用室内试验的方法确定的转换系数为0.6。
[0063]
如图2所示，沿钻进方向，以8cm为单位，将炮孔网格化。在8cm区域内，全电脑三臂凿岩台车可自动采集5组钻进参数，利用此5组钻进参数解析目标炮孔各单元区域内围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比；
[0064]
炮孔各单元区域围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比的解析公式如下：
[0065][0066]
式中：p
t,i
是沿钻进方向单元区域内起点推进压力，pa；p
r,i
是沿钻进方向单元区域i号数据点记录的回转压力，pa；p
c,i
是沿钻进方向单元区域i号数据点记录的冲击压力，pa；v
d,i
是沿钻进方向单元区域内i号数据点记录的进给速度，m/s；p
t,i+1
是沿钻进方向单元区域内i+1号数据点记录的推进压力，pa；p
r,i+1
是沿钻进方向单元区域内i+1号数据点记录的回转压力，pa；p
c,i+1
是沿钻进方向单元区域内i+1号数据点记录的冲击压力，pa；v
d,i+1
是沿钻进方向单元区域内i+1号数据点记录的进给速度，m/s；p
t,i+2
是沿钻进方向单元区域内i+2号数据点记录的推进压力，pa；p
r,i+2
是沿钻进方向单元区域内i+2号数据点记录的回转压力，pa；p
c,i+2
是沿钻进方向单元区域内i+2号数据点记录的冲击压力，pa；v
d,i+2
是沿钻进方向单元区域内i+2号数据点记录的进给速度，m/s；p
t,i+3
是沿钻进方向单元区域内i+3号数据点记录的推进压力，pa；p
r,i+3
是沿钻进方向单元区域内i+3号数据点记录的回转压力，pa；p
c,i+3
是沿钻进方向单元区域内i+3号数据点记录的冲击压力，pa；v
d,i+3
是沿钻进方向单元区域内i+3号数据点记录的进给速度，m/s；p
t,i+4
是沿钻进方向单元区域内i+4号数据点记录的推进压力，pa；p
r,i+4
是沿钻进方向单元区域内i+4号数据点记录的回转压力，pa；p
c,i+4
是沿钻进方向单元区域内i+4号数据点记录的冲击压力，pa；v
d,i+4
是沿钻进方向单元区域内i+4号数据点记录的进给速度，m/s；σ
1,j,i
是j号炮孔钻进方向i号炮孔区域内围岩名义第一主应力，pa；σ
2,j,i
是j号炮孔钻进方向i号炮孔区域内围岩名义第二主应力，pa；σ
3,j,i
是j号炮孔钻进方向i号炮孔区域内围岩名义第三主应力，pa；e
j,i
是j号炮孔钻进方向i号炮孔区域内围岩名义弹性模量，pa；v
j,i
是j号炮孔钻进方向i号炮孔区域内围岩名义泊松比。
[0067]
3)在炮孔单元区域围岩力学参数解析结果基础上，对单个炮孔的各单元区域围岩初始地应力解析结果进行加权平均计算，以加权平均计算结果作为掌子面围岩第一主应力、第二主应力、第三主应力、弹性模量和泊松比，具体计算公式为：
[0068][0069]
式中：σ1是目标掌子面第一主应力，pa；σ2是目标掌子面第二主应力，pa；σ3是目标掌子面第三主应力，pa；e是目标掌子面围岩弹性模量，pa；v是目标掌子面围岩泊松比；m是目标掌子面的炮孔数量；n是炮孔的区域划分数量。
[0070]
以某钻爆法隧道工程为例，各典型掌子面围岩第一主应力、第二主应力、第三主应力、弹性模量和泊松比计算结果示例如表2所示。
[0071]
表2某钻爆法隧道工程各典型掌子面围岩参数解析结果示例
[0072][0073]
步骤s3：根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库。
[0074]
拓展样本库以掌子面为单位，存储了目标掌子面的4项钻进参数平均值，最一主应力、最二主应力、最三主应力、弹性模量、泊松比等5项围岩力学参数计算值，掌子面地质素描记录的岩石坚硬程度和岩爆等级等2项地质信息。拓展样本库记录的信息详情如表3所示。
[0075]
表3拓展样本库记录的信息详情表
[0076][0077]
步骤s4：构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练。构建的基于深度学习的岩爆等级智能预测模型网络层数为6层，即1个输入层，4个隐含层和1个输出层；所述将拓展样本库带入岩爆等级智能预测模型进行训练是指：将目标掌子面进给速度、冲击压力、推进压力、回转压力4项钻进参数平均值，岩石坚硬程度，第一主应力，第二主应力，第三主应力，弹性模量和泊松比作为输入层的输入参数，将对应掌子面的岩爆等级作为输出层的输出参数，请参阅图3。
[0078]
在样本库构建过程中，为保障岩爆等级预测的准确性，所构建的拓展样本库应包含不同岩爆等级特征，其数据量不宜少于500组，即无岩爆、轻微岩爆、中等岩爆、强烈岩爆、极强岩爆5种岩爆等级各100组。将样本库中的各岩爆等级的样本按训练集：预测集＝8：2的比例，带入模型训练，预测集中各岩爆等级的准确率均》85％，详情如表4所示。
[0079]
表4预测集各岩爆等级预测准确率
[0080]
序号岩爆等级准确率/％1无岩爆87.62轻微岩爆88.63中等岩爆89.14强烈岩爆90.55极强岩爆92.3
[0081]
步骤s5：根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。具体包括如下：
[0082]
s51、根据炮孔空间坐标信息，在二维平面上分块，沿着隧道掘进方向以20cm为粒度，分块的基础上纵向分段；
[0083]
s52、根据掌子面围岩二维分块、纵向分段结果，利用岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
[0084]
1)根据断面形式和炮孔布置，以2m为单位，将掌子面分为5层4列，共计18块，以某
典型钻爆法掌子面断面为例，掌子面二维分块图请参阅图4。
[0085]
根据洞身支护结构间距划分，以20cm为粒度，在二维分块的基础上对掌子面前方围岩进一步纵向分段，纵向分段规则图请参阅图5。
[0086]
2)假设在任意爆破循环内，岩石坚硬程度并无明显变化，则掌子面前方围岩各区域(m号块，n号段)内的岩石坚硬程度与掌子面地质素描结果一致；根据掌子面前方围岩三维划分规则，根据各区域(m号块，n号段)内的钻进参数分别计算对应区域围岩的第一主应力、第二主应力、第三主应力、弹性模量和泊松比；利用岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
[0087]
以某典型钻爆法工程为例，在h3dk2+879.3～h3dk2+876.9钻孔过程中，示例掌子面h3dk2+879.3前方围岩岩爆等级精细化预测结果请参阅图6。h3dk2+877.5掌子面左侧发生了轻微岩爆，围岩表层爆裂脱落，岩爆等级精细化预测结果与掌子面岩爆的实际情况基本保持一致。h3dk2+877.5岩爆掌子面照片与岩爆预测结果对比分析详情请参阅图7。
[0088]
实施例2
[0089]
一种钻爆法隧道施工阶段岩爆等级精细化预测系统，如图8所示，所述系统具体包括：
[0090]
基础样本库构建模块110：构建基础样本库，基础样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级信息；
[0091]
映射关系建立模块120：基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系；
[0092]
拓展样本库构建模块130：根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库；
[0093]
岩爆等级智能预测模型构建模块140：构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；
[0094]
预测模块150：根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。
[0095]
本发明利用全电脑三臂凿岩台车采集的钻进参数、掌子面地质素描记录的岩石坚硬程度，结合人工智能技术，能精细化的预测掌子面前方围岩岩爆等级。根据钻爆法隧道掌子面钻孔过程中产生的钻进参数精细化预测掌子面前方岩爆等级，可有效减少施工人员的投入，防止岩爆对施工人员安全造成的影响，指导了隧道智能建造。
[0096]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于，包括以下步骤：s1、构建基础样本库，基础样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级信息；s2、基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系；s3、根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库；s4、构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；s5、根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。2.根据权利要求1所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s1构建基础样本库，根据全电脑三臂凿岩台车自动采集的各炮孔进给速度、冲击压力、推进压力、回转压力原始数据，采用各项钻进参数平均值作为目标掌子面钻进参数代表值；所述岩石坚硬程度、掌子面岩爆等级通过掌子面地质素描确定，岩石坚硬程度包括极硬岩、硬岩、较软岩、软岩、极软岩5类，岩爆等级包括无岩爆、轻微岩爆、中等岩爆、强烈岩爆、极强岩爆5类。3.根据权利要求1所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s2基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系，具体包括如下：s21、根据全电脑三臂凿岩台车冲击-推进-旋转破岩方式，计算围岩弹性变形能；s22、基于能量法和数值模拟或室内试验方法，计算目标掌子面各炮孔单元区域内名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比的围岩力学参数；s23、根据目标掌子面各炮孔单元区域内名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比，计算目标掌子面第一主应力、第二主应力、第三主应力、弹性模量和泊松比。4.根据权利要求3所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s21具体包括：单位体积的岩体单元在机械作用下产生变形，设该过程与外界没有热交换，凿岩台车在冲击-推进-旋转破岩过程中输出的能量全部转换为岩体内能，主要包括围岩的耗散能和岩体的弹性变形能，则有：5.根据权利要求3所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s22具体包括：采用数值模拟或室内试验方法，模拟不同岩爆等级下全电脑三臂凿岩台车钻进过程，确定机械输出的能量转换为围岩弹性变形能的转换系数k；沿钻进方向，以8cm为单位，将炮孔网格化；在8cm区域内，全电脑三臂凿岩台车可自动采集5组钻进参数，利用此5组钻进参数解析目标炮孔各单元区域内围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模量和名义泊松比；炮孔各单元区域围岩名义第一主应力、名义第二主应力、名义第三主应力、名义弹性模
量和名义泊松比的解析公式如下：6.根据权利要求3所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s23具体包括：在炮孔单元区域围岩力学参数解析结果基础上，对单个炮孔的各单元区域围岩初始地应力解析结果进行加权平均计算，以加权平均计算结果作为掌子面围岩第一主应力、第二主应力、第三主应力、弹性模量和泊松比，具体计算公式为：7.根据权利要求1所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s4构建的基于深度学习的岩爆等级智能预测模型网络层数为6层，即1个输入层，4个隐含层和1个输出层；所述将拓展样本库带入岩爆等级智能预测模型进行训练是指：将目标掌子面进给速度、冲击压力、推进压力、回转压力4项钻进参数平均值，岩石坚硬程度，第一主应力，第二主应力，第三主应力，弹性模量和泊松比作为输入层的输入参数，将对应掌子面的岩爆等级作为输出层的输出参数。8.根据权利要求1所述的钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s5根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级，具体包括如下：s51、根据炮孔空间坐标信息，在二维平面上分块，沿着隧道掘进方向以20cm为粒度，在分块的基础上纵向分段；s52、根据掌子面围岩二维分块、纵向分段结果，利用岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。9.根据权利要求8所述的一种钻爆法隧道施工阶段岩爆等级精细化预测方法，其特征在于：所述步骤s51具体包括：根据断面形式和炮孔布置情况，以2m为单位，将掌子面分为5层4列，共计18块；根据洞身支护结构间距划分，以20cm为粒度，在二维分块的基础上对掌子
面前方围岩进一步纵向分段。10.一种钻爆法隧道施工阶段岩爆等级精细化预测系统，其特征在于：所述系统具体包括：基础样本库构建模块(110)：构建基础样本库，基础样本库包括钻进参数、岩石坚硬程度以及对应掌子面的岩爆等级信息；映射关系建立模块(120)：基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比的围岩力学参数的映射关系；拓展样本库构建模块(130)：根据钻进参数与围岩力学参数之间的映射关系，在基础样本库的基础上，构建拓展样本库；岩爆等级智能预测模型构建模块(140)：构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；预测模块(150)：根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。

技术总结
本发明涉及隧道工程领域，具体公开了一种钻爆法隧道施工阶段岩爆等级精细化预测方法及系统，包括以下步骤：构建基础样本库；基于能量法建立钻进参数与第一主应力、第二主应力、第三主应力、弹性模量和泊松比等围岩力学参数的映射关系；根据映射关系在基础样本库的基础上，构建拓展样本库；构建基于深度学习的岩爆等级智能预测模型，将拓展样本库带入所述的岩爆等级智能预测模型进行训练；根据构建的岩爆等级智能预测模型，精细化预测掌子面前方围岩岩爆等级。本发明根据钻爆法隧道掌子面钻孔过程中产生的钻进参数精细化预测掌子面前方岩爆等级，可有效减少施工人员的投入，防止岩爆对施工人员安全造成的影响，指导了隧道智能建造。造。造。


技术研发人员：王明年 易文豪 赵思光 李泽星 夏覃永 孙鸿强 彭鑫 林鹏
受保护的技术使用者：西南交通大学
技术研发日：2023.05.04
技术公布日：2023/8/23