一种TBM施工隧道围岩智能自动分级方法及系统

一种tbm施工隧道围岩智能自动分级方法及系统
技术领域
1.本发明属于围岩分级技术领域，尤其涉及一种tbm施工隧道围岩智能自动分级方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.目前隧道开挖主要有两种方法钻爆法和tbm法，相较于钻爆法tbm法施工速度快，隧道成型好，但tbm掘进机对地层的变化适应性不足，为了保障tbm掘进机的正常工作，亟需对tbm掘进围岩的等级进行更加精准的判断。
4.发明人发现，在tbm掘进过程中，为保证机器施工安全，施工单位会采用地质勘察、超前地质预报、岩石物理实验等多种手段，但这些方法获取的信息都是片面的，现有方法中并未考虑如何这些信息对围岩等级进行综合判断。


技术实现要素：

5.本发明为了解决上述问题，提供了一种tbm施工隧道围岩智能自动分级方法及系统，所述方案有效解决了现有方法无法全面综合多源异构信息对围岩等级进行判别，导致tbm无法高效掘进，甚至出现塌方卡机等事故的问题。
6.根据本发明实施例的第一个方面，提供了一种tbm施工隧道围岩智能自动分级方法，包括：
7.实时获取隧道施工过程中的多源勘察掘进数据；其中，所述多源勘察掘进数据中包括一维信息和三维图像信息；
8.对所述多源勘察掘进数据中的三维图像信息进行特征提取，获得降维后的一维特征；将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，获得融合特征；
9.将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。
10.进一步的，所述三维图像信息进行特征提取具体为：对于超前地质预报数据以及围岩图像信息中的三维图像信息，通过切面及投影处理，实现三维图像信息的二维图像化；基于获得的二维图像，利用预先训练的深度学习模型对超前地质预报数据及围岩图像信息中的不良地质特征进行检测；基于深度学习模型输出的带有特征提取框和对应概率的图像，计算框选区域大小，并结合对应概率值获得不良地质体的数学期望，用于作为三维图像信息的特征表示。
11.进一步的，所述将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，具体为：将多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的降维后的一维特征拼接后得到的一维向量表示形式，作为融合特征。
12.进一步的，所述多源勘察掘进数据包括地质勘察设计得到的信息、岩石物理性质信息、tbm掘进数据、超前地质预报数据以及围岩图像信息。
13.进一步的，所述地质勘察设计得到的信息包括构造类型、构造产状、构造规模、地应力级别、地应力大小、地应力方向、地下水水压、渗水量以及地温梯度信息；岩石物理性质信息包括岩石类型、孔隙度、容重、密度、含水率、渗透率、单轴抗压强度、三轴抗压强度、抗拉强度、弹性模量、杨氏模量、泊松比、内摩擦角以及粘聚力；tbm掘进数据包括刀盘推力、刀盘转速、tbm净掘进速度以及刀盘贯入度；超前地质预报数据包括激发极化法的三维成像图和三维地震法三维成像图；围岩图像信息包括围岩拍摄图像。
14.进一步的，所述分类器采用聚类算法进行分类，所述分类器的训练具体包括：
15.获取隧道施工过程中的历史多源勘察掘进数据，实现分类器训练集的构建；其中，所述训练集中的样本包括多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的一维信息拼接后得到的融合特征，以及该融合特征对应的围岩分级结果；
16.将训练集中的若干样本组合成特征矩阵的形式，对聚类算法进行训练，直至满足预设要求停止训练，获得训练好的分类器。
17.进一步的，所述分类器的训练采用滚动学习数据库的方式，具体为：将典型数据作为典型样本库，同时，在隧道掘进过程中不断加入新的勘察掘进数据，并从典型样本库中删除上一开挖洞段的典型勘察掘进数据，基于所述典型样本库对分类器进行训练；其中，所述典型数据为典型洞段的勘察掘进数据。
18.根据本发明实施例的第二个方面，提供了一种tbm施工隧道围岩智能自动分级系统，包括：
19.数据获取单元，其用于实时获取隧道施工过程中的多源勘察掘进数据；其中，所述多源勘察掘进数据中包括一维信息和三维图像信息；
20.特征提取及融合单元，其用于对所述多源勘察掘进数据中的三维图像信息进行特征提取，获得降维后的一维特征；将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，获得融合特征；
21.围岩分级单元，其用于将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。
22.根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种tbm施工隧道围岩智能自动分级方法。
23.根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种tbm施工隧道围岩智能自动分级方法。
24.与现有技术相比，本发明的有益效果是：
25.(1)本发明提供了一种tbm施工隧道围岩智能自动分级方法及系统,所述方案结合了工程实际中能得到的各种勘察掘进信息，并且不再使用单一经验公式直接求值的方式，而是通过图像识别技术实现多源高维数据的不良地质信息特征提取，进行高维特征的降维，并将大量多源异构数据中的一维数据与降维处理得到的一维数据进行融合，再使用训练后的分类器(即聚类算法)对数据向量直接分类，实现了多源异构数据的科学融合；
26.(2)本发明所述方案可直接对实时获取的隧道施工过程中的多源勘察掘进数据进行自动判别，判别过程不再需要人工操作，而且判别速度更快；所述方案实现了对tbm掘进
隧道围岩等级的综合自动判别，提高了tbm隧道围岩等级判别的速度与精度，有利于提升tbm的掘进效率，对tbm隧道施工具有重大指导意义。
27.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
28.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
29.图1为本发明实施例中所述的一种tbm施工隧道围岩智能自动分级方法实施过程示意图；
具体实施方式
30.下面结合附图与实施例对本发明做进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
34.实施例一：
35.本实施例的目的是提供一种tbm施工隧道围岩智能自动分级方法。
36.一种tbm施工隧道围岩智能自动分级方法，包括：
37.实时获取隧道施工过程中的多源勘察掘进数据；其中，所述多源勘察掘进数据中包括一维信息和三维图像信息；
38.对所述多源勘察掘进数据中的三维图像信息进行特征提取，获得降维后的一维特征；将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，获得融合特征；
39.将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。
40.在具体实施中，所述三维图像信息进行特征提取具体为：对于超前地质预报数据以及围岩图像信息中的三维图像信息，通过切面及投影处理，实现三维图像信息的二维图像化；基于获得的二维图像，利用预先训练的深度学习模型对超前地质预报数据及围岩图像信息中的不良地质特征进行检测；基于深度学习模型输出的带有特征提取框和对应概率的图像，计算框选区域大小，并结合对应概率值获得不良地质体的数学期望，用于作为三维图像信息的特征表示；
41.在具体实施中，所述将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，具体为：将多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的降维后的一维特征拼接后得到的一维向量表示形式，作为融合特征。
42.在具体实施中，所述多源勘察掘进数据包括地质勘察设计得到的信息、岩石物理
性质信息、tbm掘进数据、超前地质预报数据以及围岩图像信息。
43.在具体实施中，所述地质勘察设计得到的信息包括构造类型、构造产状、构造规模、地应力级别、地应力大小、地应力方向、地下水水压、渗水量以及地温梯度信息；岩石物理性质信息包括岩石类型、孔隙度、容重、密度、含水率、渗透率、单轴抗压强度、三轴抗压强度、抗拉强度、弹性模量、杨氏模量、泊松比、内摩擦角以及粘聚力；tbm掘进数据包括刀盘推力、刀盘转速、tbm净掘进速度以及刀盘贯入度；超前地质预报数据包括激发极化法的三维成像图和三维地震法三维成像图；围岩图像信息包括围岩拍摄图像。
44.在具体实施中，所述分类器采用聚类算法进行分类，所述分类器的训练具体包括：获取隧道施工过程中的历史多源勘察掘进数据，实现分类器训练集的构建；其中，所述训练集中的样本包括多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的一维信息拼接后得到的融合特征，以及该融合特征对应的围岩分级结果；
45.将训练集中的若干样本组合成特征矩阵的形式，对聚类算法进行训练，直至满足预设要求停止训练，获得训练好的分类器。
46.在具体实施中，所述分类器的训练采用滚动学习数据库的方式，具体为：将典型数据作为典型样本库，同时，在隧道掘进过程中不断加入新的勘察掘进数据，并从典型样本库中删除上一开挖洞段的典型勘察掘进数据，基于所述典型样本库对分类器进行训练；其中，所述典型数据为典型洞段的勘察掘进数据。
47.为了便于理解，以下从具体实施的角度对本实施例所述方案进行详细说明：
48.本方案结合图像识别技术，滚动学习方法和聚类算法，提出了一种融合多源异构信息的tbm隧道围岩智能自动分级方案，所述方案综合利用来自地质勘察设计、超前地质预报、岩石物理实验、围岩图像以及tbm掘进数据的多源异构信息，综合分析各种信息对隧道围岩等级划分的影响，给出一种融合多源异构信息定量判断隧道围岩等级的方案。
49.一种tbm施工隧道围岩智能自动分级方法，包括：
50.步骤1：收集隧道施工中的多源勘察掘进数据，建立多源勘察掘进数据库。
51.步骤2：通过图像识别模块对多源勘察掘进数据中的高维数据进行特征提取，实现多源勘察掘进数据一维化。
52.步骤3：结合单个样本中的所有数据形成样本特征向量，结合所有特征向量形成样本特征矩阵。
53.步骤4：根据多源数据矩阵选择分类数k，随机选择k个样本向量作为初始聚类中心开始第一次聚类，根据第一次聚类结果调整分类数k和初始聚类中心，直至分类效果合格。
54.步骤5：将工程实例导入分类器进行验证，验证合格后即可根据多源勘察掘进数据判断前方围岩等级。
55.步骤6：建立典型样本库+最近勘察掘进数据的滚动学习数据库，随着隧道的掘进和反馈不断对模型进行优化。
56.在具体实施中，所述步骤1中的地质勘察设计得到的信息包括但不限于构造类型、构造产状、构造规模、地应力级别、地应力大小、地应力方向、地下水水压、渗水量和地温梯度信息；岩石物理性质信息包括但不限于岩石类型、孔隙度、容重、密度、含水率、渗透率、单轴抗压强度、三轴抗压强度、抗拉强度、弹性模量、杨氏模量、泊松比、内摩擦角、粘聚力；tbm掘进数据包括但不限于刀盘推力、刀盘转速、tbm净掘进速度、刀盘贯入度；超前地质预报的
数据包括但不限于激发极化法的三维成像图和三维地震法三维成像图；围岩图像信息包括但不限于围岩拍摄图像。
57.在具体实施中，所述步骤1中的多源勘察掘进数据需要满足相关性低的要求，避免大量相关性高的数据输入模型，造成模型重复性、无效性学习，降低模型识别速度和准确率。
58.在具体实施中，所述步骤1中影响围岩等级的主要因素的选取需要满足各个因素随着围岩等级的改变有明显的区间变化，提高模型对不同围岩等级的敏感性和区分度。
59.在具体实施中，所述步骤2中的图像识别模块指的是用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用，模块使用的算法包括但不限于区域卷积网络(r-cnn)，快速区域卷积网络(fast r-cnn)，更快区域卷积网络(faster r-cnn)或一次遍历网络(yolo)。
60.在具体实施中，所述步骤2中的图像识别模块目标是利用图像识别技术实现对超前地质预报图像、围岩图像等高维数据(即三维图像)的特征提取，最终实现高维数据的一维化。
61.在具体实施中，所述步骤2中的图像识别模块的具体实施步骤为：
62.选取多源勘察掘进数据库中的超前地质预报数据、围岩图像数据等高维信息，将三维的图像做切面及投影处理，实现三维图像信息的二维图像化，所有的二维信息组成二维图像信息数据库；使用特定的图像数据处理标注软件，例如：labelimg，对二维图像信息中的不良地质特征做标记，形成不良地质图像数据集；将数据集导入深度学习模型(本实施例中采用fast r-cnn模型)，对模型进行训练；通过mpa值(平均特征检测准确率)对模型效果进行评估，当模型的mpa值不足0.6时，调整导入的数据集中的正负样本比例，继续对模型训练，直至模型训练效果合格；使用合格模型实现对的地质预报图像和围岩数据的不良地质特征实时检测，基于fast r-cnn输出的带有特征提取框和对应概率的图像，计算框选区域大小，配合对应概率值计算出不良地质体的数学期望；最终输出高维数据中各种不良地质的数学期望信息,计算不良地质数学期望值的公式如下所示。通过图像识别模块，数据库中的高维图像信息转化为多个不良地质数学期望值，实现了高维信息的降维处理。
63.具体的，所述不良地质体(以岩爆为例)的数学期望采用如下计算公式：
[0064][0065]
其中，n为岩爆特征区域的数量；si为单个岩爆特征区域的面积；pi为该面积的概率值；s
岩爆
为岩爆这种不良地质体的数学期望，其他类型的不良地质体数学期望以此类推得到。
[0066]
在具体实施中，所述步骤2中的特征提取指的是提取高维数据即非数字类数据的特征，高维数据一维化指的就是将高维数据特征量化为一个或多个数字。
[0067]
在具体实施中，所述步骤3中的建立的样本特征矩阵中的数据，需要剔除明显偏离各个数据正常取值区间的数据，剔除无效数据如超前地质预报数据中不清晰的三维成像图、掘进数据中掘进距离太短的数据。
[0068]
在具体实施中，所述步骤3中的数据矩阵化指的是将每个案例(即数据库中的每个样本)的所有多源数据全部数字化后，将一个数据的所有特征写成向量形式，再将所有向量组合起来形成一个特征矩阵。
[0069]
具体的，通过将多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的一维信息拼接后得到的一维向量表示形式，作为融合特征；在分类器的训练阶段，通过将训练集中的每个样本的融合特征组合成矩阵形式，作为待训练分类器的输入；对于训练好的分类器，基于实时获取隧道施工过程中的多源勘察掘进数据，获得其对应的融合特征，将所述融合特征输入训练好的分类器中，获得最终的围岩分级结果。
[0070]
在本实施例中，所述分类器采用聚类算法进行分类。
[0071]
在具体实施中，所述步骤4中的初始的k值和k个初始中心向量均可以随机选择，k值和中心向量也可以在后续分类器训练中变化。
[0072]
具体的，通过将步骤3中获得的特征矩阵导入聚类算法分类器，根据样本特征选择类别数k，然后在全部样本向量中随机选择k个中心向量，分类器便可以根据欧氏距离法则开始样本向量类别划分，在算法执行结束后检查每一个类的平均直径，利用平均直径来判断分类效果的好坏，平均直径较小证明k值选择较小，需重新选择k值与中心点，直至得到的类别平均直径不再随k值增大而增大，即可得到合格的分类。
[0073]
在具体实施中，所述步骤5进行工程实例的测试中，需要选择典型的各等级围岩段(即在多种围岩等级判别标准下，分类结果不发生变化的围岩段)作为测试数据，当各等级围岩的识别准确率都达到90％以上时才判定为训练合格。如果多次训练仍旧不合格则进行勘察掘进数据样本库的重新筛选，将不合适的数据进行剔除，直至工程实例测试合格，其中，所述不合适的数据为：在其他标准围岩等级方法中表现出分级稳定性，但是聚类分级下分级出现的偏差性较大，或与标准围岩分级差别较大的数据。
[0074]
具体的，分类器分类效果合格后，将工程实例导入分类器进行验证，若分类效果与实例有较大差异，则需要对高维数据重新进行特征提取，直至分类器可以对工程实例的分类效果达到90％以上的准确率为止。
[0075]
在具体实施中，所述步骤6建立的典型样本库来自于典型洞段的勘察掘进数据，并不断叠加开挖洞段中的典型勘察掘进数据，以此作为训练样本对分类器不断进行优化训练，并通过实时勘察掘进数据的反馈进行分类模型参数的调整。
[0076]
具体的，将典型数据作为典型样本库保留为分类器的底层样本矩阵，同时在隧道掘进进行过程中不断加入新的勘察掘进数据，并从典型样本库中删除上一阶段的非典型样本向量(此处的非典型样本特指的是上一开挖洞段中的典型勘察掘进数据，这些数据有着即时性，所以加入了典型样本库，但是其典型性不足，所以需要在掘进过程中不断更新)，实现模型的滚动学习，不断优化模型的适应性，提高模型对围岩等级判别的准确率。
[0077]
实施例二：
[0078]
本实施例的目的是提供一种tbm施工隧道围岩智能自动分级系统。
[0079]
一种tbm施工隧道围岩智能自动分级系统，包括：
[0080]
数据获取单元，其用于实时获取隧道施工过程中的多源勘察掘进数据；其中，所述历史多源勘察掘进数据包括地质勘察设计得到的信息、岩石物理性质信息、tbm掘进数据、超前地质预报数据以及围岩图像信息；
[0081]
特征提取及融合单元，其用于基于获得的多源勘察掘进数据，根据预先训练的深度学习模型进行特征提取；将多源勘察掘进数据特征进行融合，获得融合特征；其中，对于超前地质预报数据以及围岩图像信息中的三维图像信息，通过切面及投影处理，实现三维
图像信息的二维图像化；基于获得的二维图像，利用预先训练的深度学习模型对超前地质预报数据及围岩图像信息中的不良地质特征进行检测；基于深度学习模型输出的带有特征提取框和对应概率的图像，计算框选区域大小，并结合对应概率值获得不良地质体的数学期望，用于作为三维图像信息的特征表示；
[0082]
围岩分级单元，其用于将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。
[0083]
进一步的，本实施例所述系统与实施例中所述方法相对应，其技术细节在实施例一中已经进行了详细说明，故此处不再赘述。
[0084]
在更多实施例中，还提供：
[0085]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
[0086]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asi c，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0087]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0088]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
[0089]
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0090]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0091]
上述实施例提供的一种tbm施工隧道围岩智能自动分级方法及系统可以实现，具有广阔的应用前景。
[0092]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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tbm施工隧道围岩智能自动分级方法，其特征在于，包括：实时获取隧道施工过程中的多源勘察掘进数据；其中，所述多源勘察掘进数据中包括一维信息和三维图像信息；对所述多源勘察掘进数据中的三维图像信息进行特征提取，获得降维后的一维特征；将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，获得融合特征；将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。2.如权利要求1所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述三维图像信息进行特征提取具体为：对于超前地质预报数据以及围岩图像信息中的三维图像信息，通过切面及投影处理，实现三维图像信息的二维图像化；基于获得的二维图像，利用预先训练的深度学习模型对超前地质预报数据及围岩图像信息中的不良地质特征进行检测；基于深度学习模型输出的带有特征提取框和对应概率的图像，计算框选区域大小，并结合对应概率值获得不良地质体的数学期望，用于作为三维图像信息的特征表示。3.如权利要求1所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，具体为：将多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的降维后的一维特征拼接后得到的一维向量表示形式，作为融合特征。4.如权利要求1所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述多源勘察掘进数据包括地质勘察设计得到的信息、岩石物理性质信息、tbm掘进数据、超前地质预报数据以及围岩图像信息。5.如权利要求4所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述地质勘察设计得到的信息包括构造类型、构造产状、构造规模、地应力级别、地应力大小、地应力方向、地下水水压、渗水量以及地温梯度信息；岩石物理性质信息包括岩石类型、孔隙度、容重、密度、含水率、渗透率、单轴抗压强度、三轴抗压强度、抗拉强度、弹性模量、杨氏模量、泊松比、内摩擦角以及粘聚力；tbm掘进数据包括刀盘推力、刀盘转速、tbm净掘进速度以及刀盘贯入度；超前地质预报数据包括激发极化法的三维成像图和三维地震法三维成像图；围岩图像信息包括围岩拍摄图像。6.如权利要求1所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述分类器采用聚类算法进行分类，其中，所述分类器的训练具体包括：获取隧道施工过程中的历史多源勘察掘进数据，实现分类器训练集的构建；其中，所述训练集中的样本包括多源勘察掘进数据中的一维信息及三维图像信息经特征提取后得到的一维信息拼接后得到的融合特征，以及该融合特征对应的围岩分级结果；将训练集中的若干样本组合成特征矩阵的形式，对聚类算法进行训练，直至满足预设要求停止训练，获得训练好的分类器。7.如权利要求1所述的一种tbm施工隧道围岩智能自动分级方法，其特征在于，所述分类器的训练采用滚动学习数据库的方式，具体为：将典型数据作为典型样本库，同时，在隧道掘进过程中不断加入新的勘察掘进数据，并从典型样本库中删除上一开挖洞段的典型勘察掘进数据，基于所述典型样本库对分类器进行训练；其中，所述典型数据为典型洞段的勘察掘进数据。8.一种tbm施工隧道围岩智能自动分级系统，其特征在于，包括：
数据获取单元，其用于实时获取隧道施工过程中的多源勘察掘进数据；其中，所述多源勘察掘进数据中包括一维信息和三维图像信息；特征提取及融合单元，其用于对所述多源勘察掘进数据中的三维图像信息进行特征提取，获得降维后的一维特征；将降维后的一维特征与所述多源勘察掘进数据中的一维信息进行融合，获得融合特征；围岩分级单元，其用于将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种tbm施工隧道围岩智能自动分级方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种tbm施工隧道围岩智能自动分级方法。

技术总结
本发明提供了一种TBM施工隧道围岩智能自动分级方法及系统，所述方案包括实时获取隧道施工过程中的多源勘察掘进数据；其中，所述历史多源勘察掘进数据包括地质勘察设计得到的信息、岩石物理性质信息、TBM掘进数据、超前地质预报数据以及围岩图像信息；基于获得的多源勘察掘进数据，根据预先训练的深度学习模型进行特征提取；将多源勘察掘进数据特征进行融合，获得融合特征；将所述融合特征输入预先训练的分类器中，获得前方围岩等级的分类结果。获得前方围岩等级的分类结果。获得前方围岩等级的分类结果。


技术研发人员：邱道宏 张文卿 李雪冰 傅康 许建述
受保护的技术使用者：山东大学
技术研发日：2023.05.30
技术公布日：2023/9/14