基于深度神经网络的围岩无侧限抗压强度预测

江 南，李叔敖，褚长海

（盾构及掘进国家重点实验室 河南 郑州 450001)

隧道掘进机（TBM)已经广泛应用于公路隧道、铁路隧道以及采矿工程中[1]。相较于传统钻爆法，TBM 掘进法具有施工快速、安全、自动化程度高等优点[2～3]。但其地质条件适应性差一直都是其面临的主要问题。在TBM 施工中，主控司机通过缓慢试掘和观察岩渣进来评估围岩参数，再通过反复调整掘进参数直至其保持稳定，这种依赖人工经验调节掘进参数的施工效率低下，且容易使得掘进参数与岩体参数匹配性差；此外，围岩剧烈变化时，主控司机可能无法实时有效地对当前围岩的参数进行感知，导致掘进参数无法适应当前复杂多变地质环境变化，容易造成卡机，地质灾害，甚至引发人员伤亡事故[4]。总之不良的地质条件会极大地影响TBM 掘进效能，故使用TBM 掘进法需要专业的经验丰富的主司机，需要更加详细的地质资料。但是传统的地质预报手段，如超前钻孔，地震波检测，地质雷达等，均需要耗费额外的时间与设备，而且其产生的地质数据常常是不连续的[5]，难以完整反映掌子面围岩的实时地质状况。

由于掘进参数可以看作是围岩与TBM 相互作用结果的动态反映，当前有许多利用掘进参数预测围岩性质的工作。李蓬喜等使用LSTM 模型对TBM 实时岩体条件进行预测，取得了较高的围岩类别预测准确率[6]。刘斌等使用支持向量回归算法对围岩参数如单轴抗压强度UCS，脆性指数BI，薄弱面间距DPW 和不连续面方向α 进行预测，取得了较低的均方百分比误差[7]。……