0 引言
21 世纪以来 ,为加快西部大开发及东北振兴战略的实施 ,促进区域经济协调发展 ,改善全国交通网络布局 ,隧道及地下工程建设的重点由城市平原地区转向山地丘陵地区 ,同时加强对高等级公路与铁路的修建和改扩建工作。截至 2023 年底 ,我国已建成运营公路隧道27297 座 ,总长 30232 km,其中10 km 以上特长公路隧道25 座[1] ; 铁路隧道 18573 座 ,总长 23508 km[2] ; 城 市轨道交通(含“智轨”系统)运营城市 61 个 ,总里程数约 11034 km,其中 28 座城市的运营总里程达到了 100 km 以上[3] 。继厦门翔安海底隧道、胶州湾海底隧道及港 珠澳大桥海底沉管隧道等跨海隧道建成后 ,跨越渤海海峡、琼州海峡及台湾海峡的海底隧道建设也在进行中 。此外 ,“十四五”规划[4] 中已明确提出要加快交通 强国建设 ,提升全国高速公路与高速铁路网络质量 ,并推进城市轨道交通发展 ,实现多层级、一体化的综合交通枢纽体系的构建。
在隧道及地下结构的设计与施工过程中 ,由于结构所处的工程地质、水文地质环境复杂多样 ,具有较强的非均匀性、非确定性以及非连续性 ,加之开挖岩土体 与周围地质环境、开挖作业机械之间也存在较为明显的相互作用 ,导致岩爆、突涌水及地表沉降等灾害的发生 [5] 。因此 ,研究岩土体的力学行为、稳定性及其与 工程结构之间的相互作用至关重要 。此外 ,影响隧道施工的因素是多尺度、多层次的 ,如地质条件、水文条 件及地应力状态等 ,致使研究人员更倾向于使用有限元与离散元等数值分析方法代替繁琐的理论解析计算方法 ,以解决目前遇到的工程问题 。然而 ,在隧道及地下工程问题的实际分析过程中 ,尽管数据获取技术已经取得显著进步 ,但工程环境的限制使得施工 开挖过程中收集掌子面特征信息依旧较为困难 ,加之缺乏有效的数据分析工具 ,绝大部分数据未得到充分利用[6] 。 目前的研究表明 ,数据挖掘是解决该 类问题的主要手段 ,其通过数据增强与复杂数据集 中识别等步骤提取出隐藏在数据中的有效信息 ,众多学者已经利用该项技术在地质灾害防治[7] 、超前 地质预报[8] 、围岩变形预测[9] 等工程问题的研究中取得了显著成果。
随着计算机技术的不断革新 ,人工智能理论的不断完善 ,基于大数据的机器学习逐渐在工程领域得到 广泛应用 。机器学习通过对已有数据的学习 ,能够处 理较为复杂的工程问题 ,尤其是在特征提取与模式识别任务中表现出色 。然而 ,传统的机器学习通常依赖 于手动特征提取 ,并且在处理大规模复杂数据时往往 面临效率和精度的局限 。深度学习作为机器学习的子集 ,通过多层神经网络自动提取数据特征 ,显著提高了处理复杂数据的能力 ,有效解决了上述问题 。此外 ,深度学习无需人工干预即可进行数据特征提取与识别 , 特别适用于隧道与地下工程中非线性、非均匀性和复杂性较高的场景 。基于此 ,深度学习方法作为数据挖掘的先进形式[10] ,已广泛应用于参数反演[11-13] 、灾害 预测[14-17] 、风险评估[18-20] 等工程问题 。此外 ,深度学习算法可以用于数值模拟数据的预处理任务 ,校正并优化数值分析模型中的参数 ,提高模型的可靠度 ,增强 传统数值分析方法的性能[21-22] 。综合来看 ,深度学习算法在隧道及地下工程拥有广阔的应用前景与研究意义[23] 。
目前针对深度学习算法在隧道及地下工程中的研究仅限于某一特定的方向 ,系统介绍深度学习算法在该工程领域研究的概述性文章较少 。鉴于此 ,本文介绍深度学习在隧道及地下工程的发展历程 ,梳理深度学习算法自面世以来在该领域已发表的中外文章 ,将其在隧道及地下工程应用研究分为参数反演分析、施工机械参数预测与优化、施工及运营过程控制与风险评估、隧道安全监测与缺陷检测、隧道结构健康预测、 围岩分级、掌子面图像识别与分类等 7 个方向 ,探讨并总结深度学习在上述研究方向的智能化应用及当前研究存在的问题 ,并展望深度学习在隧道及地下工程未来的发展方向。
1 深度学习在隧道与地下工程领域的发展
1. 1 发展历程
20 世纪 80 年代末 ,Ian 等[24] 首先将神经网络引入土木工程领域 ,用于解决施工工序优化问题 。在国内的土木工程界 ,石成钢等[25] 较早从事神经网络工作 ,利用人工神经网络来处理地震中心烈度与对应震级的关系 。由于隧道施工过程中所开挖的介质是天然形成的复杂地质体 ,该过程本质上是一种时间和空间上不断变化的动态过程 。因此 ,通过对开 挖过程中围岩和衬砌结构受力的模拟和分析 ,实现支护动态设计进而预测隧道结构的稳定性是非常必要的[26] 。但影响工程在施工期和运营期稳定性的因素复杂 , 目前仍较大程度依赖领域专家的知识和工程经验 。随着计算机技术的发展 ,基于人工智能技 术的智能化分析成为现实 ,Liu 等[27] 对人工智能在隧 道建设中的热点与前沿话题进行总结 ,强调了其在智能化隧道系统开发、风险管理及监测隧道行为自动化技术等热点研究领域的重要地位。
综合利用“ 中国知网”“Web of Science”等学术数据库 ,以“深度学习”“ 隧道工程”“地下空间”为搜索 关键词查阅近 10 年的中英文文献 ,并排除关联性较低的期刊文章 ,共检索到中英文文献 758 篇 ,其中 ,中文文献 437 篇 ,英文文献 321 篇 ,并绘制了这 758 篇文献发表年份分布图 ,如图 1 所示 。结果显示 ,深度学习 概念自 2006 年被提出以来 ,其在隧道及地下工程中的应用研究随着年份的增大呈现持续增长的趋势 , 这表明 ,随着隧道建设数量增大、建设难度提高以及施工环境复杂 ,更多的研究学者应用深度学习算法 解决隧道及地下工程中面临的问题 ,且已有大量研究结果证明该算法得出的结论具有较好的准确性与适用性 ,能够满足各类隧道及地下工程在设计、施工与运营阶段的要求。
图 1 相关文献发表年份分布图
文献的关键词能够反映其主要研究对象和核心内容 ,本研究利用 VOSviewer 软件分别对“ 中国知网”与 “ Web of Science”检索到的文献关键词进行聚类分析 , 绘制了文献关键词的聚类图与热点图 ,如图 2 所示。 分析结果表明 ,在“ 中国知网”数据库中 ,“卷积神经网 络”“公路隧道”“ 图像识别”“ 图像处理”是出现次数较多的关键词 ; 而在“ Web of Science ”数据库中 , “ model”“prediction”“crack detection”“recognition”等关键词出现的频率较高 。这些结果表明深度学习算法 在隧道及地下工程领域的预测与识别任务中具有广泛的应用前景。
(a) 中文文献( 中国知网)
(b) 英文文献(Web of Science)
图 2 关键词共现图谱
1. 2 应用现状
根据深度学习的发展历程 ,结合隧道及地下工程的研究进展 ,进一步得出了深度学习与隧道及地下工程相结合的应用场景 ,绘制了能够反映两者之间关系的示意图 ,如图 3 所示 。由图可以看出 : 自多层感知机(multilayer perceptron,MLP)于 20 世纪 80 年代提出以来 ,已作为目前深度神经网络的基础框架 ,并用于实现深度学习算法的测试与训练 。随着 Hinton 在 2006 年提出了深度置信网络 ( deep belief networks, DBN) ,深层网络结构的优化难题有了突破性进展 ,神经网络结构也完成了由浅层向多层、简单向复杂、单目标向多目标的转变 ,针对深度学习的研究在全球掀起了更广泛的热潮 。直至今日 ,包括 ResNet、GoogLeNet、 FCN、Faster R-CNN、Mask R-CNN 及 YOLO 等卷积神经网络(convolutional neural networks, CNN) ,LSTM 与 GRU等循环神经网络 ( recurrent neural network, RNN ) ,生成式对抗网络 ( generative adversarial networks,GAN) 与自编码器 Autoencoder、图神经网络 (graph neural network,GNN)迁移学习及强化学习等更多的网络结构被提出 ,深度学习已正式迈入智能时代。
目前 ,隧道及地下工程的研究进展主要从地质探测与分析、隧道施工监测、结构健康监测、施工过程优化、环境影响评估及长期运营维护等 6 个关键方向行探讨 。大量学者采用深度学习算法与各个隧道及地下工程的研究方向相结合 ,实践于具体工程任务中。 从早期的数据分类到现今的智能预测 ,深度学习不断适应工程的建设需求 ,形成了基于 CNN 的隧道衬砌裂缝检测与结构损伤识别 ,基于 RNN 的隧道沉降、应力应变监测与预测 ,考虑地质、施工及监控等多模态数据融合的多任务预测 ,结合迁移学习与强化学习实现对施工参数自动调整与施工工艺的优化控制 ,基于 GAN 的高维监测数据处理与降噪 ,基于 GNN 的隧道与围岩空间耦合模型建立等应用场景 。因此 ,深度学习在隧道及地下工程中的发展不仅是计算机技术推动的结果 ,更是该领域绿色化与可持续发展等自身需求之间相互演进的产物。
图 3 深度学习算法与隧道及地下工程之间的关系示意图
2 深度学习在隧道及地下工程中的应用现状
随着以全智能化、多维纵横及绿色生态为主要目标的第四次工业革命的到来 ,科技创新与技术更新思想逐渐向各个工程领域渗透 ,深度学习也已成为人工智能研究领域的热潮 ,利用深度学习算法进行隧道与地下工程问题的应用研究成为近年来国内外的一种新趋势 。大量学者通过深度学习中的不同算法解决相应的工程问题 ,根据隧道及地下工程在设计、施工及运营阶段下对于施工机械、施工人员及工程主体的不同要求 ,将深度学习在隧道及地下工程中的应用现状大致分为参数反演分析、施工机械参数预测与优化、施工及运营过程控制与风险评估、隧道安全监测与病害检测、 隧道结构健康预测、围岩分级及掌子面图像识别与分类等 7 个大类 ,包含了施工参数及其过程安全评估、结构智能检测与多维感知及开挖岩体信息采集与分类等 3 类主要层面。
其中 ,参数反演分析主要利用现场监测所得位移、 应力应变等信息在岩体本构模型已知的情况下进行岩体参数或施工机械参数的研究 ;施工机械参数预测与 优化主要针对隧道机械化掘进装备的性能参数、运行姿态、驱动能耗进行智能预测与控制 ;施工及运营过程控制与风险评估是利用多源数据信息进行隧道施工自主决策 ,并以数据为驱动 ,实现对隧道开挖及运营过程中结构安全的动态评估 ;隧道安全监测与病害检测通过现场拍摄图片对隧道衬砌裂缝、渗漏等损伤进行识别、检测 ,有效利用微震监测信号及数据完成对岩爆、 火灾的实时预报 ,建立可视化智慧防灾系统 ;隧道结构健康预测是针对开挖过程隧道稳定性进行分析并预测其变形趋势、材料老化及力学行为等长期性能 ;围岩分级主要通过岩体分级特征参数识别的方法对围岩等级进行智能计算 ;掌子面图像识别与分类是将数字化处理后的图像进行轮廓边缘提取与节理裂隙特征描述 , 实现掌子面三维重构及岩性自动识别。
基于 758 篇文献的统计分析结果 ,得出上述 7 类 研究方向的发文数量分布情况 ,如图 4 所示 。由图可以看出 :“ 隧道安全监测与缺陷检测”是目前研究成果最为丰富、热点最高的方向 ,其次为“施工机械参数预测与优化”以及“隧道结构健康预测”等方向 。随着深度学习在隧道及地下工程中应用的逐渐深入 ,施工自动化、智能决策及绿色化建造技术等方向将会成为新 的研究热点。
2. 1 参数反演分析
2. 1. 1 基于围岩变形监测信息的参数反演分析
隧道及地下工程的施工作业环境较为恶劣 ,复杂的地质环境导致现场应力的测量难度大 ,测量数据离散性大 ,亟需采用更准确的方法进行工程设计与施工指导 。而拱顶沉降与净空收敛等围岩变形数据、松动 圈厚度等监测结果更易获取 ,利用该类数据进行反演分析可得到弹性模量、内摩擦角、泊松比及黏聚力等岩土体参数 。但由于变形监测数据与待反演参数之间往往具有高度的非线性 ,采用常规的线性回归分析方法不仅求解难度大 ,求解精度更是难以满足工程需求。 因此 ,在反演分析方法的智能化阶段 ,深度神经网络的引入成为最重要的因素 ,该模型针对非线性问题具有强大的动态处理能力 ,且耗费时间短、准确度高 ,可实现端到端的智能化分析。
图 4 深度学习在隧道及地下工程中研究方向的发文数量分布情况
1971 年 ,Kavanagh 等 [28] 利用有限元方法反演弹 性介质的弹性模量等参数 ,开创了反演介质参数的先河 。20 世纪 90 年代后 ,信息化时代的到来为各类工程信息的传递和资源的共享创造了机会 ,反演分析方法步入智能化阶段 。冯夏庭院士于 20 世纪 90 年代中 期针对岩石力学参数的智能反演方法进行了深入研究 [29] ,提出了 4 种用于实现该方法的途径 ,如图 5 所示 。由图可以看出 : 反演参数组合主要利用正交设计或均匀设计方法进行设置[30] , 随后采用 FLAC3D、 ABAQUS、Midas/GTS 等数值模拟软件建立隧道与地下结构的正演三维模型 ,并基于参数组合产生深度神经网络模型的训练样本与测试样本 ,通过不同算法对模型进行优化 ,最终获得适用性较好的参数。
图 5 岩石(体)力学参数智能反演方法
目前 ,初始地应力、支护结构荷载及岩土体参数等 3 类参数是反演分析研究的主要内容 。Song 等[31] 详细总结了这 3 类参数的反演分析研究进展 ,并探讨了在信息化、数字化及智能化时代背景下利用反演分析方法解决隧道及地下工程问题的挑战与机遇 ,认为现 有反演理论体系已基本完善 ,但反演分析的方法仍然存在着反演可靠度低、缺少客观评价反演分析准确性的指标以及消耗成本大等诸多问题。
初始地应力的反演分析研究随着测量技术的改善以及深度学习算法的快速发展向着智能化与信息化的方向发展 ,基于遗传算法优化的深度学习算法是较为常用的方法之一 , 众多学者采用该方法解决了坝体 [32] 、矿区[33] 以及深埋隧道[34] 的地应力分布问题。 此外 ,诸如深度信息学习算法 ,Creswell 等[35] 采用不同优化策略的深度学习网络也被广泛应用于各类隧道及地下工程中 。周家兴[36] 以深度学习算法为基础 ,引入地应力数据中的连续特征信息(物理场)与非连续特征信息(断裂带与褶皱构造) ,建立了温度场、渗流场及地 应力场耦合作用下的非线性迭代计算方法 ,建立了跨尺度反演深部复杂地质条件下地应力场的深度信息学习算法。Qian 等[37] 以双江口地下水电站为实例 ,通过建 立其三维数值模型模拟了开挖过程中河谷的演化过程 , 将坐标、当前埋深、当前侧向应力系数等作为训练样本输入 GAN 中 ,在对该模型进行非线性分析后 ,确定了优化后的侧向应力系数 ,并应用于应力场的重构。
在进行支护荷载反演的过程中 ,由于支护结构的变形程度是其上部荷载或围岩状态最直观的体现 ,正确判定结构的荷载大小与分布能够提高施工过程中支护结构的安全性与稳定性[38] ,因此众多学者基于该思路进行荷载的反演。傅志峰等[39] 将粒子群算法与有限元软件相结合 ,通过实例分析 ,证明了该方法能够有效提高 隧道支护结构荷载反演分析的效率 ,为地铁隧道的信息化设计与施工提供参考; 同时也指出 ,当岩体结构或支 护结构荷载较为复杂时 ,通过反演分析方法确定支护结 构荷载存在一定困难。但目前使用深度学习算法进行 支护结构荷载反演分析的文献较少 ,一方面原因在于相较物性参数及本构模型的反演理论 ,进行荷载反演所包 括的不确定要素和假设前提较少;另一方面是由于监测技术的发展 ,涌现出了一大批智能化监测设备 ,实现了围岩与支护结构之间应力关系的精确测量。
岩土体参数的类型和数量与岩体在外力作用下的变形行为密切相关 ,当岩体处于不同应力状态时 ,其特征参数也有所不同 。因此 ,围岩特性参数的反演问题可等同于确定岩体为何种本构模型 。在隧道及地下工程中 ,弹性模量、泊松比、内摩擦角及黏聚力等参数是评估岩体稳定性与安全性的关键力学参数 ,大量学者 采用深度学习算法训练大量参数数据集 ,使其在学习岩土体复杂的非线性行为的基础上 ,实现对上述参数的反演分析[40-43] 。而在深埋隧道或富水区隧道[44] 的建设过程中 ,围岩在地下水活动作用下产生复杂的应力场-渗流场耦合作用 。因此 ,不少学者也研究了流固耦合作用下岩体的流变参数[45] 及蠕变参数[46-47] , 对复杂地质环境下隧道及地下工程的设计与结构稳定性的评估具有重要意义。
2. 1. 2 基于超前地质探测技术的参数反演分析
随着我国隧道及地下工程建设逐渐向着深部地下区域过渡 ,施工过程中遇到富水断裂带、充填溶洞区等复杂含水地质构造容易引发坍塌、突水突泥灾害 ,导致现场监测难度较大 。为保证隧道整体建设过程的安全性 , 采用探地雷达(ground penetrating radar,GRP )对掌子面前方不良地质体的位置与发育 规模进行探测 ,对可能发生的地质灾害进行预警是有效的方法之一。
目前 ,深度学习已应用于探地雷达信号识别[48] 与反演 2 个主要方向 。由于隧道掌子面前方分布着不规则几何形状的缺陷 ,且衬砌结构中钢拱架的设置将掩 盖缺陷反射的有效探地雷达信号 ,导致所接收的探地雷达数据往往伴有不连续、失真的回波 ,观察到的图像以杂波形态展示 ,难以进行有效分析 。基于此 ,Liu 等 [49]认为缺陷所引起的有效探地雷达信号应从该信号相邻的迹线中获取 ,而不是远离缺陷的迹线 ,并采用 “ 编码器-解码器”框架从 GRP 数据中提取和处理特征信息 ,提出了第 1 个基于深度学习的探地雷达数据 反演分析网络 GPRInvNet。
但现有研究很少采用探地雷达所扫描的介电常数图像进行反演分析 ,且GPRInvNet 并未考虑探地雷达数据随隧道开挖深度产生的衰减特征 ,导致其对浅层缺陷反演结果优于深部缺陷 ,不宜直接用于大尺寸地质结构的探测 。Ji 等[50] 出了另一种基于深度学习的介电常数反演网络 ( permittivity inversion network,PINet) ,该网络通过压缩含有时间维数的探地雷达数据 ,提取不同探测深度的扫描特征 ,并采用全局特征解码器重构介电常数图像 ,解决了 GPRInvNet 无法满足无损检测、地质勘查等应用难题 。Wang 等[51] 在 GPRInvNet 的基础上 ,将卷积神经网络与循环神经网络相结合 ,建立了能够同时对探地雷达数据进行介电常数反演与目标信号识别的深度神经网络框架 “ GPRI2Net”,该模型不仅能重构连续的介电常数图 , 还能从不同频率和迹线长度中进行目标分类 ,提升了反演精度与速度 。Dai 等[52] 针对深度学习在非均质地下环境介电常数反演精度低、成本高的问题 ,提出了 DMRF-UNet 2 阶段深度神经网络 ,并将二维 GRP 数据扩展至三维 ,设计了 3DInvNet 这一三维 U-Net 神经网络[53] ,通过多尺度特征聚合模块 ,建立了去噪后 C- Scan 至 3D 介电常数图的最优映射关系 ,实现了深度学习在三维 GRP 数据的反演分析。
电阻率法因其具有较好的成本效益且对含水构造较高的敏感性 ,常被学者用于突涌水或富水结构的位 置探测任务中 。Puzyrev[54] 以大量异常电磁数据为训练样本 ,通过比较不同算法下全卷积神经网络的计算精度与泛化能力 ,验证了深度学习算法在电磁数据反演中应用的潜力 ,为实时估计地下电阻率分布奠定基础 。山东大学刘斌教授及其团队针对电阻率反演问题进行了大量研究工作 ,并取得了显著成果[55-57] 。该团 队针对传统线性反演方法处理电阻率数据存在的问题 ,基于 U-Net 神经网络架构 ,通过将深度加权函数 (如式(1)所示)与平滑约束引入初始损失函数中 ,扩大探测深度参数权重的形式 ,设计了基于电阻率数据反演分析的深度学习网络 ERSInvNet。在随后的研究过程中 ,又从调整输入-输出参数的映射关系[58] 、引入考虑距离因子的加权信息约束函数[59] 及利用物理驱动增强模型反演能力[60] 等多个角度对 ERSInvNet 进行优化 ,展示了深度学习在提高反演准确性、效率以及处理复杂地质结构预测中的巨大潜力。
式中 : d(z) 为深度加权函数 , 旨在增加隧道面附近的检测区域深度 ,从而提高网络对整个过程的响应能力 ; Z 为探测深度位置信息 ,大小与模型相同 ; γ 为神经网 络训练参数的权值。
在实际工程中 ,相较于围岩变形信息 ,基于超前地质探测技术的实测数据获取难度大, 导致 CNN 及 RNN 等有监督学习方法在训练过程中十分依赖样本 数据之间的统计规律 ,而未对其中的物理规律进行分析 。针对上述问题 ,任玉晓[61] 采用数据挖掘构建大样本地震背景波速模型 ,基于地震波速观测过程的物理 规律模拟真实波速模型 ,实现了无监督深度学习的波 速反演分析 ,具体流程如图 6 所示。
图 6 地震波速无监督深度学习反演方法
基于上述分析可以得出 ,深度学习通过提高参数反演结果的精度与效率、自动化处理和解释数据特征、 有效整合多源数据及动态更新并学习数据集等特点 , 极大地推动了参数反演分析应用的发展 。在未来的研究中 ,应重点考虑将多种隧道超前地质探测技术的物理规律融入深度学习中 ,提高深度学习反演结果的泛化性与工程适配性 ,并将该方法应用于各类隧道工程中 ,以验证方法的可行性与有效性。
2. 2 施工机械参数预测与性能优化
2. 2. 1 考虑时空特性的施工机械掘进参数预测
目前 ,参数预测模型可归纳为 3 类 [62] : 理论-半经验模型(基于现场勘查与室内试验)、统计学习模型 (基于数学逻辑规则)及深度学习模型(基于人工智能技术) 。在一般情况下 ,地质参数的获取距离均设置较分散 ,导致各个位置的地质信息准确度低 ,且传统机 器学习算法的计算结果仅由当前输入决定 ,不能直接应用于掘进参数的直接预测 。而深度学习算法以其强 大的无监督学习能力被广泛用于掘进参数的预测模型中 ,通过收集历史掘进参数和工程地质数据 ,选择合适的深度学习算法分析岩体地质参数与掘进设备参数之间的关系 ,建立岩机交互作用机制[63] 。
掘进参数预测文献汇总如表 1 所示 。 由表可以看出 : 掘进参数预测所需的样本数量远高于参数反演所需的样本数量 ,大多均在 1000 个以上 ,最多可达上万个 。因此 ,需要对样本数据进行预处理 ,筛选出具有高维信息量的数据特征 ,常用方法为主成分分析与皮尔森相关系数分析等 。输入与输出参数的选择并非固定 ,输入参数大多可分为地质参数、机械参数 ,而输出参数大多为掘进刀盘转速及转矩 。需要特别指出的是 ,针对掘进机械的移动轨迹或掘进状态的预测 ,模型的输出参数代表机械驱动最重要的控制指标 ,主要包括掘进机械头部及尾部的水平、垂直偏差等位置信息以及横滚、俯仰等姿态信息。
通过表 1 还可以看出 : 长短期记忆网络(long short-term memory,LSTM) [77] 是掘进参数预测任务中广泛使用的深度学习算法 ,原因在于 ,施工机械在掘进过程中可通过遍布在机械周围的传感器监测并收集设备参数、地质参数及故障参数等大量数据 ,这些数据往往具有明显的时间先后次序 。而 LSTM 是一种特殊的 RNN,对于任意时刻 t,将该时刻的输入信息 xt 与其前一时刻的隐含层单元 ht-1、记忆单元 Ct-1 共同作为输出单元 ,通过输入门 it (是否储存数据)、遗忘门ft (是否 过滤信息)及输出门 Ot (是否输出当前信息)等序列状态控制结构(如图 7 所示) ,依次得到 t 时刻的隐含层单元 ht 与记忆细胞 Ct (储存信息)核心单元 ,最终将 ht 作为 t 时刻的输出结果。该模型能够有效地捕捉时间序列数据的长期依赖关系 ,在面对时间间隔较长的数据序列具有更好的处理与预测能力。
σ、tan h 为激活函数。
图 7 LSTM 结构示意图
研究人员发现 ,对于隧道施工机械掘进参数的预测 ,不仅需要考虑历史时刻的数据信息 ,更要利用后续开挖过程中的数据信息 。因此 ,为解决这一问题 , 学者们采用双向长短时记忆神经网络(bi-directional long short-term memory,Bi-LSTM) [78]进行掘进参数的实时预测任务[79-81] ,并引入注意力加强机制 ,为掘进过程的智能化施工提供更可靠的决策。
尽管深度学习在某些特定的数据集中具有较高的预测精度 ,但在复杂地质条件下或数据集中噪声数据数量较多时 ,算法的预测精度将显著降低[70] 。此外 , 随着神经网络层数的增加 ,深度学习算法在进行数据集的训练过程中会出现“梯度消失”和“模型退化”问题。 高昆等[82] 提出了基于 Attention 机制、CNN 特征提取器 与 LSTM 预测器相结合的混合神经网络模型 ,用于预测盾构的掘进速度。基于混合神经网络的掘进参数预测流程如图 8 所示。该模型既能够有效学习掘进参数序列的变化规律 ,提高预测精度 ,还能过滤数据中存在的噪声并提取不同地质条件下数据的空间特征 ,充分考虑了掘进参数自身的时空特性。通过网络结构的合理设计与各类神经网络优势的深度融合 ,克服了传统物理模型方法及机器学习算法无法准确预测掘进参数的缺陷。
图 8 基于混合神经网络的掘进参数预测流程图
2. 2. 2 隧道掘进机械性能动态优化及实时控制
我国公路与铁路隧道的建设数量已处于世界领先地位 ,而城市化进程的持续加快 ,推进了城市轨道交通的建设速度 ,但各类隧道与其施工机械性能之间关系的研究存在一定的滞后性 。盾构与悬臂掘进机作为隧道及地下工程使用频数较多的施工机械 ,其性能调控仍以专家经验判断为主。
对施工机械故障进行预测 ,确保施工过程中机械 性能的控制具有重要意义 ,学者们也采用不同深度学 习算法对掘进机械的性能优化及控制方法进行研究。 Fu 等[83]将 LSTM 与 GNN 相结合 ,用于掘进机在隧道施工中运行姿态与位置的动态预测 ,通过 Shapley 加法解释(shapley additive explanations,SHAP )进一步提 高模型的可解释性 。Pan 等[84] 采用 GAN 对掘进机的性能进行预测 ,并结合缩放点积注意力机制提高预测模型的性能与可解释性 。刘丽莎[85] 认为现有盾构故障预测研究仅针对液压系统、刀盘系统及注浆系统等单一子系统的故障 ,而实际工程中某时刻记录的盾构数据往往对应着多个不同类型的故障数据 ,并基于此提出了一种基于 PCA-LSTM 的盾构多源故障预测模型 ,根据实际施工状态对机械故障进行更全面的预测。
Gao 等[86] 将门控循环单元 ( gate recurrent unit, GRU) 与遗传优化算法相结合 ,提出了一种基于深度学习算法的盾构隧道土压力实时控制模型 ,该模型以相对误差函数 ( relative error - based cost function, REMSE) [87] 为模型损失函数(如式(2)所示) ,可平均不同样本之间的梯度 ,达到提高训练速度的目的。 Elbaz 等[88]将地质条件、掘进机操作参数与几何形状作为设计掘进机械主要考虑的 3 类因素 ,结合 CNN 及融合聚类算法的 LSTM,建立了用于预测并控制掘进机械刀盘传动能耗的 KCNN-LSTM 深度学习模型。
式中 : J0(R)EMSE 为相对误差损失函数 ; M 为训练样本个数 ; yoi 为模型第 i 个样本的预测值 ; yi 为第 i 个样本的目标值。
除采用不同优化算法与循环神经网络相结合的深度学习算法之外 ,也有学者利用深度强化学习与物理 信息融合的方法研究了隧道掘进机械自主挖掘性能 [89-90] ,明确了结合物理模型先验知识与深度强化学习自适应学习能力的重要性 ,该方法能够解决传统深度强化学习在处理复杂物理系统时存在的学习效率差、模型预测准确性低等问题 。王鹏江等[91] 针对煤矿巷道掘进智能化水平低、掘进过程效率低等问题 ,提出了一种结合 LSTM 与模糊推理控制技术的智能联合截割策略 ,旨在实现煤矿巷道悬臂式掘进机截割头转速与截割臂摆速的智能控制 ,同时确保掘进效率与截割精度 ,为实现智慧矿山提供有力的技术支撑。
在隧道施工过程中 ,凿岩台车钻孔震源产生的地震数据受到地质环境与施工机械等因素的干扰 ,具有较高的噪声和离散性 ,致使数据难以应用于地质预报。 郭伟东等[92] 采用添加互相关与归一化等预处理层的 U-Net 网络去除地震数据的噪声 ,基于迁移学习将仿真模型的数据迁移到实测数据上 ,提高了模型的泛化能力 ,并有效应用于实际隧道工程的超前地质预报中。 此外 ,Liu 等[93] 、Fu 等[94] 分别研究了深度学习算法与多目标优化算法在掘进机姿态与位置实时控制与预测的应用 。上述研究结果均证明了在实时数据驱动的多目标优化框架下 ,深度学习算法能够提升隧道掘进机 械在复杂环境下的操作性能。
当前 ,深度学习在施工机械参数预测与性能优化方面已取得显著成果 ,通过对传统 CNN 或 RNN 进行优化可以有效处理和分析掘进过程中得到的数据 ,例如分析掘进过程中刀盘转矩与转速 ,能够预测刀盘的磨损状态 ,实时调整施工策略 ,减少故障停机时间 ,提高掘进速度;还能够实时调整掘进力度和方向 ,以适应复杂多变的地质条件 ,确保隧道轴线精确对接 ,实现隧 道掘进机的性能监测、故障预测与健康管理 。在未来的研究中 ,随着 5G 通信与远程控制技术的增强 ,集成 地质探测信息、多模态传感器及深度学习算法 ,构建具备环境感知、数据融合及决策优化的智能框架 ,将进一步提升隧道掘进机械性能 ,推动掘进机械向着自主决策与操作、智能监控与诊断及能耗优化与节能的智能化方向发展。
2. 3 施工及运营过程控制与风险评估
2. 3. 1 多源数据信息融合隧道施工辅助决策方法
在隧道与地下工程的发展历程中 ,新奥法与钻爆法经过长时间的经验积累与总结 ,已成为目前公路隧道及铁路隧道工程中主要采用的施工方法 。新奥法以围岩分级为基础 ,充分利用围岩自承能力与掌子面约 束作用 ,通过现场监测信息 ,为隧道开挖过程中围岩参 数及支护结构参数的动态变化做出及时调整 ,并以此 判断施作衬砌结构的时机 。利用钻爆法进行隧道施工时 ,爆破参数的选取与预测至关重要 ,不仅关系到隧道支护结构的稳定性 ,也将对隧道爆破掘进的速度与作业人员的人身安全造成影响[95] 。因此 ,如何融合多源监测数据信息 ,结合室内试验、理论方法及数值模拟等 ,实现施工现场的智能决策也是目前工程中亟待解决的问题[96] 。
由于施工决策识别问题本身具有一定的特征范围 ,传统神经网络的隐含层层数、隐含层节点数及激活 函数的设计结构过程较为困难 ,且传统数据处理方式 对决策过程的时效性与决策模型的泛化性均有显著影响 。随着人工智能技术的发展 ,深度学习可充分发挥计算机的运算与推理能力 ,确保对施工过程作出更客观、智能的辅助决策 。谢肖坤[97] 将可拓理论与深度神经网络相结合 ,建立了可拓神经网络(extension neural network,ENN) ,并将其引入施工智能辅助决策系统中 。由于网络具有更强的学习能力与推演能力 ,能在学习过程中不断完善自身性能 ,且以影响施工过程的因素作为输入参数 ,施工辅助决策模式为输出参数的网络结构 ,更能确保决策系统的可靠性与准确性 。Wu 等 [98] 利用卷积神经网络从隧道监测视频中提取场景信息作为观测值 ,将新奥法的相关知识作为先验信息 , 经由贝叶斯统计模型完成对隧道工作进度的自动识别 ,实现了将领域知识与深度学习模型的高度融合 ,克服了深度学习模型难以解释的“黑箱”性质。
Erharter 等[99]认为隧道及地下工程的挖掘由多个子过程组成 ,需对工程施工过程进行一定的简化 ,降低对其模拟的复杂性 。通过设计一种基于强化学习的隧道建设策略 ,以隧道贯通为目标 ,采用不同挖掘顺序作为评估积分的方式 ,用于隧道施工过程的优化及制定策略 。基于强化学习的隧道建设策略示意如图 9 所示 。Zhang 等[100] 提出了一种可跨平台部署、具有“全面感知、双驱动决策、复合智能控制”闭环智能控制功 能的隧道机器人系统 ,该系统中的智能决策系统由基 于粒子群优化算法的最小掘进比能耗最优决策方法组成 ,对于推动隧道施工系统的节能减排具有重要的理论和实践意义。
在地铁隧道施工过程中 ,盾构法是常用的施工方法 ,通过实时调整盾构的推进速度 ,维持土舱压力的稳定 ,可有效地控制地表变形 。李守巨等[101] 认为在盾构掘进过程中 ,为优化掘进参数、降低能源消耗及保障施工安全等要求 ,应建立掘进姿态智能纠偏、地层特征智能辨识、土舱压力智能控制、地表变形控制、盾构异常工况实时判别及掘进参数优化等 6 个子系统 ,并有效利用深度神经网络和模糊逻辑等方法为盾构掘进过程中的决策提供科学依据 。Pan 等[102] 将影响地铁隧道开挖过程的因素分为隧道设计、地质条件、盾构参数及既有建筑物 4 类 ,利用深度神经网络建立上述因素与地表累计沉降、建筑物倾斜率等潜在风险之间的非线性关系 ,结合梯度下降算法优化算法进行求解 ,构建了深度学习和梯度下降技术集成的数据驱动决策支持框架。
图 9 基于强化学习的隧道建设策略示意图
随着机械设备的技术进步 ,高精度钻孔设备和爆 破技术极大地提升了隧道及地下工程施工的精度与效率 ,不仅优化了施工流程 ,还降低了对周边环境的负面影响 。 同时 , 闭路电视 ( closed - circuit television, CCTV)监控采集设备的广泛部署为现场监测信息种类带来了丰富性 ,这些设备捕获的视频和图像数据对于监控施工进度、实施安全管理措施以及后期施工质量评估都具有至关重要的作用 。进一步地 ,深度学习的应用实现了对围岩参数、施工参数及监测信息的深度融合分析 ,使得数据处理更加高效、准确。
综合上述分析结果 ,众多研究学者均通过开发可视化智能施工辅助决策系统 ,实时获得数据以动态调整设计方案、优化施工过程 。这种实时数据驱动的动态调整机制 ,使得施工团队能够有效应对地下工程中的不可预见情况 ,进而确保工程项目的安全性、可靠性和经济性 。因此 ,该技术集成对于指导隧道及地下工程的动态设计与信息化施工具有重要的意义 ,标志着工程管理向智能化、精细化转型。
2. 3. 2 隧道施工及运营阶段安全风险动态评估
第四次工业革命的到来 ,极大程度推动了人工智 能技术的发展与大数据时代的开创 ,使用数据驱动建模进行运营阶段隧道及地下结构风险的控制与评估成为国内外研究的新思路 。常用的隧道风险评价方法较大程度依赖于专家对评估模型的可解释性 ,无法适应不同地质条件与环境条件 ,可靠性低 ;并且风险的控制 评估过程是一类非线性的、含多源变量的预测问题 ,实 际工程中难以获得足够准确的先验知识 ,容易破坏评估模型的性能 。施工及运营过程风险发生机制示意如图 10 所示。
图 10 施工及运营过程风险发生机制示意图
深度学习算法因其能够自主学习大量多维数据并发现其中隐藏信息的强大预测、决策能力而备受关注 [103] ,常被用于处理复杂的、多源的、具有时间先后顺序的监测数据 ,挖掘多维深层数据的同时提供实时动态数据 ,能有效提高数据的精准性 ,全面掌控结构内部信息 ,可为建立隧道及地下工程运营阶段的风险评估奠定基础 。 目前 ,学者们的研究内容主要针对结构 运营过程安全控制模型[104-107] ( 主要包括运营隧道安全控制优化模型、地铁车门疏散控制模型与公路隧道 照明能耗监测模型)及结构施工过程对邻近隧道的风险评估[108-111] (包括稳定性评价与敏感性分析)。
在隧道及地下工程施工及运营阶段 ,深度学习通 过分析如位移、应力应变等结构监测历史数据 ,可实现结构健康状况与人车位置的实时监控与评估 ,并预测结构损伤的发展趋势 ,提前预警诸如坍塌[112] 、大变形 [113]及煤矿事故[114] 等规模性灾害的出现 。此外 ,深度学习还可以通过分析监控视频流来检测和跟踪车 辆 ,识别交通流异常情况[115] ;处理来自各类传感器的 环境监测数据 ,如空气质量、温度、湿度等 ,动态评估隧道内的环境状况 ,预测潜在的环境风险 ;结合无损检测技术实现地下管道位置的自动检测与识别 ,提高地下设施检测的自动化和精度[116-117] 。
数据驱动技术如图 11 所示 。数字孪生技术[118] 作为数据驱动技术实现过程中不可或缺的一部分 ,利用点云数据作为框架基础、三维激光扫描技术作为框架核心 ,使用高度精确的数字模型来表示并承载现实实体的数据信息 , 再现了结构内部三维空间的实景 [119] 。Lee 等[120] 在 2013 年实现了数字孪生云平台的搭建 ,对工业中生产系统实时状况进行预测和分析。 陶飞等[121]基于数字孪生车间提出了数字孪生的基本模型架构 ,为数字孪生模型的运用指明了方向 。许振浩等[122] 通过岩-机物理实体、岩-机虚拟模型、孪生数 据库、系统服务和连接层构建了隧道掘进岩-机数字孪生框架 ,结合数据驱动思想 ,利用深度学习算法挖掘岩-机参数映射关系 ,实现了围岩等级预测虚拟模型的建立。
图 11 数据驱动技术
近年来 ,深度学习与数字孪生技术的结合 ,逐步在国内外隧道工程中得到了广泛应用 ,涵盖了隧道衬砌病害检测、全生命周期平台建设及隧道结构养护等多个领域[123] 。通过将深度学习算法融入数字孪生技术 ,构建出具备高效决策、自主感知和实时解释能力于一体的智能框架 ,大大提升了隧道与地下工程在规划、 设计、监控和管理各个阶段的效率[124] 。与此同时 ,传统的施工方法如新奥法和钻爆法虽然已被广泛应用 , 但随着工程复杂性和精度要求的提升 ,单纯依赖工程经验已无法满足现代工程需求 。通过多源数据的融合与智能化决策支持 ,深度学习在施工过程中能够实时处理监测数据 ,优化掘进和支护结构调整等操作 ; 而在工程运营阶段 ,深度学习通过分析历史数据和实时监测信息 ,实现了对风险的预测与预警 。数字孪生与深度学习的集成 ,推动了隧道施工与运营向更加自动化和数字化的方向迈进 ,进一步提升了工程的智能化水平与可靠性。
2. 4 隧道安全监测与缺陷检测
2. 4. 1 隧道衬砌结构表观病害识别与检测
隧道衬砌结构在服役过程中受到围岩自重力、循环荷载、地下水侵蚀及疲劳应力的作用 ,会产生诸如开裂、剥落及渗漏水等一系列表观病害 ,将对隧道稳定性及耐久性造成严重的影响 ,降低隧道服役寿命 ,危及列车运行及乘客的安全 。为避免上述事故的发生 ,确保列车安全运行 ,应对隧道衬砌结构出现的病害进行识别并定期检测 。传统病害检测方法主要依靠人工巡检 ,但隧道内部环境光线昏暗 ,存在对人体有害的粉尘与气体 ,加之人员技能水平与从业经验等主观因素 ,导致巡检结果出现错误 ,且精度与效率低[125] 。在病害识别研究的早期阶段 ,分析模型通常基于边缘检测算法、数学形态学操作和传统机器学习算法 ,尽管取得了较好的效果 ,但其识别过程仍高度依赖人工标注特征 , 极易发生误判。
随着隧道建设数量不断增长 ,运营里程数也在不断累加 ,深度学习算法以其能够处理海量数据的能力为隧道衬砌结构病害的识别与检测带来了跨越式发展 ,在盲区监控与背景纹理等复杂干扰因素下的隧道环境中依然能够表现出更好的识别准确率 ,极大地缓解了人工巡检方式与数字图像技术存在的问题[126] , 国内外大量学者基于深度学习算法进行隧道病害的检测 ,其流程如图 12 所示 。Qin 等[127-128] 以图像采集、实时处理及数据存储 3 个部分作为隧道衬砌缺陷检测系 统的主要组成部分 ,通过先进的图像采集技术与深度 学习算法提高系统的自动化和实时处理能力 ,为隧道设施检测技术的发展提供参考 。王石磊等[129] 对铁路隧道检测技术与分类进行了全面分析 ,强调了检测 数据信息化的重要性 ,并认为推广多源数据融合分析技术 ,使用先进计算机视觉和人工智能技术 ,是提高检测自动化水平和精准度的主要发展方向。因此 ,与基于深度学习和无损检测技术搭配使用的传感器设备相结合的智能识别监测方式成为目前运用广泛的检测方法[130] 。以下主要针对衬砌裂缝及渗漏水这 2 类隧道衬砌结构常见病害[131] 的识别与检测进行探讨。
图 12 基于深度学习的病害检测流程
2. 4. 1. 1 裂缝损伤智能检测
裂缝作为常见的隧道病害类型 ,一经出现不仅会降低衬砌结构的刚度和承载能力 ,并且有概率发展成为贯通裂缝 ,严重影响隧道的正常运营 。借助 GPU 作为图像处理器 ,以 CUDA 为并行计算架构的深度学习 算法在计算机视觉任务中取得显著成功 ,研究者将其 用于裂缝检测任务,可显著提高检测精度与速度。 Zhang 等[132] 首次将深度学习算法用于隧道裂缝的检测任务中 ,采用卷积神经网络对含有裂缝的图像进行特征提取 ,计算每个像素点是否为裂缝特征的概率 ,以实现对裂缝的分类 。谢雄耀等[133] 针对公路隧道复杂环境特点, 将目标识别模型 Faster R - CNN[134] 与 U-Net[135] 相结合 ,由 Faster R-CNN 的区域候选网络 (region proposal network,RPN)判断图像中是否存在裂缝及其存在区域;U-Net 通过合并上、下采样过程中的特征层 ,实现了浅层特征与深层特征的融合 ,对上采样过程中的裂缝边缘图像进行像素级分割 。可见深度学习算法在裂缝识别领域的成功应用主要得益于其在图像处理方面的高效性能 ,特别是在消除噪声干扰、特征提取及像素级分类方面 。U-Net 网络结构示意如图 13 所示。
图 13 U-Net 网络结构示意图
上述学者主要根据深度学习算法实现了裂缝损伤的检测 ,随着裂缝检测系统的创新 ,不少学者也从中受到启发 ,对现有深度学习算法进行优化与拓展 ,建立了适用于不同工况的深度学习算法 。李健超等[136] 开发了一套集高清图像采集、辅助校正与裂缝识别信息管 理于一体的隧道衬砌裂缝检测系统 ,为铁路隧道衬砌裂缝识别领域的深度学习应用开创先河 。杨敏[137]提出了基于级联技术的分层融合多尺度特征深度分割网络(spatial pyramid pooling net,SPPNet) ,通过分段融合不同区域表示的图像像素点 ,并重复利用其中包含的特征信息 ,使最终的像素点具有极强的全局语义信息 , 以显著提高裂缝分类精度 。SPPNet 网络模型如图 14 所示 。 Zhao 等 [138] 扩展了路径聚合网络 ( path aggregation network,PANet) [139] 模型 ,将 PANet 实例分隔模型与裂缝量化算法进行整合 ,显著提高了算法的分割性能 。吴刚等[140] 结合 YOLO 算法与单步多框目标检测算法(single shot multibox detector,SSD) ,实现 了对盾构隧道表面出现如渗水、裂缝等多种病害的同步快速检测。
C 表示某个基于主干网络输出特征图通道数的常数 ; Pool 为金字塔 池化层 ; Conv 为卷积层。
图 14 SPPNet 网络模型图
周中等[141] 在隧道衬砌裂缝智能检测方面进行了大量研究 ,通过引入 Mosaic 数据增强技术 ,使用轻量级 MobileNetV3 作为主干特征提取网络 , 旨在提升单阶段神经网络对于隧道衬砌裂缝检测过程中的运算速度与精度 。Zhou 等 [142] 在该研究的基础上采用有效通道注意力模块增强的 GAN 对图像数据进行增强 , 提出了一种新型隧道衬砌裂缝检测方法 ,提高生成 图像的多样性与模型的泛化能力 。周中等[143] 将研 究重点集中于隧道衬砌缺陷的自动分割 ,将自注意力机制的 Transformer 网络[144] 与上下文信息增强策略相结合 ,以解决传统卷积神经网络卷积核固有的局部性无法充分利用图像像素信息以反映裂缝全局特征的问题 。在该方法中 , 自注意力机制作为研究核心 ,通过引入空洞卷积与注意力模块优化网络在处理不同尺寸和形状缺陷时的敏感性和准确性;上下文信息增强策略则通过全局平均池化强化网络对图像全局特征的理解 ,使其能够在局部特征识别的 基础上 ,综合考虑全局信息 ,提高复杂场景中缺陷的 识别能力[145] 。
值得一提的是 ,除采用不同的深度学习算法进行裂缝的智能检测外 ,不同损失函数的选取对于算法检测的精确度与速度将起到至关重要的作用 。处理常规分类问题主要采用交叉熵损失函数 ,而针对样本类别 少且难以检测的分类问题 ,尤其是边缘较模糊、病害尺寸小的情况 ,则需引入新的损失函数 ,如焦点损失函数 (focal loss function) [146] 与中心损失函数 ( center loss function) [147] ,表达式分别如式(3)和式(4)所示。
式中 : Lf (pt ) 为焦点损失函数 ; pt 为样本真实标签为 正例时的预测概率值 ; αt 为权重调节变量 ,一般取值 为 0 ~ 0. 5; γ 为聚焦参数 ,与 pt 共同组成了调节系 数(1 - pt ) γ 。
式中 : Lc 为中心损失函数; xi 为全连接层之前第 i 个样本 特征; cyi 为样本 i 所对应全部类别的特征中心; m 为一个小批量的样本个数; λ 为平衡该损失函数的参数。
焦点损失函数通过增加调节系数降低易分类样本的权重 ,着重进行难分类样本权重的计算 ,解决了难易样本区分度不平衡的问题 ;中心损失函数通过对样本特征之间的距离进行约束 ,提高了神经网络对样本特征的学习能力 ,使模型整体对样本特征具有较好的区分度。
2. 4. 1. 2 渗漏缺陷特征识别
渗漏水区域检测的主要目的在于识别结构出现渗漏水的位置并确定其面积大小 , 目前的智能检测技术主要以红外探测技术与光纤传感技术为主 ,高清摄像技术为辅 。Cheng 等[148] 利用全卷积深度学习网络结构(fully convolutional networks,FCN) VGG-19 对移动式探地雷达获取的隧道渗漏强度图像进行精准检测。 Huang 等[149]利用移动式激光扫描系统获取隧道衬砌点云数据 ,基于 Mask R-CNN 实例分割网络自动识别盾构隧道渗漏水区域。王烽人[150] 利用红外成像技术 ,基于 CNN、FCN 建立了集渗水区识别与提取等技术为一体的隧道渗漏水区域定量分析方法。
人工智能、5G 技术及大数据的发展同样为隧道渗漏水的特征识别发挥了关键作用 。黄宏伟等[151] 、 Zhao 等[152] 利用 FCN 从图像中直接学习每个像素对应类别标签 ,准确获得了 6 种隧道渗漏水图像类别中存在缺陷的具体位置 ,且将 FCN 框架与渗漏水区域检测框架进行整合 ,对每个独立的渗漏区域进行识别 ,提高了图像分割的精度 ,可处理具有明显渗漏水区域的高分辨率图像 。方恩权等[153] 对 U-Net 及金字塔场景分析网络(pyramid scene parseing network,PSP-Net) 在地铁隧道渗漏水识别任务中的预测精度进行比较 , 结果发现 ,U-Net 以其轻量化的结构特点适用于渗水区域的快速识别 ,而 PSP -Net 的模型结构相对复杂 , 具有更高的区域分割精度 ,适用于渗水区域的精细化检测 。Geng 等[154] 提出了一种空洞通道金字塔注意力网络(atrous channel pyramid attention network,ACPA-Net) , 该模块采用多个并行的一维卷积核进行特征运算 ,实现了跨通道多尺度信息的捕获 ,并与 U-Net 进行集成 ,构建了 ACPA-Net 结构体系。
此外 ,也有学者从模型的几何角度出发 ,对渗漏水区域的识别算法进行创新 。Xue 等[155] 基于运动结构法则 ,将二维缺陷图像纹理识别后投影至三维模型中 (其建立流程如图 15 所示) ,以实现渗漏水缺陷的可视化 。高新闻等[156]从隧道几何柱面形状对隧道渗透水病害面积检测准确率影响的角度出发 ,将视场柱面投影算法与 FCN 相结合 ,通过视角转换与投影修正 , 提高了隧道渗流水面积检测的准确率。
图 15 隧道场景三维模型建立流程
2. 4. 2 基于微震监测信号的岩爆风险预测
岩爆是深埋长隧道及地下洞室的主要地质灾害之一 ,具有较强的随机性与突发性 ,常对地下工程建设造成灾难性破坏 ,对施工人员生命安全构成严重威胁。 针对深部岩体工程的岩爆等级预警、控制及监测已成为我国乃至世界范围内重大工程建设亟待解决的难题 [157] 。微震监测技术作为一种非接触式三维监测手段 ,能够收集并采集岩石微破裂产生的地震波信号 ,实现对围岩应力状态的分析 ,在世界范围内已广泛应用于岩爆灾害的监测与预测任务中 ,且取得了巨大的成功[158-160] 。
微震数据的识别是微震监测信号处理的主要环节 [161] ,且岩爆震源的定位常受到应力、温度及形变等因素影响 ,需要提取监测数据的关键特征以建立其与震源位置的非线性映射关系 。学者们主要采用深度学习算法从监测数据中识别有效的监测信号以预测施工过程中可能出现的岩爆风险 ,并指出了该算法对于处理海量监测数据、提高震源定位精度方面的应用潜力 [162] 。Feng 等[163]将单因素敏感性分析方法与改进萤火虫算法对概率神经网络 ( probabilistic neural network,PNN)进行优化 , 以累积微震事件数、微震能量等为输入参数 ,岩爆强度等级为输出参数 ,提出了一 种基于微震监测和优化概率模型的隧洞岩爆预测方法 。Wilkins 等[164] 利用手动标记的矿山微震监测数据 训练了用于识别微震数据的 CNN,展示了将 CNN 纳入矿山自动化系统中的可行性 ,为深部地下及矿山工程 领域的岩爆预测预警提供了新的研究思路。
Di 等[165]探究了深度学习算法对岩爆微震、声发射及电磁辐射(MS-AE-EMR) 等监测数据的预测性能 ,通过预测数据为岩爆监测提供定量的预测信息。 在此基础上 ,采用 LSTM 智能识别含有岩爆风险信息的 MS-AE-EMR 前兆信号 ,通过数据分析方法获得岩爆的风险系数 ,实现岩爆灾害的综合预警任务[166] 。 李天斌等[167]将深度学习在隧道微震监测及岩爆预警 任务中的核心技术分为微震多分类模型、波形降噪与拾取、微震震源定位及岩爆预警模型等 4 类 ,并开发了多个深度学习算法实现上述技术 ,构建了集隧道地理信息、地质模型及微震监测数据于一体的三维可视化技术与岩爆预警系统 。研究成果已成功应用于峨汉高速公路大峡谷隧道 ,验证了该系统能够有效处理大规模微震数据 ,实现岩爆预警响应 ,在真实隧道场景中具有较高的准确性。
为避免某时刻参数的异常值对预测结果的影响 , 确定微震参数在一段时间内的演变趋势也有助于岩爆预测 。基于此 ,Zhang 等[168] 提出了一种基于全卷积编码器-解码器网络的微震信号去噪和分离方法 ,通过学习时频域中的稀疏特征和信号分离的映射函数 ,有效识别信号中的噪声 。采用动态滑动窗口方法和深度卷积神经网络 ,建立了单变量、多变量输入和单步、多步输出的深度学习模型[169] 。微震多参数时间序列预 测模型如图 16 所示 ,该模型可实现多个微震参数及其 不同参数组合变化趋势的预测 ,为岩爆预测和风险判断提供了对应的时间标签。
(a) 单变量预测模型 (b) 多源平行序列预测模型
(c) 多输入序列预测模型 (d) 多变量多步输出预测模型 n 为模型计算步骤的数量。
图 16 微震多参数时间序列预测模型
深度学习在岩爆风险预测任务中已展现出极大的应用潜力 ,特别是在大规模微震数据处理、微震信号震源定位及岩爆孕育风险预警等方面 。随着深度学习与传感器、人机协作系统及无人监测系统等前沿技术的不断发展 ,融合声发射、应力场、温度场变化及电磁辐 射等多种监测数据的岩爆监测与预警系统将更好地应对高地热隧道、软弱围岩隧道、深埋高地应力隧道、高寒冻土隧道及岩溶隧道等复杂地质环境隧道 ,并提供高效的风险管理方案 。上述研究进展不仅将提高隧道及地下工程在施工及运营过程的安全性 ,还将推动该类工程的管理模式迈向智能化时代。
2. 4. 3 基于多源数据的智慧防灾实时预报
隧道建设数量不断增加的同时其服役年限也在同比增长 ,致使隧道环境中原有通风、消防及视频监控等设备的状态愈加不明晰 ,加之隧道内通行车辆流量快速增长 ,严重影响了隧道运营过程的安全性 。近年来 , 随着韧性城市与韧性防灾成为防灾减灾领域的研究主题 [170] ,韧性理论的应用也扩展至隧道及地下工程领域 ,尤其关注于人口流动度大的城市地铁隧道及车流密集的山岭隧道 ,对于突发灾害状态下施工人员的安全保障及作业机械使用寿命的重要性日益凸显 。因此 ,鉴于隧道及地下空间环境的特殊性 ,进行智慧防灾的实时预报具有重要意义。
目前 ,大部分隧道及地下工程中的灾害事故由监 控设备发现后 ,再经监控人员作出后续判断 ,主观依赖 性较强 ,且视频监控设备与通风设备、消防设备之间的数据共享性差 ,导致隧道监控智能化程度低、异常响应 反馈不及时 。随着大数据时代的来临 ,视频结构化分 析 [171] 、视频目标跟踪[172] 及人脸识别[173] 是深度学习 在视频处理领域的重要研究方向 。基于信息熵[174] 与 图像熵[175] 的视频关键帧提取算法 ,以异常检测的方式区分冗余帧与关键帧 ,构建智能防灾实时预报系统 , 完成对火灾发生场景动态重构[176] ,城市地下管道缺 陷 [177-178]及人车位置实时检测也已成为显著趋势。
隧道内温度、交通量及 CO 体积分数等数据具有 明显的时间序列特性 。郭超等[179] 详细阐述了采用 RNN 对上述关键信息预测任务的研究思路 ,并从韧性防灾理念出发 ,建立了基于传感器多源监测数据采集 模块、灾害救援疏散与辅助决策模块、隧道智慧防灾数 据管理模块及多源数据深度学习融合模块为一体的隧道智慧防灾决策支持系统 。Wu 等 [180] 将 LSTM 与转 置卷积神经网络相结合 ,通过改变火灾位置、通风速度及热量释放率等 3 类参数模拟不同火灾场景 ,较好地预测了火灾位置及隧道拱顶处的温度 。洪瑶等[181] 利用高分辨率数值模拟方法生成隧道火灾场景数据库 , 通过构建包含编码器和解码器的深度学习模型 ,实现了温度场与隧道火灾关键参数(火源功率、通风速度 及隧道尺寸) 之间的双向预测 。Mao 等 [182] 认为火焰颜色、纹理等静态特征以及形状、帧差特征等动态特征 能够对火灾检测提供鲁棒性更强的分析方案 ,并基于 多通道卷积神经网络 ,利用上述特征进行火灾识别。 Li 等[183] 针对隧道施工期间穿越煤层时容易引发瓦斯 爆炸的灾害问题 ,提出一种基于 LSTM 的瓦斯体积分 数逐步预测方法 ,实现了未来某一时刻或时间段施工过程中瓦斯体积分数的准确预测 ,为隧道工程的瓦斯 灾害防控提供科学依据 ,降低因瓦斯灾害引发的人员伤亡风险。
此外 ,隧道附属设施外观质量与周围环境的异常 检测对于保障隧道运营阶段的安全具有重要意义 。我国学者采用不同深度学习算法针对该类问题进行了相应研究 。方宏远等[184] 将 Inception 网络与 ResNet 残差网络相结合 ,提出了一种高效的地下管道病害检测方法 ,能够处理多种不同类型的病害 ,包括错口、破漏、 腐蚀及障碍物等 ,且在各种光照条件、复杂场景和局部特征下 ,均展现出良好的鲁棒性与检测性能 ,减少了病害的漏检和误检 ,为地下管道的维护和修复提供重要的决策支持 。陈东杰等[185] 利用深度学习算法对高铁受电弓、接触网及定位器的图像序列进行检测识别、追踪 ,实现高铁行驶过程中的预警工作 。毛庆洲等[186]针对传统检测方法存在效率低、成本高昂及安全风险高等问题 ,提出了一种结合视觉检测与传感器数据分析的铁路钢轨外观与几何状态智能检测技术 。该技术通过集成多个高分辨率摄像机与激光扫描器以收集钢轨表面的图像与几何数据 ,采用 U-Net 模型与点云数 据处理技术相结合的方式对钢轨表面的缺陷实例进行分割与标注 ,分析钢轨几何形状与磨损程度 ,为铁路钢轨检测提供了一种新的技术方案 。Cui 等 [187] 聚焦于盾构隧道衬砌错位检测任务 ,通过 PSPNet、SegFormer 及 DeepLabv3+等多种深度学习模型对移动激光扫描 据中的隧道螺栓孔点云数据进行语义分割 ,并利用螺栓孔作为标记点检测隧道环片的错位情况 ,为盾构隧道的维护和安全检查提供了新的技术手段。
王耀东等[188] 通过整理重载铁路钢轨表面图像数据集 ,将钢轨表面产生的缺陷分为裂纹、擦伤、块状损 伤及接缝等 4 类 ,通过加权融合池化模块和纹理特征 增强模块改进初始 ATSS ( adaptive training sample selection)采样算法 ,显著提高了模型对钢轨缺陷图像纹理复杂性的处理能力 。当高速铁路隧道周围存在行人、大型动物及其他异物时 ,将会造成严重安全事故。 针对该类问题 ,Li 等[189] 、Wang 等[190] 分别从监督学习与无监督学习 2 个角度出发 ,重点关注铁路系统视频监控下警报区域及未知入侵类型的自动确定 ,不仅推动了铁路安全技术的发展 ,也为实际应用中的问题提供了创新的解决方案。
基于上述分析可见 ,通过有针对性地改变网络结构 ,加强对图像、视频关键帧等特征的提取、融合能力 , 使得深度学习网络模型能够对不同光照强度、施工环 境下的病害类型表现出良好的识别与分割效果 ,显著 弥补了基于传统机器学习图像检测算法的缺陷 。但从全国来看 ,隧道及地下工程领域深度学习算法的应用目前仍为小范围尝试阶段 ,尚未形成规模性的智能应用态势 。随着更多的隧道及地下工程投入运营阶段 , 隧道内正常场景、衬砌开裂或渗漏水场景、混凝土剥落 场景及钢架脱落场景等数据集类别不断丰富 ,三维激 光扫描、探地雷达、红外探测及光纤传感等智能检测技术不断创新 ,均为深度学习与数字孪生、云计算及建筑信息模型等技术进行互联提供有效途径。此外 ,智慧 防灾系统的建立将覆盖隧道及地下工程运营阶段全寿命周期 ,为工程的智能韧性运维及可视化管理提供了决策支持。
2. 5 隧道结构健康预测
2. 5. 1 结构变形与稳定性预测
隧道在开挖过程中 ,会向周围岩体传递能量 ,并重新分布开挖空间的原位应力 ,导致周围岩石出现裂纹 ,产生变形 。因此 ,通过研究开挖过程中围岩的变形监测数据 ,建立围岩的变形程度、力学行为及破坏机制与围岩稳定情况之间关系模型并预测隧道变形发展趋势 ,对隧道工程精细化设计与安全性施工具有重要意义。
随着近年来隧道及地下工程的建设规模不断增大 ,基于岩石力学与数值模拟的围岩变形及稳定性分析方法也在不断发展 ,并有了巨大突破 。但由于隧道 围岩的开挖结构是难度自增值系统[191] ,且缺乏一套 适应当前工程信息化信息管理系统进行数据获取、储存及分析的指导 ,使得后期数据挖掘缺乏足够的样本量支撑[192] 。因此 ,相较于以 Peck 经验公式、数值模 拟法为主的隧道变形监测方法与以力学分析法、围岩分级法为主的隧道稳定性分析方法 ,深度学习算法为这类具有随机性、模糊性的工程问题提供了新的解决途径。
针对隧道开挖过程中结构变形与稳定性的预测问 题 ,使用循环神经网络进行预测是较为常用的方法。 文明等[193]将施工因素(如开挖方式、支护结构及隧道埋深)、环境特征(如水文地质条件与既有结构运营情况)及开挖面与监测点的时空效应作为动态施工影响因子 ,引入非线性自回归网络(nonlinear autoregressive neural network,NARNN) ,建立了能够更加真实反映施工过程的隧道围岩变形预时间序列预测模型 。Chen 等 [194] 通过分析地面沉降过程的主要影响因素 ,建立了包含地质条件和施工状态参数的预测数据集 ,提出了空间-时间融合网络用于预测隧道开挖过程中的最大地面沉降 。该方法融合了包含时间序列及受到空间分布影响的围岩变形数据 ,并采用残差单元进行数据处理 ,提高了网络的泛化能力。
王锋等[195]利用麻雀搜索算法 ( sparow search algorithm,SSA)在高维度和复杂优化问题中寻找全局最优解的突出能力 ,与 LSTM 网络相结合 ,建立了适用于软岩隧道围岩变形的智能预测模型 ,展示了深度学习在解决复杂工程问题中的潜力 。Cao 等 [196] 将经验模态分解方法与 LSTM 神经网络相结合 ,建立了具有 对噪声数据进行自适应处理的长短期记忆神经网络模 型 ,该模型利用经验模态分解方法将隧道短期内的原 始沉降数据分解为多维数据 ,LSTM 神经网络再对各 数据分量进行预测 ,显著提高了时间序列预测的精度。 周中等[197] 采用遗传算法对 Bi-LSTM 中时间序列长度、隐含层单元数、隐含层层数、LSTM 层数及 Dropout 等参数进行优化 ,构建了一个适用于城市轨道交通下 穿既有隧道时发生沉降的 GA-Bi-LSTM 预测模型 ,并与 BP 神经网络、支持向量机及 LSTM 的预测精度进行比较 ,结果表明该模型的误差均低于上述模型 ,具有较好的实用性。
此外 ,针对大断面隧道[198] 、特长公路隧道[199] ,以 及软弱围岩、红层泥岩、粉质黏土、碎石土及黄土等特殊地质环境[200-201] 隧道的围岩变形与稳定性预测 ,也有相关学者进行了研究 。这些研究的数据处理和模型训练过程均依赖于大量的现场监测数据 ,并利用这些数据训练和验证所提出的深度学习算法 。通过对现场监测数据的深入分析和处理 ,预测围岩在不同施工阶段的变形行为以及结构的稳定性。
然而 ,现有的神经网络模型在训练监测数据样本 的过程中 ,若未考虑工程问题背后的物理规律 ,仅依靠监测数据本身 ,将导致模型可解释性差 ,分析结果缺乏泛化性 。美国布朗大学的 Raissi 提出了一种集成物理模型与数据驱动模型的深度学习算法[202] (physics - informed neural network,PINN) ,其核心在于利用 PINN 损失函数残差项对物理方程的信息进行约束 ,确保模型学习过程中不仅符合实测数据 ,还要遵循相关的物理规律 ,通过多次迭代优化 ,实现对复杂工程的应用研究。
目前 ,该模型已被应用于隧道及地下工程的研究。 潘秋景等[203] 、张子龙等[204]将修正后的隧道开挖诱发地层变形物理方程与深度神经网络进行耦合 ,构建了能够实现预测隧道掘进过程中诱发地表沉降任务的 PINN。张东明等[205]将表征隧道纵向结构力学形态的物理方程嵌入深度学习模型中 ,构建了可实时更新的反演隧道结构参数、地层参数及围岩荷载分布规律的 PINN,实现了长距离盾构隧道纵向力学性能的智能诊断 。这些研究不仅体现了 PINN 在复杂工程中的实用性 ,也指明了深入分析数据规律与物理机制的关系 (如图 17 所示) ,协同已知物理机制和深度学习框架是未来主要的研究方向。
图 17 数据信息-物理模型间的关系构架
2. 5. 2 水下隧道力学行为预测
相比于陆地隧道 ,水下隧道由于具有施工作业风险性高、环境因素不确定性强、地质勘察难度大等诸多特点 ,导致地质勘探作业与监测量控的实施更加困难 ,获得力学参数的准确性更差 ;加之目前全球已建成的水下隧道数量较少 ,无法有效利用深度学习模型进行 隧道变形预测 ,故将深度学习算法与结构健康监测手段相结合 ,预测水下隧道未来力学行为是目前水下隧道研究与发展的新热点与新思路。结构健康监测 (structure health monitoring,SHM)技术[206] 是目前进行预结构力学行为预测和评估其稳定性的主要方法 。然而 ,相比于大数据技术 ,SHM 的发展较晚 ,其在工程领域还未形成广泛应用 。由于 SHM 技术收集的数据量大、来源广泛且关联性复杂 ,使得传统时间序列模型难以有效捕捉其中的信息 ,导致预测效果不佳 。为了解决这一问题 ,研究人员将深度学习算法引入 SHM,使 其能更准确地预测水下隧道在多因素影响下的力学行为及其发展趋势。
谭旭燕等[207] 以武汉长江隧道的建设过程为工程背景 ,以隧道管片应变值、隧道温度及长江水位高度为输入参数 ,利用 Autoencoder 算法与 RNN 分别对结构 发展趋势的空间关联性与时间依赖性进行学习 ,提出了预测多个耦合因素的深度学习模型(autoencoder fused temporal-spatial-load network,ATSLN) ,实现了结构外部荷载数据与时空关联信息的耦合分析 ,可准确预测未来结构力学行为的变化趋势 。结果表明 , 短期内的结构响应特征、不同传感器的空间位置、 隧道内部温度及外部水压是影响结构发展的主要因素 。GNN 可通过常规的学习过程从神经元及其相邻节点中提取数据特征 ,打破了样本之间的孤立性 ,建立了数据之间的时间依赖关系 [208] ,该网络结 构如图 18 所示 。Tan 等 [209] 将该网络与 GRU 算法进行耦合 ,提出了一种有效提取结构信息特征的多任务学习模型 ,用于预测水下盾构隧道管片应变行为及开裂程度。
图 18 图神经网络结构
基于数字孪生技术 ,可将地表水文环境与地下施工环境相结合 ,洞室结构三维模型与三维地质模型相结合 ,在虚拟空间中完成动态施工全周期的建设过程 , 有效避免了自然条件的可变性对隧道及地下洞室结构的稳定程度与力学行为的消极影响 ,而如何针对具体问题快速检索、获取所需要的工程知识与解决方法成为隧道性能智慧预测的关键环节。
2. 6 围岩分级
2. 6. 1 基于岩体分类指标的围岩分级方法
隧道围岩级别的划分是隧道及地下工程设计和施工的基础工作 ,通过对掌子面开挖暴露出的围岩性质 进行分析 ,可以对当前开挖岩体进行分类评估 。根据 不同的围岩级别 ,判断施工过程是否安全以及是否需要加强防护措施 ,并对喷射混凝土与钢架支撑的用量及支护结构的施作部位提供指导作用。除此之外 ,根据当前及已开挖部分掌子面围岩情况 ,总结各岩层、节理、 破碎带及地下水的分布特点 ,预测掌子面前方未开挖部分地质情况 ,给接下来的施工提供一定的指导。
18 世纪末 ,俄国人维尔聂耳根据岩石坚硬程度 提出了岩题定性分类的方法[210] 。时至今日 ,针对围岩分级的研究历程已有 200 多年 ,在众多学者的研究下 ,形成了部分具有代表性的围岩分级方法 。为统一评价工程岩体稳定性分级方法 ,我国专家采用 BQ 值对岩体进行分级 ,并制定了 GB/T 50218—2014 《 工程岩体分级标准》[211] 作为围岩分级依据 。尽管现有围岩分级方法均采用定量评价与定性描述相结合进行围岩分级 ,但在目前的实际工程施工阶段 ,围岩分级仍采用人为主观判断 ,常因人员的专业性不足造成误判。
随着隧道及地下洞室建设向着深埋、超长的方向发展 ,现有的围岩分级方法在面临复杂地质条件时存 在多源地质数据信息利用率低、围岩等级划分精度差及智能化判别程度弱的问题 。因此 ,利用深度学习算法对掌子面完整图像进行特征提取 ,配合云计算处理大规模围岩数据 ,搭建围岩分级地质信息数据管理平台 ,探究集围岩信息收集、识别与后处理于一体的围岩级别智能化决策是主要发展方向, 也是必然发展趋势[212] 。
智能围岩分级方法研究的早期阶段 ,江勇顺[213] 在收集分析国内外围岩分级指标的基础上 ,归纳了包括岩石坚硬程度、岩体完整性程度、结构面状态、地下水状态及地应力等影响围岩级别的基本因素 ,结合高速公路隧道环境条件 ,建立了适用于隧道施工现场应用的围岩定性分级方法 。采用自适应学习率算法及动量算法优化后的 BP 神经网络对西攀、攀田高速公路隧道的围岩进行分级 ,进一步开发了用于设计规范阶段及施工阶段围岩级别智能化判别系统 。牛文林[214]进一步考虑了结构面走向、倾角与岩爆烈度等因素 ,对 BQ 分级法中的修正系数进行优化 ,在原有基本因素的基础上将嵌合程度与节理风化状况也作为围岩智能分级网络的输入指标 ,以泥巴山隧道围岩资料为训练样本 ,建立了隧道围岩智能分级模型 ,并通过开发隧道围岩级别智能判别系统 ,实现围岩级别定性定量智能判别 。智能围岩分级方法流程如图 19 所示。
图 19 智能围岩分级方法流程
2. 6. 2 基于岩体特征图像的围岩分级方法
随着地质监测数据的多样化和 GPU 处理图像数据能力的提升 ,研究人员采用岩芯图像或掌子面特征图像[215-217] 进行围岩级别的定性与定量分析 。刘飞跃 等 [218] 采用 Mask R-CNN 对钻芯图像进行预处理 ,实现对岩石质量指标 RQD 的自动计算 ,并用于岩体质量的精细化表征 ,扩展了深度学习在围岩智能分级的应用领域 。文献[219-221]基于 10000 张含有裂隙、突涌水与破碎等围岩特征的现场采集图片 ,通过对节理裂隙的标注与提取 ,选用 AlexNet 模型[219] 与 ResNet 模型[220] 进行掌子面图片分类与岩体种类识别 ,并将 MySQL 数据库运用到隧道工程的围岩分级实践中[221] ,取得了较好的判别效果 。Cheng 等[222] 将钻进测量数据及钻进速率作为 Bi-LSTM 模型的输入参数 , 使用分层 k 折交叉验证对小型和不平衡数据集进行模型优化 ,为隧道及地下工程围岩分级提供了新的研究方向与解决方法 。陈卫东等[223] 采用 20000 张隧道掌 子面图像数据对 VGG 系列、ResNet 系列、DenseNet 系 列及 GoogleNet 系列等多种卷积神经网络进行训练 ,结果表明 ,DenseNet 模型在隧道围岩特征分类上表现最佳 ,其在节理裂隙特征、风化程度特征及地下水发育程 度特征的分裂准确率分别达到 87. 5%、90%、91. 5% , 并利用类激活映射技术对分类结果进行可视化分析 , 为模型分类决策提供依据。
在隧道围岩分级过程中 ,借助高清数码相机与超前地质预测技术准确分析掌子面的几何特征也是进行围岩等级智能分级的重要方法 。李赤谋等[224] 利用三维点云技术建立了完整的隧道掌子面及周围硐壁三维图像 ,基于 U-Net 神经网络自动识别图像中的节理迹 线 ,结合工程信息与 BQ 分级方法进行围岩分级 。邱道宏等[225] 通过数字钻进技术获取地层地质信息参数 ,采用量子计算原理对遗传算法进行优化 ,建立了围岩类别超前识别系统 。孟馨等[226] 联合隧道散射地震 成像偏移图像、工程地质分区参数及物探指标作为 深度学习网络算法训练样本数据集 ,建立围岩等级 预测模型 。袁振宇等[227] 对影响围岩分级及数据获取技术的因素进行梳理 ,明确了地质勘查设计、超前地质预报、岩石物理试验及掌子面信息监测等 4 类 可用于获取围岩多源信息的实用技术 ,并以一维时间序列数据、二维岩体结构图像信息及三维物探数 据作为输入参数 ,提出了一种融合多源异构信息的 隧道围岩智能分级方法 ,如图 20 所示 。李宏波[228]将掘进机推力切深指数与刀盘转矩切深指数作为岩体-机械互馈感知因子 , 自组织神经网络为深度学习模型 ,从掘进参量反演的角度出发 ,进行围岩等级的预测识别 ,为围岩智能分级提供了新的研究方向。 当围岩信息数据较多时 ,采用时间卷积神经网络进行围岩的智能分级[229] ,该网络同时具备处理海量数据并长期记忆分析的能力 ,可大幅提升围岩级别定量分析指标的预测。
围岩分级是岩体工程中的重要任务 ,对于评估岩石强度和稳定性具有关键作用 。现有文献的研究结果表明 ,深度学习在围岩分级中的应用已取得显著进展 , 利用卷积神经网络从岩体图像中提取节理产状、颜色 等丰富空间特征 ,循环神经网络对岩体图像拍摄的先后序列进行建模 ,实现对岩体数据时间-空间相关性的有效分析 。此外 ,与遥感技术相结合 ,从卫星图像获取更全面的岩体信息 ,进一步提高围岩分级的精度与可靠性。
图 20 多源异构数据融合的围岩智能分级方法
2. 7 掌子面图像识别与分类
2. 7. 1 节理裂隙识别
掌子面最能直观、准确地反映工程地质条件 ,快速掌握掌子面图像信息对隧道及地下工程的安全建设至关重要 。但隧道及地下工程建设受限于施工环境、现场拍摄设备及施工人员拍摄技术 ,导致掌子面拍摄图像时常出现模糊、明暗不均及完整度低等情况 ,且传统机器学习处理的掌子面图片中存在节理连贯度低、清晰度差等问题 ,无法适应隧道智能化快速施工的要求。
随着深度学习算法的提出[230] ,基于图像识别的掌子面岩体结构信息逐渐成为隧道及地下工程研究的焦点[231] ,主要集中解决掌子面质量自动评价方法、岩体节理信息的自动识别等问题。鲜晴羽等[232] 将不同干扰因素与拍摄条件下掌子面图片标签进行分类 ,建立了隧道掌子面图像数据集 , 并将 DenseNet169、 ResNet50、VGG16 等模型用于掌子面图像分类任务中 , 结合清晰度与相似度等评价指标 ,实现了对隧道掌子面图像质量评价。
上述研究结果表明 ,改善深度学习网络结构与标注方式、扩充并平衡数据集分布是优化掌子面图像质 量的主要趋势 。罗虎等[233] 利用 U-Net 与 Deep Crack 2 类卷积神经网络分别对掌子面轮廓特征及微细裂隙进行提取、识别 ,通过细化裂隙图中各裂隙的长度与倾角 ,完成对掌子面特征信息的自动提取 。Chen 等[234] 提出了一种自动分割并量化岩体裂隙迹线的计算方 法 ,包括像素分割深度学习模型 FraSegNet、链码折线 轨迹遍历算法及多段线近似骨架提取算法 。其中 , FraSegNet 模型中加入了空洞空间池化金字塔模块 (atrous spatial pyramid pooling,ASPP) [235] ,采用不同空 洞卷积率检测图像多尺度特征 ,其工作原理如图 21所示 ;链码折线轨迹遍历算法将自动搜索裂隙图像中的 决定性特征点 ,并用链码简洁地表示 ,实现多段线条的近似运算 ;多段线近似骨架提取算法能够将每个裂隙对应的像素点输出为关键节点坐标 ,以获取裂隙的轨迹特征。
图 21 空洞空间卷积池化金字塔模型
彭磊等[236] 将路经聚合网络 ( PANet ) 引入 Mask R-CNN 中 ,解决了阴暗隧道环境下掌子面检测准确率低的问题 ,实现了隧道掌子面节理位置的快速检测 。Lei 等 [237] 通过将 Transformer 注意力机制和可变形卷积网络与 Mask R-CNN 相结合 ,前者可提高背景网络的特征提取能力 ,聚焦于关键区域 ; 后者利用 可变形的卷积核 ,增强了网络对于图像中几何形变的适应性和感受力 ,显著改进了 Mask R-CNN 在隧道面节理和裂缝的识别与量化方面的性能。
2. 7. 2 围岩岩性分类
针对深度学习在围岩岩性信息的自动分类也有众多学者进行研究 。 目前 ,Inception-ResNet-V2 模型是常用的深度学习算法之一 ,该模型结合了 Inception 网 络的高效特征提取能力和 ResNet 的深层次残差学习能力 ,在处理岩体图像时能够有效地适应不同的图像分辨率和变化的环境条件[238] 。柳厚祥等[239] 基于迁移学习技术 ,采用 Inception-ResNet-V2 为训练模型 , 对花岗岩、石灰岩、玄武岩及页岩等岩体数据集进行再训练 ,完成对围岩岩性的识别 。秦尚友等[240]收集了 不同工况、温度、湿度、亮度及粉尘体积分数等环境下 42100 张掌子面图像作为数据样本 ,训练模型同样采用 Inception-ResNet-V2,识别数据集中存在的岩体结 构 ,实现掌子面岩石结构的自动化分类。
夏毅敏等[241]从减少模型计算量对存储资源占用的角度出发 ,采用轻量级模型 MobileNet V2 对片麻岩、 花岗岩及砂岩等岩石的岩性进行识别 。雷明锋等[242]将围岩岩性判定方式分为岩石薄片鉴定与手标本鉴定 ,采用像素级实例分割模型 Mask R-CNN 对岩石薄 片矿物进行识别 ,并对其中诸如长石、石英及黑云母等矿物的含量进行统计 。李明超等[243] 将岩石图像识别模型与岩石音频强度回归模型进行耦合 ,建立了一种能够同时识别岩性类别并初步得出掌子面表面强度的智能分析方法 ,有效解决了智能算法在样本数据不足导致泛化能力低的弊端 ,为工程地质勘察与施工方案设计提供了新手段 ,进一步提高了开挖效率 。Chen 等 [244]将空洞卷积和深度可分离卷积深度学习模型进行集成,提出了一种基于深度卷积神经网络的DeepLabv3+模型 ,并建立了一个包含 32040 张石灰石、白云石、黄土和红土图像的数据库以训练、验证和测试该模型的性能 ,用于岩石隧道掌子面薄弱夹层的识别与检测任务。
综合上述分析可见 ,进行掌子面图像岩性识别与分类任务中 ,迁移学习技术与 ImageNet 数据集是不可或缺的要素 。而针对图像识别与分类精度的改善方法 ,通常有以下 3 类 : 1)有选择地突出图像中需要分析的特征 ,减少次要信息的干扰 ; 2)设法对图像像素进行补偿 ,使改善后的图像尽可能逼近原始图像 ; 3) 优化网络结构 ,融合浅层细节特征与深层语义特征的提取模型能够输出分辨率更高、信息特征更强的图片。
3 存在问题
尽管不同的深度学习算法可以应用在同一类问题上 ,但受限于网络结构本身的差异性、原理的局限性以及数据的多样性 ,导致结果存在不适定性 。基于以上分析 , 目前还存在以下问题 :
1)影响神经网络结构优化的因素较多。对于全连接神经网络 ,简单地增加隐藏层的数量并不能有效提高模型精度 ,反而导致引入过拟合等问题 。此外 ,卷积神经网络虽然在图像处理和识别方面展现出优秀的性能 ,但在隧道工程领域中 ,获得高清晰度和高质量的衬砌结构图像通常成本较高 。循环神经网络面临的挑战包括信息遗失和处理数据类型相对单一的局限性。
2)数据处理过程难以做到实时共享。 目前我国还未建立大型信息平台进行隧道监测数据及地质灾害信息共享 ,且数据挖掘存在较高成本 ,这导致部分中小型隧道工程建设无法根据已有的监测数据实现对施工过程的动态优化 ,加大了针对该类隧道工程施工的难度 。而现场数据的获取质量与可靠性还受到开挖工况与监测设备的限制 ,加之地质条件的时空变异性 ,数据分析也很难做到网络结构与数值分析结果之间的关联性。
3)分析结果准确度的评判依旧取决于专家系统。 尽管使用深度学习算法进行隧道衬砌病害检测以及掌子面图像识别技术已较为成熟 ,但其理论研究还处在发展阶段 。在风险评估及性能预测问题上 ,由于深度学习算法具有“黑箱”性质 ,致使其对模型预测结果的解释缺乏一定说服力 ,结果的准确性大多参照专家系统的评判标准。
4)复杂地质条件下算法的泛化能力不足。大埋深、高地应力的隧道及地下工程是我国未来的建设趋势 ,不同的岩石类型、地层构造和地下水等因素导致工程地质条件非常复杂 。在新的地质条件或工程背景下 ,监测数据的多样性以及地质特征的复杂性均会降低深度学习算法出现泛化能力 ,并对工程决策的准确性造成不利影响。
4 结论与展望
4. 1 结论
本文对近 10 年深度学习在隧道及地下工程中的研究进展与应用现状进行整理分析与总结 ,从施工参数及其过程评估、智能检测与多维感知、参数反演及围岩分级等研究层面将应用方向共分为 7 个大类 。主要结论如下 :
1)深度学习在隧道及地下工程领域的应用已经展现出其巨大的潜力和价值 ,其不仅能够提高隧道施工效率与安全性 ,还能分析监测数据 ,实现对结构性能的准确评估 。随着深度学习在衬砌病害识别、性能评价及维护决策支持方面研究的进一步加深 ,隧道及地下工程的设计、建设与运营将实现更高级别的自动化、 精细化及智能化。
2)岩体初始地应力往往与其自重应力、构造应力有关 ,准确掌握深部复杂地质条件下隧道与地下工程中地应力的变化规律至关重要 ;支护结构荷载反演分析的准确度较大程度上取决于现场监测的变形数据 , 该类未知数的反演分析具有更强的实用意义 ,能够直接反映工程设计的可靠性 ;岩土体参数的反演存在较大不适定性 ,需要借助优化算法分析其解的唯一性、可识别性等影响反演结果的不利因素。
3)现阶段 ,隧道掘进机在施工过程中能量消耗可靠性估计、获取准确地质信息及施工参数多目标优化仍是主要任务 ,能量消耗、地质信息的错误分析都将导致机械产生磨损和裂纹 ,甚至出现灾难性事故 。因此 , 分析施工机械的故障类型及掘进参数对施工成本和效率至关重要 ,且准确的能耗预测、性能优化及实时控制 有助于工程建设的安全性和可持续发展。
4)随着信息化水平由“ 物联网-多维感知隧道 ” 向“大数据-智能建造隧道”的发展 ,融合多源信息的数据传感器已实现对围岩参数、施工设备、作业环境及施工人员等风险因素的感知 。元启发式算法、梯度下降算法及神经结构搜索算法对深度学习算法的优化 ,进一步弥补了隧道施工及运营过程智能决策、 事故风险定量评价以及潜在风险来源识别等研究方向的空缺。
5) 随着计算机视觉技术的发展 ,深度学习在图像、语音、视频等智能识别与检测任务中大放异彩 ,利用深度学习算法进行隧道病害类型的快速监测诊断、 衬砌结构破坏模式的预测判断以及掌子面和岩块图像的识别分类等工作是目前主要的研究方向 ,卷积神经网络也成为隧道及地下工程领域中使用最多的深度学 习算法。
4. 2 展望
21 世纪将成为我国隧道及地下空间高速、高质量发展的时代 ,而深度学习作为其主要推动力之一 ,将在未来各个领域发挥着重要作用 。就其在隧道及地下工程的智能化应用而言 ,有如下展望 :
1)完善深度学习理论及其在工程领域的应用研究 。主要表现为理解样本数量与模型性能精度之间的动态关系、评估现有模型在满足具体工程需求方面的有效性等2个方面。利用数据挖掘技术 ,构建高度并行且集成的计算平台 ,加强基础设施与智能化平台之间的数据交互能力。
2)加强深度学习算法的扩展性与灵活性。目前 , 多数深度学习框架以有监督学习为主 ,该方法依靠人工标记样本的特征信息进行网络训练 ,限制了算法探索未经标注数据潜在特征的能力。在未来利用深度学习进行隧道工程问题的智能化分析中应加大对无监督学习和半监督学习技术的研究与应用 ,将为解决标签稀缺问题、降低人工成本、提高模型泛化能力开辟新途径。
3)实现对复杂条件下超长、大埋深的隧道修建及地下交通设计施工技术的突破 。在高地应力、高地震烈度的山岭隧道以及深水、高水压环境下的海底隧道 的修建中 ,需要优化恶劣地质环境中的施工工法 。在城市轨道交通的建设过程中 ,精细化的施工管理制度和高效的网络化运营维护体系的建立 ,是降低成本、确保长期运营的关键 。通过引入智能化工程管理工具和技术 ,可以进一步优化工程设计、施工和维护过程 ,实现对复杂工程的智能化管理 ,推动隧道及地下工程向更高质量、更高效率的目标迈进。
4)加快对隧道结构病害智能化诊断技术、快速修复技术及智能防灾技术的探索 。我国近代第 1 条隧道的开通距今已超过 100 年 ,部分隧道建成年限长 ,老龄化问题严重 ,衬砌结构出现大量裂缝、渗水现象 ,安全疏散通道结构稳定性较差 。因此 ,加强隧道全结构风险快速识别与评估预警系统、衬砌全断面快速扫描与病害成像设备、隧道性能长期监测传感技术以及火灾预警智能化技术的开发与设计是重中之重 。通过集成深度学习、大数据分析和物联网技术 ,构建隧道健康监 测与安全管理平台 ,从而实现对隧道全生命周期的智能化监控和维护 ,确保隧道工程长期稳定与安全。
5) 明确“双碳战略”背景下隧道建造方式的构想以完成对工程技术的创新 。建立以“生态化”为首要 目标 ,“低碳化”为实现路径 ,“智能化”为技术手段 , “ 工业化”为生产方式 ,“精细化”为经营管理模式的智能动态建造产业体系 ,提高科研成果与实际工程应用的转化率 ,实现多学科领域交叉协同创新。