| 隧道岩体质量智能动态分级KNN方法 |
| |
| 引用本文： | 马世伟,李守定,李晓,马立纲,李增林,张玉锋.隧道岩体质量智能动态分级KNN方法[J].工程地质学报(英文版),2020,28(6):1448-1457. |
| |
| 作者姓名： | 马世伟 李守定 李晓 马立纲 李增林 张玉锋 |
| |
| 作者单位： | ①.中国科学院地质与地球物理研究所，中国科学院页岩气与地质工程重点实验室，北京 100029，中国 |
| |
| 基金项目： | 中国科学院重点部署项目KFZD-SW-422第二次青藏高原科考项目2019QZKK0904国家重点研发专项2018YFC1504803中国科学院战略性先导科技专项Grant No. XDA14040401 |
| |
| 摘 要： | 施工期隧道岩体质量动态分级，是评价隧道工作面围岩质量最直接的方法，也是预防隧道施工地质灾害，决定施工开挖工法与支护措施的重要依据。由于传统的Q值法和国标BQ岩体质量分级评价方法需要进行现场和室内试验及分析，岩体质量评价时间滞后，常常降低施工效率，或错过预防突发性施工地质灾害的窗口时间，快速准确地对隧道工作面进行岩体质量分级，成为施工期公路隧道岩体质量动态分级需要解决的重要问题。人工智能算法为解决隧道岩体质量实时快速准确评价提供了方法和手段。以北京冬奥会延庆—崇礼高速公路为例，提出了工作面采用隧道掌子面图片人工智能岩体结构参数辨识，建立7个指标参数体系，采用KNN智能算法对隧道岩体质量进行评价，选取8条隧道40个工作面150个样本进行训练学习，另外选取50个样本进行岩体质量评价校验，与BQ岩体质量评价结果相比，准确率达到了90%，得出如下结论:(1)公路隧道岩体质量智能动态分级KNN方法—一种利用人工智能技术快速高效进行岩体质量动态分级的方法，能够在现场实时获得岩体质量评价结果；(2)KNN分级方法中选用了7个判定指标，综合考虑了隧道围岩体的赋存环境、岩体构造、地质结构等特性，并体现了这些指标在实际工程评判中的可操作性和适用性；(3)KNN分级方法误判率很低，在判别分类中排除了评分时人为因素的干扰，具有较强的判别能力，为TBM围岩实时分级做方法储备。
|
| 关 键 词： | K近邻 隧道工程 岩体质量 分类 |
| 收稿时间： | 2019-09-29 |
|
| 点击此处可从《工程地质学报(英文版)》浏览原始摘要信息 |
| 点击此处可从《工程地质学报(英文版)》下载免费的PDF全文 |
