【技術實現步驟摘要】
本專利技術屬于地質工程，涉及一種超前地質預報方法及系統。
技術介紹
1、隧洞工程建設中，超前地質預報是保障施工安全和進度的關鍵；傳統的超前地質預報方法主要包括地質雷達探測、超前鉆探等，但在復雜地質條件下,這些方法往往難以滿足精確預報的需求。特別是當隧洞工程存在穿越多條斷層破碎帶的情況，采用常規的超前地質雷達探測，由于受到斷層影響,雷達圖像解譯難度大,預報結果與實際地質條件出入較大，進行施工時有時會出現事先未預報出的斷層破碎帶，未能及時采取有效的支護和防范措施，導致事故發生，不僅造成工期延誤、經濟損失,更可能危及施工人員的生命安全。傳統的超前地質預報方法,尤其是在斷層、溶洞、巖溶、高地應力復雜地質條件下,極易漏判或誤判不良地質體，預報的精度和可靠性難以保障,給隧洞施工埋下重大安全隱患。
技術實現思路
1、為解決
技術介紹
中所述的復雜地質條件下傳統的超前地質預報方法極易漏判或誤判不良地質體、預報的精度和可靠性難以保障的問題，本專利技術提供基于多源信息融合的隧洞工程超前地質預報方法及系統。
2、本專利技術的方法，包括以下步驟：
3、依據地質雷達探測、鉆探探測及地震波探測獲取得到隧洞工程的多源地質數據；
4、對多源地質數據進行包括數據清洗和標準化在內的預處理，得到預處理后的多源地質數據；
5、根據各數據源的測量精度、探測深度以及對目標地質特征的敏感性因素確定各數據源的權重參數，依據權重參數通過加權融合算法對預處理后的多源地質數據進行融合,生成綜
6、將綜合地質數據輸入至卷積神經網絡架構的深度學習模型中，通過卷積層提取綜合地質數據特征,并使用全連接層對地質結構進行分類和預測，生成地質預報；
7、依據地質預報在施工過程中,持續獲取新的地質數據,當新的地質數據與原有地質預報出現顯著差異,或施工進度達到預設里程時,觸發深度學習模型優化，依據新的地質數據對深度學習模型進行訓練,對深度學習模型參數進行調整,生成更新的地質預報。
8、進一步地，所述地質雷達探測采用高密度全斷面雷達掃描，獲取隧洞工程掌子面前方巖體的電性差異信息，作為地質雷達探測的地質數據；所述鉆探探測通過在隧洞工程內布設一定數量的超前水平鉆孔，獲取巖芯和巖性、地下水信息，作為鉆探探測的地質數據；所述地震波探測通過tsp203超前地質預報獲取隧洞工程縱向一定范圍內的地震波速度結構信息，作為地震波探測的地質數據。
9、更進一步地，所述多源地質數據的預處理中，針對地質雷達探測的地質數據，采用包括時間零點校正、背景噪聲消除、增益恢復在內的方法對其進行預處理；針對鉆探探測的地質數據，采用包括芯照片拼接、巖性解釋、rqd值統計在內的方法對其進行預處理；針對地震波探測的地質數據，采用包括初至校正、信噪比增強、走時層析成像在內的方法對其進行預處理；預處理后的地質數據數據以統一的三維網格模型形式進行存儲。
10、更進一步地，所述深度學習模型中，基于三維卷積神經網絡構建一個用于地質信息解譯的模型，包括輸入層、卷積層、池化層、全連接層以及輸出層；
11、所述輸入層:來自融合模型的3d數據塊,尺寸為50x50x50；
12、所述卷積層有3個,核尺寸依次為5x5x5,3x3x3和1x1x1,特征圖數量為32,64和128；設第i層卷積層的輸入為xi,卷積核為wi,偏置為bi,激活函數為f,則該層的輸出xi+1為:
13、xi+1＝f(wi*xi+bi)，
14、其中，*表示卷積操作；
15、所述池化層為3個最大池化層,尺寸均為2x2x2,用于特征降維；
16、所述全連接層為2個，分別包含256和128個神經元；
17、所述輸出層采用softmax激活,輸出各類地質體的概率；
18、所述模型的訓練采用adam優化器,依據實際情況設置初始學習率、批量大小和訓練輪次，在隧洞工程已掘進段落隨機選取多個數據塊作為訓練集,并利用掌子面揭露的真實地質條件進行標注；訓練模型能夠識別包括巖層界面、斷層位置、溶洞分布在內的關鍵地質特征。
19、更進一步地，所述深度學習模型參數進行調整的方法包括：
20、在隧洞工程掘進過程中，實時收集包括實時監控數據、實時鉆探數據在內的新的地質數據，當新的地質數據與原有地質預報偏差超過設定的閾值時,或施工進度達到預設里程時,通過增量學習對深度學習模型進行優化；
21、增量學習基于新的地質數據對原深度學習模型進行微調,重新設置學習率和訓練輪次，更新后的深度學習模型對隧洞工程的后續區間進行預報,并根據需求調整地質預報的范圍和頻次；
22、設在t時刻獲得的新的地質數據為dt,原深度學習模型對應的地質信息為yt,更新后深度學習模型對應的地質信息為yt+1,則有：
23、yt+1＝u(yt,dt)，
24、其中，u表示預報更新函數,基于深度學習模型模型和新的地質數據計算得到；
25、地質預報結果的準確率計算如下：
26、accuracy＝(tp+tn)/(tp+tn+fp+fn)，
27、其中，tp、tn、fp、fn分別表示地質預報結果中的真正例、真負例、假正例和假負例的數量。
28、本專利技術還提出了基于多源信息融合的隧洞工程超前地質預報系統，包括地質數據獲取模塊、數據預處理模塊、綜合地質數據生成模塊、地質預報生成模塊以及地質預報更新模塊。
29、所述地質數據獲取模塊，用于依據地質雷達探測、鉆探探測及地震波探測獲取得到隧洞工程的多源地質數據。
30、所述數據預處理模塊，用于對多源地質數據進行包括數據清洗和標準化在內的預處理，得到預處理后的多源地質數據。
31、所述綜合地質數據生成模塊，用于根據各數據源的測量精度、探測深度以及對目標地質特征的敏感性因素確定各數據源的權重參數，依據權重參數通過加權融合算法對預處理后的多源地質數據進行融合,生成綜合地質數據。
32、所述地質預報生成模塊，用于將綜合地質數據輸入至卷積神經網絡架構的深度學習模型中，通過卷積層提取綜合地質數據特征,并使用全連接層對地質結構進行分類和預測，生成地質預報。
33、所述地質預報更新模塊，用于依據地質預報在施工過程中,持續獲取新的地質數據,當新的地質數據與原有地質預報出現顯著差異或施工進度達到預設里程時,觸發深度學習模型優化，依據新的地質數據對深度學習模型進行訓練,對深度學習模型參數進行調整,生成更新的地質預報。
34、本專利技術與現有技術相比，獲取多源地質數據并對其進行預處理和數據融合，生成綜合地質數據，基于卷積神經網絡架構的深度學習模型，提取綜合地質數據特征，生成地質數據，并且通過反饋優化機制依據施工過程中獲取的新的地址數據，動態更新地質數據。本專利技術通過對多源地質數據進行融合,全面準確地刻畫隧洞沿線前方地質條件,克服了復雜地質環境下常規方法預本文檔來自技高網...
【技術保護點】
1.基于多源信息融合的隧洞工程超前地質預報方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多源信息融合的隧洞工程超前地質預報方法，其特征在于：所述地質雷達探測采用高密度全斷面雷達掃描，獲取隧洞工程掌子面前方巖體的電性差異信息，作為地質雷達探測的地質數據；所述鉆探探測通過在隧洞工程內布設一定數量的超前水平鉆孔，獲取巖芯和巖性、地下水信息，作為鉆探探測的地質數據；所述地震波探測通過TSP203超前地質預報獲取隧洞工程縱向一定范圍內的地震波速度結構信息，作為地震波探測的地質數據。
3.根據權利要求2所述的基于多源信息融合的隧洞工程超前地質預報方法，其特征在于：所述多源地質數據的預處理中，針對地質雷達探測的地質數據，采用包括時間零點校正、背景噪聲消除、增益恢復在內的方法對其進行預處理；針對鉆探探測的地質數據，采用包括芯照片拼接、巖性解釋、RQD值統計在內的方法對其進行預處理；針對地震波探測的地質數據，采用包括初至校正、信噪比增強、走時層析成像在內的方法對其進行預處理；預處理后的地質數據數據以統一的三維網格模型形式進行存儲。
4.根據權利要
5.根據權利要求4所述的基于多源信息融合的隧洞工程超前地質預報方法，其特征在于：所述深度學習模型參數進行調整的方法包括：
6.實現權利要求1-5中任意一項所述方法的基于多源信息融合的隧洞工程超前地質預報系統，其特征在于：包括地質數據獲取模塊、數據預處理模塊、綜合地質數據生成模塊、地質預報生成模塊以及地質預報更新模塊；
...【技術特征摘要】
1.基于多源信息融合的隧洞工程超前地質預報方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多源信息融合的隧洞工程超前地質預報方法，其特征在于：所述地質雷達探測采用高密度全斷面雷達掃描，獲取隧洞工程掌子面前方巖體的電性差異信息，作為地質雷達探測的地質數據；所述鉆探探測通過在隧洞工程內布設一定數量的超前水平鉆孔，獲取巖芯和巖性、地下水信息，作為鉆探探測的地質數據；所述地震波探測通過tsp203超前地質預報獲取隧洞工程縱向一定范圍內的地震波速度結構信息，作為地震波探測的地質數據。
3.根據權利要求2所述的基于多源信息融合的隧洞工程超前地質預報方法，其特征在于：所述多源地質數據的預處理中，針對地質雷達探測的地質數據，采用包括時間零點校正、背景噪聲消除、增益恢復在內的方法對其進行預處理；針對鉆探探測的地質數據，采用包括芯照片...
【專利技術屬性】
技術研發人員：盧樹盛，顏慧明，鄧爭榮，羅仁輝，李辰舟，常威，謝建波，袁洋洋，吳棟梁，付才，
申請(專利權)人：長江巖土工程有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。