基于多源信息融合的隧道超前地质灾害智能判识方法

技术领域

本发明涉及隧道地质领域，具体涉及基于多源信息融合的隧道超前地质灾害智能判识方法。

背景技术

我国是多山而且地质条件十分复杂的国家，山区及高原约占全国总面积的60％，公路、铁路经常在崇山峻岭中穿过，隧道在道路工程中所占的比例越来越大。在隧道施工过程中，由于开挖所诱发的各类地质问题具有不可选择性、复杂性、特殊性和突发性，常常成为制约隧道修建的最主要因素。如何准确预报隧道施工过程中是否会存在富水带、断层破碎带及溶洞暗河等不良地质，已成为隧道施工过程中亟待解决的关键问题，它将对减少隧道施工过程中的盲目性，实现安全快速施工有着重要指导作用。

近年来，人工智能在深度学习、大数据和大规模并行计算的支撑下蓬勃发展，尤其是在图像识别反演方面，其中卷积神经网络展现出对强非线性映射的高精度模拟能力。利用卷积神经网络可以有效降低人为识别地质灾害的主观性，达到智能识别的效果。同时，隧道超前地质预报已发展出了地震波法、直流电法、电磁法以及激发极化法等多种地球物理探测方法。但每种方法相对独立，过度依赖专业预报人员，所以亟需建立针对隧道超前地质灾害预报的科学智能综合分析体系。

发明内容

本发明针对现有技术的不足，目的在于，基于多种单一判识结果，模拟多专家分析决策过程，达到多源信息融合智能判识岩溶、断层、突涌水等地质灾害。

因此，提出基于多源信息融合的隧道超前地质灾害智能判识方法，具体技术方案如下：

基于多源信息融合的隧道超前地质灾害智能判识方法，其特征在于：

S1：超前地质预报手段组合包括多种预测方法；

设置有隧道灾害数据集合，收集超前地质预报手段组合中每种预测方法对目标隧道发生灾害处对应的预测数据，将收集到的预测数据放入到隧道灾害数据集合，建立各类地质灾害与目标隧道各类参数的映射关系；

S2：处理系统利用隧道灾害数据集合中的每类预测数据分别训练生成对应的卷积神经网络模型，得到卷积神经网络模型组；

S3：设置有超前地质预测结果集，处理系统通过超前地质预报手段组合内的每种预测方法分别获取对应的目标断面数据，处理系统将预测的目标断面数据的输入到对应的卷积神经网络模型，将预测结果放入到超前地质预测结果集；

S4：处理系统将超前地质预报结果集中的预报数据均与现场情况进行比较：

如果超前地质预报结果集内的预测数据一致，则进入S5；

如果超前地质预报结果集内的预测数据不一致，则进入S6；

S5：处理系统将预测数据与现场情况进行对比，如果超前地质预报结果集内预测数据均与现场情况一致，则进入S5-1，如果超前地质预报数据一致，但与现场情况不一致，则进入S5-2；

S5-1：则预测数据为输出数据；

S5-2：返回S2，调整卷积神经网络模型参数，重新优化卷积神经网络模型；

S6：如果超前地质预报结果集内的预测数据不一致，则通过AHP-模糊综合评价法评估所有超前地质预报，得到最优预测数据；

S7：处理系统将最优预测数据与现场实际情况对比，如果，最优预测数据与现场实际情况一致，则进入S8；

否则，处理系统对AHP-模糊综合评价法内参数迭代优化；

S8：处理系统输出最优预测数据。

为更好的实现本发明，可进一步地：

所述S6中的AHP-模糊综合评价法包括如下步骤：

S6-1：建立层次结构，将智能地质预报综合评价影响因素体系分为目标层、准则层和指标层；

目标层A为智能地质预报综合评价影响因素体系；

准则层B共五个指标，分别为方法本身适用性B1、围岩地质情况B2、预报原始数据质量B3、物探实施单位B4、隧道施工影响B5；

指标层C共有25个指标，分别为：

方法本身适用性对应岩溶敏感性、突涌水敏感性、断层敏感性3个二级指标；

围岩地质情况对应岩性、岩层完整度、岩石强度3个二级指标；

预报原始数据质量对应探测频率、监测面粗糙程度、环境电导率、隧道结构物影响、预报距离、灾害规模大小及形态、相同灾害重复出现、炮孔布设质量、激发能量大小、机械噪声干扰、回线尺寸及位置、测量电压、接地条件14个二级指标；

物探实施单位对应物探设备仪器精度、施工人员技术素质、监管和重视程度3个二级指标；

隧道施工影响对应施工经费、隧道现场影响程度2个二级指标；

S6-2：构造判断矩阵，通过问卷调查的方式，专家通过两两比较，判断出每层指标相对于上一层指标的重要性，通过设定的标度规则将指标量化为数值填写，得到专家对各评估指标的判断矩阵，如下所示：

S6-3：判断矩阵权重计算

分别计算专家判断矩阵的特征向量，计算其权重，具体如下：

S6-31：判断矩阵归一化

S6-32：将归一化的矩阵按行相加

S6-33：计算权重向量

对向量做归一化处理得到权重向量的近似解。

向量w＝(w

S6-4：一致性判断和误差分析

一致性检验用来确定权重近似解的误差是否在允许范围内；

S6-41：计算矩阵的最大特征根

设判断矩阵的最大特征根为λ

其中(Cw)

S6-42：一致性指标

平均随机一致性指标通过查标准表获取；

当CR≤0.1时，认为判断矩阵具有满意的一致性；当CR>0.1时，必须重新构造判断矩阵；

S6-5：层次组合权重

通过S6-4的计算可以得到每个指标相对于上一层次的权重，通过层次组合可以得出每个指标相对于目标层的权重；

设一级指标层为A，其下一层次B有B

其中，a

S6-6：构建模糊评价矩阵

针对地质雷达法、激发极化法、瞬变电磁法、TSP和HSP 5种物探手段，将各指标与其联系程度设置为五个等级，分别为：很高、较高、一般、较低、很低；

分别对应5个分值：5、4、3、2、1；4.5，3.5，2.5，1.5表示中间状态；

为使评价结果更加客观准确，基于现有文献资料的专家评价，对5种物探手段的各个评价指标进行客观打分；

其次，根据各个指标打分结果，构建模糊评价矩阵R；

S6-7：计算综合评价向量

根据所得各指标权重W乘上模糊评价矩阵R得到各物探手段隶属度向量D，根据隶属度最大原则选择最优物探手段测得结果作为最优物探结果。

进一步地：

所述超前地质预报手段包括地质雷达法、瞬变电磁法、激发极化法、TSP、HSP预报方法。

进一步地：

所述目标隧道施工参数包括收集物探、前期地勘、辅助坑道、随钻参数、物性参数。

本发明的有益效果为：本发明能够智能判识地质雷达法、瞬变电磁法、激发极化法、TSP、HSP等多种预报方法所监测到的地质灾害位置、规模及类型，基于多种单一判识结果，模拟多专家分析决策过程，达到多源信息融合智能判识岩溶、断层、突涌水等地质灾害的目的。

附图说明

图1为本发明的工作流程图；

图2为HSP物探结果图像标签形式示例图；

图3为智能地质预报综合评价影响因素体系图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示：

基于多源信息融合的隧道超前地质灾害智能判识方法，

S1：超前地质预报手段组合包括多种预测方法；

设置有隧道灾害数据集合，收集超前地质预报手段组合中每种预测方法对目标隧道发生灾害处对应的预测数据，将收集到的预测数据放入到隧道灾害数据集合，建立各类地质灾害与目标隧道各类参数的映射关系；

具体地，对各种预测手段得到的地质预报图片数据进行整理，在本实施例中，以HSP为例，参见图2所示，其他物探手段类似。并打上对应标签，主要包含灾害位置、规模以及类型。

收集物探、前期地勘、辅助坑道、随钻参数、物性参数等多方面资料以及与各类地质灾害映射关系，确定以方法本身适用性、围岩地质情况、预报原始数据质量、物探实施单位及隧道施工影响为主要条件的智能地质预报综合评价影响因素体系，为后续AHP-模糊综合评价法提供数据支撑。

S2：处理系统利用隧道灾害数据集合中的每类预测数据分别训练生成对应的卷积神经网络模型，得到卷积神经网络模型组；

S3：设置有超前地质预测结果集，处理系统通过超前地质预报手段组合内的每种预测方法分别获取对应的目标断面数据，处理系统将预测的目标断面数据的输入到对应的卷积神经网络模型，将预测结果放入到超前地质预测结果集；

S4：处理系统将超前地质预报结果集中的预报数据均与现场情况进行比较：

如果超前地质预报结果集内的预测数据一致，则进入S5；

如果超前地质预报结果集内的预测数据不一致，则进入S6；

S5：处理系统将预测数据与现场情况进行对比，如果超前地质预测结果集内预测数据均与现场情况一致，则进入S5-1，如果超前地质预报数据一致，但与现场情况不一致，则进入S5-2；

S5-1：则预测数据为输出数据；

S5-2：返回S2，调整卷积神经网络模型参数，重新优化卷积神经网络模型；

S6：如果超前地质预测结果集内的预测数据不一致，则通过AHP-模糊综合评价法评估所有超前地质预报，得到最优预测数据；

具体如下，以地质雷达法、瞬变电磁法、激发极化法、TSP、HSP预报方法五个方法为例。

上述五种预报方法产生的预报数据分别经对应的卷积神经网络模型处理后将输出数据放入到超前地质预测结果集，本实施例中地质雷达法、激发极化法、瞬变电磁法、TSP、HSP探测结果输入卷积神经网络识别结果不一致，分别为突涌水、突涌水、突涌水、岩溶、岩溶，则需要通过AHP-模糊综合评价法评估所有超前地质预报，得到最优预测数据；

S7：处理系统将最优预测数据与现场实际情况对比，如果，最优预测数据与现场实际情况一致，则进入S8；

否则，处理系统对AHP-模糊综合评价法内参数迭代优化；

S8：处理系统输出最优预测数据。

该AHP-模糊综合评价法包括如下步骤：

S6-1：建立层次结构，将智能地质预报综合评价影响因素体系分为目标层、准则层和指标层；

目标层A为智能地质预报综合评价影响因素体系；

准则层共五个指标，分别为方法本身适用性B1、围岩地质情况B2、预报原始数据质量B3、物探实施单位B4、隧道施工影响B5；

指标层共有25个指标，分别为：

方法本身适用性对应岩溶敏感性、突涌水敏感性、断层敏感性3个二级指标；

围岩地质情况对应岩性、岩层完整度、岩石强度3个二级指标；

预报原始数据质量对应探测频率、监测面粗糙程度、环境电导率、隧道结构物影响、预报距离、灾害规模大小及形态、相同灾害重复出现、炮孔布设质量、激发能量大小、机械噪声干扰、回线尺寸及位置、测量电压、接地条件14个二级指标；

物探实施单位对应物探设备仪器精度、施工人员技术素质、监管和重视程度3个二级指标；

隧道施工影响对应施工经费、隧道现场影响程度2个二级指标；

本实施例具体为，将智能地质预报综合评价影响因素体系分为目标层、准则层和指标层。

其中，目标层A为智能地质预报综合评价影响因素体系；

准则层B共五个指标，为

B＝(B

＝(方法本身适用性，围岩地质情况，预报原始数据质量，物探实施单位，隧道施工影响)，

指标层C共有25个指标，分别为：

C

C

C

＝(探测频率，监测面粗糙程度，环境电导率，隧道结构物影响，

预报距离，灾害规模大小及形态，相同灾害重复出现，炮孔布设质量激发能量大小，机械噪声干扰，回线尺寸及位置，测量电压，接地条件)C

S6-2：接着，构造判断矩阵，通过问卷调查的方式，专家们通过两两比较，判断出每层指标相对于上一层指标的重要性，并采用如表1所示的标度规则将其量化为数值填写，得到各位专家对各评估指标的判断矩阵，如下所示：

表1判断矩阵C

本实例具体为，通过对地质预报相关文献的查阅和专家咨询，邀请相关领域专家以调查问卷形式对构建的智能地质预报综合评价影响因素体系各层级进行打分，构成判断矩阵A、B1、B2、B3、B4、B5如下列表格所示。

表2A-B判断矩阵

表3B1-C判断矩阵

表4B2-C判断矩阵

表5B3-C判断矩阵

表6 B4-C判断矩阵

表7 B5-C判断矩阵

S6-3：判断矩阵权重计算：

采用和积法对层次分析法权重进行计算，以A-B目标层判断矩阵为例。对B层准则层主观权重进行计算。由专家打分结果可得A-B判断矩阵为C

S6-31：判断矩阵每一列归一化

参照上面公式将判断矩阵每一列进行归一化处理，可得

S6-32：将归一化的矩阵按行相加

S6-33：计算权重向量

对向量做归一化处理得到权重向量的近似解。

向量w＝(0.503，0.068，0.134，0.260，0.035)即为所求向量。

S6-4：一致性判断和误差分析

一致性检验用来确定权重近似解的误差是否在允许范围内。

S6-41：计算判断矩阵的最大特征根λ

S6-42：一致性指标

平均随机一致性指标通过查表8标准表获取；

表8随机一致性标准指标RI取值表

通过查询随机一致性指标RI取值表可得RI＝1.12，所以可求得一致性比率CR为：

由于A-B层级判断矩阵的一致性比率为0.054＜0.1，所以该判断矩阵具有较满意的一致性，通过一致性检验。

按照上述S6-3和S6-4对其他判断矩阵进行计算所得结果如下：

表9 A-B判断矩阵计算结果表

对所有判断矩阵进行一致性检验，所得结果表明所有矩阵都通过一致性检验。

根据上述计算步骤所得结果可对智能地质预报综合评价影响因素体系进行层次单排序，并得出各层级指标的主观权重排序，主观权重值与排序结果如下表所示：

表10权重值排序表

S6-5：层次组合权重

通过以上计算可以得到每个指标相对于上一层次的权重，通过层次组合可以得出每个指标相对于目标层的权重；

设一级指标层为A，其下一层次B有B

其中，a

层次组合权重W结果如下表：

表11层次组合权重表

/>

即层次组合权重W为：

S6-6：构建模糊评价矩阵

针对地质雷达法、激发极化法、瞬变电磁法、TSP及HSP这5种物探手段，将各指标与其联系程度设置为五个等级，分别为：很高、较高、一般、较低、很低；分别对应5个分值：5、4、3、2、1；4.5，3.5，2.5，1.5表示中间状态。基于现有文献资料和专家经验，对5种物探手段的各个评价指标进行客观打分如表12所示：

表12二级指标评分表

根据各个指标打分结果，构建单因素模糊评价矩阵R。

S6-7：计算综合评价向量

模糊评价矩阵R所得各指标权重W相乘得到模糊综合评价结果向量D，根据隶属度最大原则选择最优物探手段测得结果作为最优物探结果。

通过AHP-模糊综合评价法综合评判，所得到的模糊综合评价结果向量

D＝(19.770，19.840，19.314，19.139，19.139)

其对应确定决断集(地质雷达法、激发极化法、瞬变电磁法、TSP、HSP)的隶属关系依次为19.770、19.840、19.314、19.139和19.139，其中激发极化法所占比最大，因此得到地质预报灾害综合评价结果为“突涌水”，与现场实际情况一致，且符合激发极化法对富水不良地质有较敏感响应的特点。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。