一种基于熵权法的隧道围岩质量等级识别方法、装置、设备及存储介质

技术领域

本发明属于地质勘测技术领域，具体涉及一种基于熵权法的隧道围岩质量等级识别方法、装置、设备及存储介质。

背景技术

随着我国新型城镇化建设的不断发展，交通运输基础设施发展已进入黄金时期，建设需求持续旺盛，交通建设工程向中西部地区深入推进，大量的隧道工程正在或即将在我国西部崇山峻岭地区兴建。我国西部山区地形地质条件复杂，地质构造活动强烈，工程埋深大，地下工程面临着高水压和高地应力耦合作用，对隧道的勘查、设计、施工和运营都带来极大的挑战。而在隧道的勘查、设计和施工阶段，最重要的一项工作无疑是对隧道的围岩质量进行分级，隧道围岩质量等级是隧道动态设计和施工的主要依据之一。

目前，在隧道工程中，主要是依据《工程岩体分级规范》的BQ(Basic Quality，基本素质)法对围岩质量进行分级，但BQ法需要诸多的定量测试试验，其使用起来较为烦琐，所以在实际工作中，现场技术人员更多是采用经验法进行围岩质量分级，其分级结果时常偏大或偏小，不利于隧道的动态支护和开挖设计。

发明内容

本发明的目的是提供一种基于熵权法的隧道围岩质量等级识别方法、装置、计算机设备及计算机可读存储介质，用以解决现有隧道围岩质量等级识别技术所存在BQ法使用起来较为烦琐而经验法又有分级结果误差较大的问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，提供了一种基于熵权法的隧道围岩质量等级识别方法，包括：

获取所有的已识别样本数据，其中，所述已识别样本数据包含有隧道围岩对象的已识别隧道围岩质量等级以及在K个评价指标上对该隧道围岩对象采集而得的K个指标值，所述K个指标值与所述K个评价指标一一对应，K表示大于等于5的正整数；

将所述所有的已识别样本数据随机均分为M份已识别样本数据，其中，M表示大于等于5的正整数；

针对在所述M份已识别样本数据中的各份已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于N种机器学习算法的人工智能模型进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个模型分类准确率，其中，N表示大于等于5的正整数；

根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数；

针对所述所有的已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于所述N种机器学习算法的人工智能模型再次进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个隧道围岩质量等级分类模型；

获取在所述K个评价指标上对目标隧道围岩对象采集而得的K个指标新值，其中，所述K个指标新值与所述K个评价指标一一对应；

针对在所述N个隧道围岩质量等级分类模型中的各个隧道围岩质量等级分类模型，将所述K个指标新值输入对应模型中，输出得到对应的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值；

根据所述N种机器学习算法的分类模型权重系数和所述N个隧道围岩质量等级分类模型的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值，按照如下公式计算得到将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的综合概率值：

式中，S表示所述所有隧道围岩质量等级的等级总数，s表示小于等于S的正整数，P

将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

基于上述发明内容，提供了一种基于熵权法和多种机器学习算法的隧道围岩质量等级自动识别方案，即一方面先将所有的已识别样本数据分成若干份，然后针对各份分别应用多种机器学习算法进行建模训练，得到与各份及各算法对应的模型分类准确率，再然后基于熵权法得到各算法的分类模型权重系数，另一方面针对所述所有的已识别样本数据，也应用所述多种机器学习算法进行建模训练，得到与各算法对应的隧道围岩质量等级分类模型，再然后应用所述各算法的分类模型权重系数和基于分类模型所得的且分类在所有隧道围岩质量等级上的概率值，计算得到分类在所有隧道围岩质量等级上的综合概率值，最后将与最大综合概率值对应的隧道围岩质量等级作为最终识别结果，如此既避免了BQ法的使用烦琐问题，又能相对于经验法有效降低分级结果误差，进而可利于隧道的动态支护和开挖设计，便于实际应用和推广。

在一个可能的设计中，根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数，包括：

针对在所述N种机器学习算法中的各种机器学习算法，按照如下公式计算得到对应的熵值：

式中，n表示正整数，S

针对所述各种机器学习算法，按照如下公式计算得到对应的分类模型权重系数：

式中，w

在一个可能的设计中，将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级，包括：

确定与最大综合概率值对应的隧道围岩质量等级的数量；

判断所述数量是否大于等于2，若是，则将与最大综合概率值对应的且为最高等级的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级，否则将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

在一个可能的设计中，所述K个评价指标包括有在岩石坚硬强度指标、岩体风化程度指标、岩体完整性维度指标、岩体结构维度指标、结构面结合程度指标、地下水状况维度指标和地应力状况维度指标中的任意一种或它们的任意组合。

在一个可能的设计中，所述岩石坚硬强度指标包含有岩石的饱和单轴抗压强度分段结果或在坚硬岩、较坚硬岩、较软岩、软岩和极软岩中的分类结果；

所述岩体风化程度指标包含有岩石的波速比分段结果或在未风化状态、轻微风化状态、中等风化状态、强烈风化状态和全风化状态中的分类结果；

所述岩体完整性维度指标包含有岩体完整性系数分段结果或在完整状态、较完整状态、较破碎状态、破碎状态和极破碎状态中的分类结果；

所述岩体结构维度指标包含有在块状结构、层状结构、镶嵌结构、碎裂结构和散体结构中的或在它们的亚类中的分类结果；

所述结构面结合程度指标包含有在紧密状态、较紧密状态、较松弛状态和松弛状态中的分类结果；

所述地下水状况维度指标包含有在多种掌子出水类型中的分类结果；

所述地应力状况维度指标包含有岩石的饱和单轴抗压强度与垂直于洞轴的最大初始应力的比值分段结果或在极高等级状态、高等级状态、中等级状态和低等级状态中的分类结果。

在一个可能的设计中，所述N种机器学习算法包括有基于决策树、逻辑回归、朴素贝叶斯法、随机森林、支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、反向传播神经网络和/或径向基函数网络的机器学习算法。

第二方面，提供了一种基于熵权法的隧道围岩质量等级识别装置，包括有第一数据获取模块、数据随机均分模块、第一建模训练模块、权重系数计算模块、第二建模训练模块、第二数据获取模块、初始概率计算模块、综合概率计算模块和围岩等级确定模块；

所述第一数据获取模块，用于获取所有的已识别样本数据，其中，所述已识别样本数据包含有隧道围岩对象的已识别隧道围岩质量等级以及在K个评价指标上对该隧道围岩对象采集而得的K个指标值，所述K个指标值与所述K个评价指标一一对应，K表示大于等于5的正整数；

所述数据随机均分模块，通信连接所述第一数据获取模块，用于将所述所有的已识别样本数据随机均分为M份已识别样本数据，其中，M表示大于等于5的正整数；

所述第一建模训练模块，通信连接所述数据随机均分模块，用于针对在所述M份已识别样本数据中的各份已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于N种机器学习算法的人工智能模型进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个模型分类准确率，其中，N表示大于等于5的正整数；

所述权重系数计算模块，通信连接所述第一建模训练模块，用于根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数；

所述第二建模训练模块，通信连接所述第一数据获取模块，用于针对所述所有的已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于所述N种机器学习算法的人工智能模型再次进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个隧道围岩质量等级分类模型；

所述第二数据获取模块，用于获取在所述K个评价指标上对目标隧道围岩对象采集而得的K个指标新值，其中，所述K个指标新值与所述K个评价指标一一对应；

所述初始概率计算模块，分别通信连接所述第二建模训练模块和所述第二数据获取模块，用于针对在所述N个隧道围岩质量等级分类模型中的各个隧道围岩质量等级分类模型，将所述K个指标新值输入对应模型中，输出得到对应的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值；

所述综合概率计算模块，分别通信连接所述权重系数计算模块和所述初始概率计算模块，用于根据所述N种机器学习算法的分类模型权重系数和所述N个隧道围岩质量等级分类模型的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值，按照如下公式计算得到将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的综合概率值：

/>

式中，S表示所述所有隧道围岩质量等级的等级总数，s表示小于等于S的正整数，P

所述围岩等级确定模块，通信连接所述综合概率计算模块，用于将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

在一个可能的设计中，所述权重系数计算模块包括有通信相连的第一计算子模块和第二计算子模块；

所述第一计算子模块，用于针对在所述N种机器学习算法中的各种机器学习算法，按照如下公式计算得到对应的熵值：

式中，n表示正整数，S

所述第二计算子模块，用于针对所述各种机器学习算法，按照如下公式计算得到对应的分类模型权重系数：

式中，w

第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的隧道围岩质量等级识别方法。

第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的隧道围岩质量等级识别方法。

第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的隧道围岩质量等级识别方法。

上述方案的有益效果：

(1)本发明创造性提供了一种基于熵权法和多种机器学习算法的隧道围岩质量等级自动识别方案，即一方面先将所有的已识别样本数据分成若干份，然后针对各份分别应用多种机器学习算法进行建模训练，得到与各份及各算法对应的模型分类准确率，再然后基于熵权法得到各算法的分类模型权重系数，另一方面针对所述所有的已识别样本数据，也应用所述多种机器学习算法进行建模训练，得到与各算法对应的隧道围岩质量等级分类模型，再然后应用所述各算法的分类模型权重系数和基于分类模型所得的且分类在所有隧道围岩质量等级上的概率值，计算得到分类在所有隧道围岩质量等级上的综合概率值，最后将与最大综合概率值对应的隧道围岩质量等级作为最终识别结果，如此既避免了BQ法的使用烦琐问题，又能相对于经验法有效降低分级结果误差，进而可利于隧道的动态支护和开挖设计，便于实际应用和推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的基于熵权法的隧道围岩质量等级识别方法的流程示意图。

图2为本申请实施例提供的基于熵权法得到分类模型权重系数的计算流程示例图。

图3为本申请实施例提供的基于熵权法的隧道围岩质量等级识别装置的结构示意图。

图4为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

实施例：

如图1所示，本实施例第一方面提供的且基于熵权法的隧道围岩质量等级识别方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由平台服务器、个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant，PDA)或可穿戴设备等电子设备执行。如图1所示，所述隧道围岩质量等级识别方法，可以但不限于包括有如下步骤S1～S9。

S1.获取所有的已识别样本数据，其中，所述已识别样本数据包含但不限于有隧道围岩对象的已识别隧道围岩质量等级以及在K个评价指标上对该隧道围岩对象采集而得的K个指标值，所述K个指标值与所述K个评价指标一一对应，K表示大于等于5的正整数。

在所述步骤S1中，所述已识别隧道围岩质量等级即为对所述隧道围岩对象的历史识别结果(其所用识别方法优选但不限于是传统的BQ法)，所述K个评价指标即为用于参与隧道围岩质量等级识别的指标体系。通过总结分析前人研究，发明人已知影响隧道围岩质量的主要因素有岩石强度、岩体完整性、地应力和地下水，并基于以前的工作，发现对隧道围岩质量评价有直接或间接影响的因素有如下七个：岩石坚硬强度、岩体风化程度、岩体完整性、岩体结构、结构面结合程度、地下水状况和地应力状况等(前述这些术语均是现有地质勘察技术中的常用术语，于此不再赘述)，因此具体的，所述K个评价指标包括但不限于有在岩石坚硬强度指标、岩体风化程度指标、岩体完整性维度指标、岩体结构维度指标、结构面结合程度指标、地下水状况维度指标和地应力状况维度指标等中的任意一种或它们的任意组合。如图2所示，所述K个评价指标优选包括有岩石坚硬强度指标、岩体风化程度指标、岩体完整性维度指标、岩体结构维度指标、结构面结合程度指标、地下水状况维度指标和地应力状况维度指标(即K＝7)。

在所述步骤S1中，由于后续所用机器学习算法从本质上讲是一种数学概率方法，因此其输入参数必须全为数字，而在所述K个评价指标中，部分为定性指标(例如岩体风化程度指标、岩体结构维度指标和地下水状况维度指标)，其对应指标值为离散量，而另一部分的指标值为连续量，因此要使用机器学习算法中的连续变量，就有必要离散化它们或为它们指定的密度函数(Jensen&Nielsen，2007)。同时由于在有限的样本条件下，很难为输入参数指定准确的密度函数，因此可使用离散化方法(即将连续量划分为多个范围)来处理连续变量。在本实施例中，发明人具体采用了由行业指南《工程岩体分级规范》推荐的参数划分范围来得到所述K个评价指标的指标值，即详细的，所述岩石坚硬强度指标包含但不限于有岩石的饱和单轴抗压强度分段结果或在坚硬岩、较坚硬岩、较软岩、软岩和极软岩中的分类结果；所述岩体风化程度指标包含但不限于有岩石的波速比分段结果或在未风化状态、轻微风化状态、中等风化状态、强烈风化状态和全风化状态中的分类结果；所述岩体完整性维度指标包含但不限于有岩体完整性系数分段结果或在完整状态、较完整状态、较破碎状态、破碎状态和极破碎状态中的分类结果；所述岩体结构维度指标包含但不限于有在块状结构、层状结构、镶嵌结构、碎裂结构和散体结构中的或在它们的亚类中的分类结果；所述结构面结合程度指标包含但不限于有在紧密状态、较紧密状态、较松弛状态和松弛状态中的分类结果；所述地下水状况维度指标包含但不限于有在多种掌子出水类型中的分类结果；所述地应力状况维度指标包含但不限于有岩石的饱和单轴抗压强度与垂直于洞轴的最大初始应力的比值分段结果或在极高等级状态、高等级状态、中等级状态和低等级状态中的分类结果。

在所述步骤S1中，上述各个评价指标的间隔范围和可能状态可具体如下表1所示：

表1.各个评价指标的间隔范围和可能状态

上述表1中，σ

S2.将所述所有的已识别样本数据随机均分为M份已识别样本数据，其中，M表示大于等于5的正整数。

在所述步骤S2中，举例的，如图2所示，将所述所有的已识别样本数据随机均分成了10份已识别样本数据：样本1～10，即M＝10。

S3.针对在所述M份已识别样本数据中的各份已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于N种机器学习算法的人工智能模型进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个模型分类准确率，其中，N表示大于等于5的正整数。

在所述步骤S3中，所述机器学习算法是当前人工智能的核心算法，可以结合已知的分类经验样本数据，通过率定验证建模得到分类模型。具体的，所述N种机器学习算法包括但不限于有基于决策树、逻辑回归、朴素贝叶斯法、随机森林、支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、反向传播神经网络和/或径向基函数网络等的机器学习算法。所述决策树、所述逻辑回归、所述朴素贝叶斯法、所述随机森林、所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述反向传播神经网络和/或所述径向基函数网络等均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到隧道围岩质量等级分类模型以及模型分类准确率。举例的，如图2所示，所述N种机器学习算法优选包括有基于决策树、逻辑回归、朴素贝叶斯法、随机森林和支持向量机的机器学习算法(即N＝5)，可以得到50个隧道围岩质量等级分类模型以及模型分类准确率(即图2中所示的10行5列矩阵，如S

S4.根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数。

在所述步骤S4中，所述熵权法是一种可利用信息熵这个工具，计算出各个指标的权重，以便为多指标综合评价提供依据的现有手段。具体的，根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数，包括但不限于有如下步骤S41～S42。

S41.针对在所述N种机器学习算法中的各种机器学习算法，按照如下公式计算得到对应的熵值：

式中，n表示正整数，S

在所述步骤S41中，熵(希腊语：entropia，英语：entropy)的概念是由德国物理学家克劳修斯于1865年提出，在希腊语源中意为“内在”，即“一个系统内在性质的改变；1948年，香农将统计物理中熵的概念，引申到信道通信的过程中，即香农定义的“熵”又被称为“香农熵”或“信息熵”，即有：

式中，s(p

S42.针对所述各种机器学习算法，按照如下公式计算得到对应的分类模型权重系数：

式中，w

在所述步骤S42中，由于所述熵值反映了所述N个模型分类准确率在对应算法上的离散程度，因此可以基于熵权法来计算确定对应算法的分类模型权重系数。

S5.针对所述所有的已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于所述N种机器学习算法的人工智能模型再次进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个隧道围岩质量等级分类模型。

在所述步骤S5中，具体细节可参见前述步骤S3，于此不再赘述。

S6.获取在所述K个评价指标上对目标隧道围岩对象采集而得的K个指标新值，其中，所述K个指标新值与所述K个评价指标一一对应。

在所述步骤S6中，所述目标隧道围岩对象可以但不限于具体为在隧道的动态支护和开挖过程中需要动态确定质量等级的隧道围岩。此外，所述K个指标新值的具体采集方式也为现有技术。

S7.针对在所述N个隧道围岩质量等级分类模型中的各个隧道围岩质量等级分类模型，将所述K个指标新值输入对应模型中，输出得到对应的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值。

在所述步骤S7中，所述所有隧道围岩质量等级可以但不限于有Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级和Ⅴ级等五个级别。举例的，在五个隧道围岩质量等级分类模型中各个隧道围岩质量等级分类模型的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所述五个级别上的概率值如下表2所示：

表2.五个隧道围岩质量等级分类模型与五个级别的概率值

S8.根据所述N种机器学习算法的分类模型权重系数和所述N个隧道围岩质量等级分类模型的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值，按照如下公式计算得到将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的综合概率值：

式中，S表示所述所有隧道围岩质量等级的等级总数，s表示小于等于S的正整数，P

在所述步骤S8中，举例的，最终所得的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所述五个级别上的综合概率值如下表3所示：

表3.在所述五个级别上的综合概率值

S9.将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

在所述步骤S9中，举例的，根据上述表3，由于最大综合概率值为0.214312，因此可将Ⅴ级确定为所述目标隧道围岩对象的隧道围岩质量等级。另外，当有2个以上的最大综合概率值相同时，为了遵循隧道设计中的安全保守原则，优选的，将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级，包括但不限于有：先确定与最大综合概率值对应的隧道围岩质量等级的数量；然后再判断所述数量是否大于等于2，若是，则将与最大综合概率值对应的且为最高等级的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级，否则将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

由此基于前述步骤S1～S9所描述的隧道围岩质量等级识别方法，提供了一种基于熵权法和多种机器学习算法的隧道围岩质量等级自动识别方案，即一方面先将所有的已识别样本数据分成若干份，然后针对各份分别应用多种机器学习算法进行建模训练，得到与各份及各算法对应的模型分类准确率，再然后基于熵权法得到各算法的分类模型权重系数，另一方面针对所述所有的已识别样本数据，也应用所述多种机器学习算法进行建模训练，得到与各算法对应的隧道围岩质量等级分类模型，再然后应用所述各算法的分类模型权重系数和基于分类模型所得的且分类在所有隧道围岩质量等级上的概率值，计算得到分类在所有隧道围岩质量等级上的综合概率值，最后将与最大综合概率值对应的隧道围岩质量等级作为最终识别结果，如此既避免了BQ法的使用烦琐问题，又能相对于经验法有效降低分级结果误差，进而可利于隧道的动态支护和开挖设计，便于实际应用和推广。

如图3所示，本实施例第二方面提供了一种实现第一方面所述的隧道围岩质量等级识别方法的虚拟装置，包括有第一数据获取模块、数据随机均分模块、第一建模训练模块、权重系数计算模块、第二建模训练模块、第二数据获取模块、初始概率计算模块、综合概率计算模块和围岩等级确定模块；

所述第一数据获取模块，用于获取所有的已识别样本数据，其中，所述已识别样本数据包含有隧道围岩对象的已识别隧道围岩质量等级以及在K个评价指标上对该隧道围岩对象采集而得的K个指标值，所述K个指标值与所述K个评价指标一一对应，K表示大于等于5的正整数；

所述数据随机均分模块，通信连接所述第一数据获取模块，用于将所述所有的已识别样本数据随机均分为M份已识别样本数据，其中，M表示大于等于5的正整数；

所述第一建模训练模块，通信连接所述数据随机均分模块，用于针对在所述M份已识别样本数据中的各份已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于N种机器学习算法的人工智能模型进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个模型分类准确率，其中，N表示大于等于5的正整数；

所述权重系数计算模块，通信连接所述第一建模训练模块，用于根据所述各份已识别样本数据的N个模型分类准确率，基于熵权法得到所述N种机器学习算法的分类模型权重系数；

所述第二建模训练模块，通信连接所述第一数据获取模块，用于针对所述所有的已识别样本数据，将对应的所有所述K个指标值作为输入项，以及将对应的所有所述已识别隧道围岩质量等级作为输出项，对基于所述N种机器学习算法的人工智能模型再次进行率定验证建模，得到对应的且与所述N种机器学习算法一一对应的N个隧道围岩质量等级分类模型；

所述第二数据获取模块，用于获取在所述K个评价指标上对目标隧道围岩对象采集而得的K个指标新值，其中，所述K个指标新值与所述K个评价指标一一对应；

所述初始概率计算模块，分别通信连接所述第二建模训练模块和所述第二数据获取模块，用于针对在所述N个隧道围岩质量等级分类模型中的各个隧道围岩质量等级分类模型，将所述K个指标新值输入对应模型中，输出得到对应的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值；

所述综合概率计算模块，分别通信连接所述权重系数计算模块和所述初始概率计算模块，用于根据所述N种机器学习算法的分类模型权重系数和所述N个隧道围岩质量等级分类模型的且将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的概率值，按照如下公式计算得到将所述目标隧道围岩对象的隧道围岩质量等级分类在所有隧道围岩质量等级上的综合概率值：

式中，S表示所述所有隧道围岩质量等级的等级总数，s表示小于等于S的正整数，P

所述围岩等级确定模块，通信连接所述综合概率计算模块，用于将与最大综合概率值对应的隧道围岩质量等级确定为所述目标隧道围岩对象的隧道围岩质量等级。

在一个可能的设计中，所述权重系数计算模块包括有通信相连的第一计算子模块和第二计算子模块；

所述第一计算子模块，用于针对在所述N种机器学习算法中的各种机器学习算法，按照如下公式计算得到对应的熵值：

式中，n表示正整数，S

所述第二计算子模块，用于针对所述各种机器学习算法，按照如下公式计算得到对应的分类模型权重系数：

式中，w

本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面所述的隧道围岩质量等级识别方法，于此不再赘述。

如图4所示，本实施例第三方面提供了一种执行如第一方面所述的隧道围岩质量等级识别方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面所述的隧道围岩质量等级识别方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-OnlyMemory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的隧道围岩质量等级识别方法，于此不再赘述。

本实施例第四方面提供了一种存储包含如第一方面所述的隧道围岩质量等级识别方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的隧道围岩质量等级识别方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的隧道围岩质量等级识别方法，于此不再赘述。

本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的隧道围岩质量等级识别方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。