在工程项目中，利用人工智能和基于知识的计算方法来获取岩体特征参数

《Scientific Reports》：AI and knowledge driven computation of rock mass characteristic parameters across engineering projects

　　

摘要

随着以交通隧道、市政公用隧道和水力隧道为代表的地下建设的不断发展，准确感知隧道掘进机（TBM）前方岩体质量对于确保施工质量和提高施工效率至关重要。在过去5年中，利用机器学习和其他人工智能（AI）算法预测岩体质量逐渐成为研究热点。然而，原始的TBM隧道数据量庞大且噪声较多，仍存在一些关键挑战，包括如何合理选择有效的输入特征以及如何处理新建项目中的有限数据。尽管学术界提出了如TPI和FPI等指标来量化岩体的可钻性并将其作为输入特征，但这些指标在实际工程中的应用仍面临困难。由于隧道施工条件的复杂性和数据质量的不确定性，现有方法存在明显局限性。特别是基于物理原理的“定义型”方法通常需要处理大量高频隧道数据，其计算结果对数据波动非常敏感，导致稳定性较差。相比之下，“基于拟合”的方法虽然在不同项目条件下表现出一定的有效性，但严重依赖于先验假设（例如关于岩石破碎力的假设），并且受拟合性能的影响较大。因此，这些方法难以适应不同的地质和工程条件，从而在多项目场景中的通用性和鲁棒性有限，无法满足大规模工程应用的需求。为了解决这些问题，本研究提出了一种基于AI和知识的方法来计算岩体特征参数。首先，开发了一种基于圆盘切割机能量有效转换的岩石破碎数据过滤方法。研究使用了来自三个不同直径和地质条件TBM项目的工程数据，包括银川调水工程（YC）、银松调水工程（YS）和环北调水工程（HB）。基于这些数据集，本文提出了一种识别高效岩石破碎阶段的新方法。然后，计算出知识驱动的岩体特征参数（a、b以及扭矩穿透指数TPI）作为输入特征。最后，采用AI驱动策略来确定预测模型，选择CatBoost算法来开发岩体类别预测器，并在不同项目中进行了测试。结果表明，所提出的特征参数与岩体质量具有很强的相关性。在YC、YS和HB项目中，预测准确率分别达到了85.60%、86.48%和88.89%，整体优于传统方法。该方法为跨项目数据利用和岩体质量的实时预测提供了新的技术支持，对新建隧道项目的施工安全和效率具有重要意义。