基于数据融合的工程地质物理力学参数特征研究

刘汉龙,章润红,刘东升,仉文岗,

（1. 重庆大学 土木工程学院，重庆 400045；2. 重庆大学溧阳智慧城市研究院，江苏 溧阳 213300；3. 重庆市地质矿产勘查开发局， 重庆 401120）

城市的快速和高质量发展离不开地质环境条件的支撑。全面掌握城市所处地质条件、数据化地对城市地质特征进行描述对智慧城市的建设尤为重要。近年来，各种三维地质建模软件的迅速发展、功能的稳步提高、利于数据信息大力发展的政策使得三维地质建模工作更有意义，更能服务于国民经济[1]。目前，三维地质建模能将地质环境数据、地质学理论与计算机三维可视化技术有机结合，从而准确地反映地下空间内地质构造展布、相互接触关系以及各地质体物理力学或化学属性等特征[2]。20世纪90年代以来，随着计算机软硬件技术的不断发展和地球空间信息科学的蓬勃发展，能够反映地质构造形态、构造关系及土体参数属性变化规律的三维地质建模技术得到了显著发展，取得了众多有意义的成果[3-8]。建立多维地质信息系统，有利于一体化存储、管理和处理地下—地上、地质—地理、空间—属性数据，进行三维可视化地质建模，有利于对地质对象的总体把握和整体分析。基于海量多源、异构、异质的地质勘查数据，构建其三维地质模型，可直观而形象地展现地质体和地质结构，从而显著提高对地质现象、地质资源和地质环境的认知能力。目前，开展三维地质信息系统建设和三维数字图幅、数字矿山、数字油田、数字工程和数字地灾点地质建模，已经成为国际地质部门和地质科学界技术创新的重要领域[5-8]。

对于城市地质而言，三维地质建模对地质灾害防御和地下设施综合管理具有巨大的作用，近20年来，三维地质建模相关研究取得了许多可喜的成果[9-18]，三维地质建模与地质大数据的融合研究越来越受到重视[19-20]。薛林福等[21]提出了分块三维地质建模方法，以断裂、岩体边界、不整合接触面等为边界，将较为复杂的三维地质建模工作区分解为多个内部构造相对简单的、建模难度较小的地质单元，为开展复杂山区三维地质建模提供了精确依据。董梅等[22]利用GOCAD建立了北京市朝阳区某建筑场地的土层地质模型，并提出了以Kriging插值和离散光滑插值相互结合来建立地层界面以及采用GOCAD中的GRID功能代替SOLID功能建立三维地层实体的方法。王骏等[23]以重庆歌乐山典型背斜构造区为建模研究对象，采用搜集资料→野外踏勘→室内建模的工作路线，运用SKUA-GOCAD的workflow建模流程，建立了构造模型，并运用数据趋势分析方法建立了岩性模型。李青元等[24]从多角度全面总结了三维地质建模技术的用途、现状、存在问题、发展趋势，并结合三维建模的现状提出了“相关部门应对三维地质建模示范工程制定总体风格与基本内容一致、适合本行业专业特点的专用标准”。易宗旺等[25]利用区域调查中的地形数据、遥感影像数据、钻孔数据、剖面数据等各种资料，在三维地质建模系统（GeoBIM）平台中进行三维地质建模等。刘东升等[26]研发了岩土材料特征大数据管理及分析软件系统，实现了对岩土材料大数据实施收集、传输、分类、筛选、管理和统计分析的功能，并结合重庆地区收集到的7万余条典型岩土材料数据对该地区的典型岩土材料特征进行分析。由于既往积累的地质环境数据相对较分散，尽管总量巨大，但缺乏整合和必要的分析，使得其成为“死数据”，未能建立起城市地质基础特征系统，无法为智慧城市规划和建设提供帮助。

笔者基于重庆市地勘单位已有的大量岩土勘察与地形地貌数据资源，基于大数据分析管理和数据处理思想，采用大数据交汇融合技术，构建重庆市区域三维地质模型，生成了包括地区地层构造及岩土材料参数值域等基础特征信息的重庆区域地质条件图谱。基于数据统计、图像识别方法以及空间统计分析理论和插值方法，综合利用MATLAB、ArcGIS以及BIM软件，对钻孔数据进行虚拟地层插入、地层曲面拟合、三维实体模型生成、局部地形深化处理；运用Bayes参数估计理论，采用基于历史大数据的先验估计值对工程实时采集的岩土测试试验参数进行修正，得到各类不同地质物理力学参数的期望值。

1 钻孔地质数据

收集地质钻孔数量共计3 456个，钻孔分布如图1所示，典型地质钻孔具体信息如图2所示。由收集到的地质钻孔分布可知，地质勘探点主要分布在朝天门区域。

图1 钻孔分布Fig. 1 Borehole distribution

图2 典型地质钻孔柱状图Fig. 2 Typical geological borehole histogram

1.1 空间几何参数

根据钻孔资料和区域资料显示，研究区域的岩层产状110°∠6°，地层岩性为砂、泥岩互层，岩层层面裂隙张开，无填充，结合差，为软弱结构面。区域范围内主要有两组裂隙，其产状分别为：1）L1产状170°∠78°，裂隙间距0.8～1.5 m，裂面平，略呈波状，多黑灰色，无充填，开口1～3 mm，局部充填钙质，延伸长约1～3 m，贯通性较差。裂隙面均为软弱结构面，结构面结合差；2）裂隙产状235°∠81°，裂隙间距1.0～2.5 m，裂面粗糙，呈波状，多呈闭合状，局部开口2～5 mm，无充填，贯通性较差。裂隙面均为软弱结构面，结构面结合差。据地面调查及钻探揭露，部分区域内出露地层岩性有第四系人工填土层、侏罗系中统沙溪庙组砂岩及泥岩。

1.2 物理力学参数

为揭示拟建模区域的地质构造、元素组成及力学性能，采用传统钻孔岩样试验和基于图像识别技术的方法获取地质物理力学参数。基于CT、SEM扫描和三维重构技术的岩样孔隙率，确定运用Avizo 8.0软件对岩样CT扫描切片进行中值过滤、二值化处理和精细化加工，之后再对每组切片进行数字岩芯重构、孔吼模型建立、孔裂隙提取及孔隙率计算，如图3所示。

图3 真实砂岩试件及其3种模型Fig. 3 Real sandstone specimen and its three models

基于EDS能谱分析技术对岩样元素组成规律进行确定。采用Quanta 250扫描电子显微镜和配套的X射线能谱仪进行岩样微结构中的元素测定。在每个岩样切片的扫描电镜图像中，至少选取3个微结构EDS能谱分析区，如图4所示。对每个微结构区均进行元素测定分析，将三者的平均值作为最终结果。

图4 砂岩切片的扫描电镜图像及EDS能谱分析区域选择Fig. 4 Scanning electron microscope image of sandstone section and selection of EDS spectrum analysis area

基于岩石细观图像深度学习的岩性智能识别与分类。采用SN0745-60U2K型2K测量电子显微镜进行岩样细观图像拍摄，电子放大倍数为15～180倍，拍摄图像像素高达1 600万，并具备自动寻边、HDR高动态、自动存储等功能，操作简便，对岩样物理力学测试结果影响小。

岩样端面细观图像经细致筛分后，将其中的70%作为训练集、20%作为验证集、10%作为测试集，分别运用Inception-v3、Xception、NASNetLarge和InceptionResNetV2这4种深度卷积神经网络模型及GoogleNet图像分类模型，同时，结合Softmax回归模型等共同构建岩（土）性材料的识别模型，并对其进行循环训练学习，深度学习流程如图5所示。

图5 岩土材料微细观图像深度学习流程图Fig. 5 Flow chart of deep learning of micro-view images of geotechnical materials

图6为Inception-v3深度神经网络模型的结构展示，该模型首先是3个卷积层，然后连接一个最大池化层，再设两个卷积层，再连接一个最大池化层，最后连接11个不同的Inception结构混合层。其余深度卷积神经网络模型不再列出。

图6 Inception-v3深度神经网络模型Fig. 6 Deep neural network model of Inception-v3

采用该方法对所采集的4种典型岩样图像进行旋转、偏移处理，生成深度学习样本，随后，基于Inception-v3、Xception、NASNetLarge和Inception ResNetV2这4种深度卷积神经网络模型，利用迁移学习的方式形成岩石细观图像集分类的深度学习模型，最后使用集成学习算法，通过加权评估得出最终的判别结果，从而实现岩（土）性材料图像特征的提取与识别，并对其进行自动、高效、可靠地分类。

在训练过程中，对训练集和验证集中的岩石图像分别进行检验评估。训练结果显示：在循环训练1 000次后，Inception-v3深度卷积神经网络模型训练集中的岩石细观图像分类准确率达到92.77%，验证集中的岩石细观图像分类准确率为76.31%，如图7（a）所示；在循环训练300次后，Xception深度卷积神经网络模型训练集中的岩石细观图像分类准确率为93.30%，验证集中的岩石细观图像分类准确率为78.27%，如图7（b）所示；在循环训练300次后，NASNetLarge深度卷积神经网络模型训练集中的岩石细观图像分类准确率为90.52%，验证集中的岩石细观图像分类准确率为74.74%，如图7（c）所 示；在 循 环 训 练300次 后，Inception-ResNetV2深度卷积神经网络模型训练集中的岩石细观图像分类准确率为90.81%，验证集中的岩石细观图像分类准确率为78.81%，如图7（d）所示。经加权评估后，最终训练集中的岩石细观图像分类准确率将达到95%以上，验证集中的岩石细观图像分类准确率高于80%。

图7 4种深度神经网络模型训练结果Fig. 7 Four types of deep neural network model training results

相比于传统的机器学习方法，该深度学习方法通过图像像素点组成深度学习的输入层，利用多个深度可分离卷积网络构建复杂的BP神经网络，最终得到的模型在岩石岩性的识别与分类上具有更高的鲁棒性和泛化能力。此外，集成学习算法的运用显著提高了岩石细观图像分类的准确率，使岩性判别结果更可信。

2 地质数据分析与建模

2.1 三维地质空间几何数据分析与建模

为了解决数据与成本的矛盾，基于空间统计分析理论选择合适的插值方法，利用有限的采样点数据拟合其他相对准确、精度较高的高程数据。常用的空间插值方法有三角剖分法、距离倒数加权法、最小曲率法、最近邻点法、Kriging方法，其中，Kriging方法通过引进以距离为自变量的半变差函数来计算权值，由于半变差函数既可以反应变量的空间结构特性，又可以反映变量的随机分布特性，利用Kriging方法进行空间数据插值往往可以取得理想的效果。另外，通过设计变差函数，Kriging方法很容易实现局部加权插值，克服了一般距离加权插值结果的不稳定性。因此，采用Kriging插值对地质岩性进行预测。

利用单一软件进行三维地质建模存在一些弊端，导致一些缺陷，无法完全实现预期的功能。因此，综合利用MATLAB、ArcGIS以及BIM软件进行精细化三维地质建模，具体建模流程见图8。

图8 基于多元数据融合的三维地质建模流程Fig. 8 3D geological modeling process based on multivariate data fusion

第1步：将地勘报告内的钻孔及其他有用数据进行提取和筛选，形成地质信息基础数据库，储存在Excel表格内；

第2步：基于虚拟地层插入原理，利用MATLAB对钻孔数据进行预处理，形成标准钻孔地层分布；

第3步：将标准化后的钻孔数据导入ArcGIS中，基于ArcGIS自带工具以及Python编程，建立ModelBuilder建模流程，得到TIN地层模型；

第4步：将TIN地层模型转换为Auto Desk平台能够识别的DWG文件；

第5步：将地层模型文件导入Civil 3D内，然后结合其他地层信息和地层岩性经验分析进行手动概化处理，建立三维地质实体模型；

第6步：结合地表的建筑信息、基坑信息以及开洞信息，利用Revit软件对Civil 3D模型进行深化处理，建立较为精细的三维地质模型；

第7步：将所建立的模型导入Navisworks内进行三维漫游展示；

第8步：在Auto Desk平台进行二次开发，编写可以对模型添加属性的程序，然后对前面建立的三维地质模型指定岩层属性，形成动态的特征信息图谱。

2.2 三维地质物理力学参数分析与估计

2.2.1 岩土参数先验分布及超参数确定方法 先验分布的确定受控于先验信息的提取模式，而先验信息的提取模式必须与历史数据的特点相符合。提出一种新的先验信息提取模式——概率模式，根据历史数据，有R个工程的数据，其中每个工程有ni个岩土强度参数x的样本，按实际工程分组分别统计均值n1与方差s2n1，形成一组新的二元随机样本（{1，s2n1），（n2，s2n2）…（2nR，s2nR）}，认为这组样本来自先验分布π(μ,σ2)，通过样本参数估计对先验分布进 行 拟 合，从 而 确 定 先 验 分 布π(μ,σ2)，如 图9所示。

图9 先验信息提取的概率模式Fig. 9 Probability model of prior information extraction

与单一信息源模式及多信息源权重融合模式相比，提出的概率模式有3个特点：

1）历史数据来自不同的工程，因此，认为R个工程样本来自R个正态或对数正态总体，这符合岩土参数随机分布、具有明显区域性的属性。而单一信息源模式认为所有数据服从同一个分布，多信息源差异权重融合模式虽然提出了存在多个总体，但对历史数据不是按区域或工程进行分组，分组具有一定主观性，分组的数量也较少，只有3组。

2）按照贝叶斯理论，先验分布是针对某一个参数而言，这里的参数是指岩土强度指标x所服从的正态总体的两个未知参数(μ,σ2)，而原始数据是关于x的样本。单信息源模式是在设定σ2已知的情况下通过历史数据得到x～N(a,b)，然后间接地推测μ～N(a,b/m0)即先验分布π(μ)；多信息源差异权重融合模式是在单信息源模式的基础上认为存在多个先验分布πi(θ)，θ表示μ或σ2，根据差异权重获得综合先验分布。而概率模式是在原始数据的基础上结合样本来自不同工程的特点，进行了二次处理，分别统计了各个工程的均值和方差，形成了一组 新 的 历 史 数 据 样 本（{n1，s2n1）,（n2，s2n2）…（nR，s2n

R）}，是直接针对参数(μ,σ2)的先验样本，这样就减少了间接推测过程中主观性的影响。另外，提出的概率模式将(μ,σ2)按二元随机变量考虑，而其他两种模式是在假设其中一个参数已知的情况下的一元随机变量的先验分布。

3）单一信息源模式实质是一种工程类比的模式，即认为历史数据源于统一总体x～N(a,b)，认为这个总体与待估总体x～N(μ,σ2)存在工程类比性，因此可以推测μ～N(a,b/m0)。多信息源权重融合模式与单一信息源模式的核心相同，只是认为存在多个相似工程，按差异权重形成一个综合的相似工程，然后按单一信息源模式推测先验分布。而概率模式则是将(μ,σ2)视为二元随机变量，根据其历史样 本（{n1，s2n1），（n2，s2n2）…（2nR，s2nR）}得 到 其 先 验分布。

2.2.2 典型区域物理力学参数估计 岩土强度参数的贝叶斯估计是综合先验信息、总体信息和现场信息得到的，其中，先验分布是基于某一随机特征参数而言。提出一种针对岩土强度参数总体分布特征(μ,σ2)的联合先验分布，该分布基于大量历史数据，并根据岩土参数的随机分布特征，经过一定的处理提炼而得。根据提出的基于历史大数据的岩土强度参数贝叶斯估计方法，利用重庆市某工程所处区域的历史数据，结合现场取样测试的结果，确定岩土强度参数的贝叶斯估计值，如表1、表2所示。表1中，先验信息样本数量为38，现场样本数量为8；表2中，先验信息样本数量为47，现场样本数量为8。

表1 贝叶斯方法推断的天然粉质黏土强度参数结果Table 1 Results of natural silty clay inferred strength parameters by Bayesian method

表2 贝叶斯方法推断的饱和粉质黏土强度参数结果Table 2 Result of the strength parameters of saturated silty clay inferred by Bayesian method

2.3 空间几何模型与物理力学参数模型的融合

地质数据多源性是三维地质建模最大的特点，模型构建的关键是将这些数据有效地融合，以提高模型的应用效率，指导工程设计。因此，在分别建立了三维地质的空间几何模型和物理力学参数模型后进行数据的交汇融合，形成既包含几何信息又包含物理信息的三维地质模型（见图10）。在数据交汇融合的过程中，涉及多方面的技术问题，如统一所有数据的坐标系和比例尺、地表和地下数据的有效融合及主要数据和次要数据的有效融合等，主要包括：1）统一所有具有多源、多尺度、多分辨率数据的坐标系和比例尺，构建可以作为后期模型构建的数据源和约束数据的数据库；2）基于地表填图和遥感解译的地质数据及钻孔、中段平面图、勘探线剖面图、物探解译的深部地质数据进行有效融合和插值处理；3）覆盖整个建模区并足以构建模型的主要数据和次要数据的有效融合。

图10 空间几何模型与物理力学参数交汇融合Fig. 10 Convergence and fusion of spatial geometric model and physical and mechanical parameters

3 典型区域三维地质模型

3.1 空间几何模型建模及深化处理

基于空间统计分析理论，在ArcGIS软件中通过插值分析得到地层模型。为便于在Civil 3D中建模，将建立的三维杂填土、砂岩以及泥岩地层模型转换为等高线模型输出，如图11所示。

图11 地层模型Fig. 11 Stratigraphic model

在Civil 3D中使用曲面功能导入杂填土层的等高线，生成曲面，并通过提取实体生成三维实体；按此方法依次生成砂岩及泥岩三维实体，如图12所示。由于所建三维地质实体模型只是地质模型，未反映出地下建筑等信息，因此，需要对模型进行深化处理，以反映真实地层与建筑物的关系。

图12 三维地质实体模型Fig. 12 3D geological solid model

拟建模区域存在大量的地下建筑，因此，需在三维实体模型的相应位置下方开挖基坑，其基坑建模步骤与隧道建模类似，需使用Civil 3D中实体编辑模块的实体差集功能使三维地质实体模型减去相应的实体生成基坑。为更真实地反映拟建模区域的情况，在开挖隧道和基坑的三维地质模型中建立相应的建筑模型，其方式为在Revit软件中参考实际建筑图纸建立建筑模型，具体步骤为：将Revit中内建模型通过实体拉伸和空模型拉伸建立建筑模型，将建立的建筑模型从Revit中导入Civil 3D中，并装配在相应位置，建立的模型如图13所示。

图13 复杂三维地质模型Fig. 13 Complex 3D geological model

3.2 融合的三维地质BIM模型地层物性参数

通过Civil 3D建立区域三维地质模型，利用Civil 3D功能和Revit建模功能建立隧道、基坑和建筑三维地质模型并进行深化处理。为给后续其他工程提供设计指导和建议，还需对三维地质模型的各个地层赋予相应的地质物性参数，为此，在Civil 3D建模平台的基础上开发了可以赋予地质物性参数的插件（RWCD.bundle）。其使用方法为：

1）安装插件（RWCD.bundle）；

2）打开Civil 3D建模平台；

3）读取或设置数据。

单个对象的数据读写如图14所示，选取目标三维地质实体，选择写入数据或读取数据。

图14 对地层赋予相应的地质物性参数示意图Fig. 14 Schematic diagram of assigning corresponding geophysical parameters to the strata

地层物性参数赋值流程为：

1）人工杂填土层物性参数赋值。根据地质物性研究报告获得人工杂填土的基底摩擦系数为0.25，在Civil 3D中输入三维杂填土地层参数。

2）砂岩层物性参数赋值。根据地质物性研究报告获得砂岩的天然重度为24.53 kN/m3，天然抗压强度标准值为39.6 MPa，饱和抗压强度标准值为32 MPa，地基承载力特征值为14.36 MPa，地基极限承载力标准值为43.54 MPa，黏聚力为2.12 MPa，内摩擦角为36.48°，变形模量为6 600 MPa，弹性模量为7 100 MPa，泊松比为0.16，抗拉强度为0.84 MPa，基底摩擦系数为0.65，在Civil 3D中输入三维砂岩层参数。

3）泥岩层物性参数赋值。根据地质物性研究报告获得泥岩的天然重度为24.7 kN/m3，天然抗压强度标准值为9.8 MPa，饱和抗压强度标准值为6.5 MPa，地基承载力特征值为6.8 MPa，地基极限承载力标准值为10.78 MPa，黏聚力为0.67 MPa，内摩擦角为33.55°，变形模量为1 460 MPa，弹性模量为1 700 MPa，泊松比为0.33，抗拉强度为0.27 MPa，基底摩擦系数为0.50，在Civil 3D中输入三维泥岩层参数。

对各地层赋予地质物性参数后，若需要读取目标地层的地质物性参数，则只需选取目标地层并选取读取参数，即可获得目标地层参数。

4 结论

1）利用大量的岩土材料勘察试验数据资源，结合先进的岩土参数试验方法、图像识别及机器学习方法对岩土材料物理力学参数进行分析研究。在此基础上，利用大数据分析管理和数据处理思想，采用大数据交汇融合技术，将试验和收集所得的地质钻孔数据（几何数据和物理数据）进行分类筛选。基于已有钻孔数据，利用数学插值方法对空白区虚拟钻孔的几何特征数据进行分析和推送，有效生成虚拟数字钻孔。

2）基于已有的岩土材料试验测试试验参数，利用贝叶斯理论对空白区同类岩性材料的物理力学参数进行估计，获得相应的岩土材料物理力学参数估计值，弥补了数据融合中岩土材料参数不足的问题。

3）利用实际获取和计算生成的钻孔地质特征数据，从几何特征和物理特征两方面进行大数据融合并进行数据建模，得到一定区域范围内地质岩层特征的三维空间分布及物理力学特征完整表达模型，实现区域地层结构特征描述的数字化和可视化。