基于支持向量机模型的隧道瓦斯危险性评价方法

何坤宸，苏培东，纪佑军

（西南石油大学 地球科学与技术学院，四川成都 610500）

0 引言

近年来，随着我国地面空间资源的紧缺加剧以及交通运输需求的不断增加，交通线路在穿越山地、重丘以及城市区域时，不可避免要修建大量的隧道工程[1]。根据我国交通运输部的统计，截至2020 年底，我国投入运营的铁路和公路隧道共计38114 座。特别是近年来，随着西部大开发政策的推进，我国隧道工程的发展极为迅速，仅2010—2020年期间，我国就兴建铁路隧道6998座，公路隧道4323 座（图1）。

图1 隧道数量统计图

随着我国隧道建设的不断深入，各种安全问题日益突出，尤其是煤层瓦斯问题。有害气体会通过各种构造和人工裂缝运移到隧道工区中[2]，并导致中毒、窒息、燃烧、爆炸以及煤与瓦斯突出等隧道工程事故[3]。比如Silvan 隧道在施工期间就发生了瓦斯燃烧事故，造成13 人受伤[4]。因此在隧道修建过程中，煤层瓦斯问题的严重性日益凸显，尤其是龙潭组煤系地层，瓦斯保存条件好、分布范围广，对隧道的瓦斯危害十分严重。据统计，穿越该套地层的隧道被瓦斯侵染的概率达到了97.8%。然而目前针对龙潭组瓦斯隧道评价体系方面的研究却很少，导致龙潭组瓦斯隧道的建设缺乏前瞻性，极大增加了隧道建设的成本以及施工的安全隐患。因此本文以既有的龙潭组瓦斯隧道案例为基础，运用支持向量机的方法建立了一套科学有效、简单精确的评估模型，对华南地区龙潭组隧道瓦斯危险性进行评价，以期为相关隧道工程的勘察设计及施工提供参考。

1 既有龙潭组瓦斯隧道统计分析

龙潭组瓦斯隧道广泛分布，本文在现有公开资料的基础上，统计了华南各省，包括各种类型的龙潭组隧道共92 座。对收集到的隧道工程信息进行归纳分析，结果见图2、图3。从图2（a）中容易看出，龙潭组隧道所发育的不良地质类型多达15 种，其中以瓦斯灾害最为突出，97.8%的龙潭组隧道都面临着煤层瓦斯的危害。从隧道瓦斯等级来看，龙潭组隧道以高瓦斯隧道为主，有46 座，占总数的一半。瓦斯突出隧道与低瓦斯隧道的数量一样，各22 座。最少为无瓦斯隧道，仅有两座（图2b）。

图2 龙潭组隧道类别统计分析

如果从隧道所涉及的工程类别来看，图3（c）资料显示，我国在铁路和公路领域内遇到的龙潭组煤层瓦斯问题尤其严重，相应类型的隧道占比达到97%（图3a）。此外，根据图3（a）、图3（b）显示，在有长度和埋深数据的样本中，埋深500～1000m 的隧道占总数的94.6%，深度在100～500m 的隧道占总数的69.7%。

图3 龙潭组瓦斯隧道长度、埋深、工程类别统计图

可以看出，龙潭组瓦斯对隧道的危害比例高，且以高等级危害为主，所涉及的工程种类广泛。如果按长度大于500m 为中、长隧道，埋深大于100m 为深埋隧道的划分标准进行分类，则龙潭组瓦斯隧道主要为中长、深埋隧道，这对煤层瓦斯的治理非常不利。因此龙潭组瓦斯对隧道的危害十分严重，对龙潭组瓦斯隧道评价体系进行研究具有必要性。

2 指标选取

龙潭组隧道发生瓦斯灾害的影响因素很多，本文在调查统计大量龙潭组瓦斯隧道案例的基础上。基于真实性、主导性、可操作性、普遍性、定性定量相结合的基本原则，选取了以下6 个主要因素作为评价龙潭组瓦斯隧道危险性的指标。

2.1 隧道埋深

随着埋深的增加，上覆盖层的厚度越大，对煤层瓦斯的封闭效果就越好[5]，从而也就导致煤层中的瓦斯压力和含量增加。但是由于煤层的储气能力有限[6]，随着煤层埋深的不断增加，煤层中瓦斯的含量渐渐达到饱和，瓦斯含量增加的梯度逐渐变小，最后趋于0（图4）。证明煤层瓦斯含量与埋深的关系并非简单的正线性关系，而是达到一定深度后煤层瓦斯含量会趋于一个稳定值。因此在一定深度内，隧道埋深越大，隧道瓦斯等级越高。

图4 不同煤阶的煤岩等温吸附曲线

2.2 隧道长度

隧道长度主要对瓦斯防治措施的效果产生影响。一般来讲，隧道越长瓦斯治理措施的效率就越低，并且瓦斯涌出量的大小也与隧道长度成正比。因此相同条件下，隧道越长，瓦斯灾害也就越严重。

2.3 隧道穿越煤层厚度

煤层的厚度对瓦斯生成量的大小和瓦斯的保存条件有巨大的影响[7]。一方面，瓦斯是成煤过程中的伴生气体，煤层厚度越大，所伴生的瓦斯就越多[8]。另一方面，煤层主要以黏土矿物等细粒物质为主，是一种优质的盖层[9]，能够对储存在煤体中的瓦斯进行有效的封锁，煤层厚度越大，对瓦斯的保存也就越有利。

2.4 吨煤瓦斯含量

根据《公路瓦斯隧道设计与施工技术规范》规定，吨煤瓦斯含量是指煤层在自然条件下，每吨煤（岩）中含有的瓦斯体积，是游离瓦斯与吸附瓦斯之总和，是煤层瓦斯赋存的两个重要参数之一，能够直接反应煤层对隧道的危险性。吨煤含量越大，则瓦斯涌出量越大，瓦斯对隧道的危险性等级就越高。

2.5 煤层瓦斯压力

煤层瓦斯压力对隧道的危害性极大[10]，在隧道瓦斯喷出、煤与瓦斯突出的发生、发展过程中都起着巨大的作用，铁路和公路系统的瓦斯隧道相关规范中都将瓦斯压力作为预测突出的主要指标之一。此外，瓦斯压力的增大，还可以增大煤层的瓦斯含量。因此，瓦斯压力越大，隧道所面临的瓦斯事故风险就越高。

2.6 地质综合评分

煤层瓦斯的形成、赋存和运移作用都是在一定的地质条件中进行的，地质条件的差异对龙潭组隧道的瓦斯危害程度造成重要影响。根据相关研究，影响龙潭组隧道瓦斯灾害的地质因素主要有富煤带、沉积环境、水文地质条件、构造烈度、地质构造、瓦斯风化带埋深[11]，并且研究还基于模糊综合评判法，对华南14 个区域中的地质条件对龙潭组瓦斯隧道的影响程度进行综合评价，得到了14 个地质综合评分。本文在此基础上，依据龙潭组煤层和沉积相的分布特征以及各省行政区划，将整个华南片区划分为更加精细的24 个小区域（图5），然后同样依据模糊综合评判法对各个区域内的地质因素进行综合评分。图5 中，括号内前一项表示评分排名，后一项表示所得评分。从结果可以看出，贵州西部地区得分最高，为0.722，说明该区域的地质因素对龙潭组隧道最为不利，容易导致瓦斯事故的发生。相反，区域9 的评价结果为0.428，为华南最低值，说明广西省的地质因素最不利于龙潭组隧道瓦斯灾害的发生。

图5 华南各区域地质综合评分结果图

3 隧道瓦斯危险性预测SVM 模型

在现有的瓦斯隧道评价体系中，人为主观因素始终影响较大，导致数据本身的信息和规律并没有被充分挖掘。比如有研究在建立瓦斯隧道危险性评价体系的过程中，运用了层次分析、灰色关联等方法来求解评价指标的权重，并利用综合集成赋权法来减少人的主观随意性，但还是不能避免在评价体系中出现人的主观认识[7]。而支持向量机分类模型是一种能够充分利用小样本数量，较好限制主观随意性的评价方法，能够较好地解决以上问题[12]。因此针对龙潭组瓦斯隧道的特点，本文基于SVM 模型原理，对龙潭组瓦斯隧道的危险性进行评价。

3.1 模型原理

支持向量机的全称为Support Vector Machine，是由Corinna Cortes、Vapnik 于1995 年在统计学基础上提出的计算机学习方法[13]。通俗来讲，其是一种广泛应用于统计分类以及回归分析中的广义线性分类器[14]。SVM 的主要思想是在样本空间中寻找一个最优超平面，使得该平面两侧的样本点离该平面的距离最大化，从而对分类问题提供良好的泛化能力，根据样本的可分性可以分为线性SVM模型和非线性SVM模型。在非线性模型中，还需引入核函数将低维空间中的样本映射到高维空间中进行类别划分。本文采用线性不可分SVM 模型，其具体原理如下所述。

图6 支持向量机示意图

3.2 数据集的建立

本文在收集到的92 座隧道中选取51 座信息相对较全面的龙潭组隧道作为数据集的样本来源，其中瓦斯突出隧道18 座，高、低、无瓦斯隧道分别为17 座、14 座和2 座。每座隧道的信息包括隧道埋深、隧道长度、隧道穿越煤层厚度、吨煤瓦斯含量、煤层瓦斯压力地质综合评分等6 个特征值和1 个标签值。其中，瓦斯突出隧道、高瓦斯隧道、低瓦斯隧道、无瓦斯隧道所对应的标签分别取1、2、3、4。

为了提高模型的精准度和收敛速度，需要将数据集中不同量纲的数据统一到同一数量级下。本文采用SVM-SCALE函数（式6）对数据集进行缩放，缩放区间为[0，1]，数据处理后如表1 所示。

表1 样本处理后各隧道数据值

水塘 0.190 0.116 0.405 0.447 0.100 0.890 2刘家庄 0.131 0.525 0.448 0.246 0.206 0.996 2城关 0.263 0.235 0.298 0.287 0.167 0.654 2南山 0 0.037 0.000 0.105 0.113 0.024 0.293 3袍子岭 .180 0.448 0.124 0.153 0.051 0.608 3那磅乡 0.118 0.220 0.148 0.049 0.041 0.459 3铁盔山 0.005 0.357 0.417 0.114 0.012 0.996 3小坝一号 0.038 0.056 0.171 0.123 0.024 0.996 3云湖1 号 0.528 0.224 0.138 0.108 0.024 0.187 3中寨 0.074 0.239 0.202 0.054 0.036 0.459 3安理寨 0.103 0.084 0.133 0.064 0.029 0.459 3坛场 0.016 0.126 0.595 0.059 0.024 0.996 3舒家湾 0.005 0.020 0.357 0.074 0.029 0.996 3冷沙地 0.047 0.015 0.210 0.057 0.032 0.749 3两山口1 号 0.000 0.000 0.076 0.043 0.024 0.996 3小槽湾 0.048 0.098 0.179 0.046 0.027 0.459 3修文 0.024 0.060 0.310 0.067 0.029 0.459 3梅花山 0.680 0.985 0.000 0.000 0.000 0.187 4晴隆 0.303 0.131 0.000 0.000 0.000 0.996 4

4 结果与讨论

在建立支持向量机模型的过程中，参数cost（c、惩罚系数）和gamma（g）的选取至关重要。本文引入K 折交叉验证法（K-fold Cross Validation）来寻找最佳c、g 值。该方法可以有效避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服力。

在实验过程中，本文在2-4到24变化范围内寻找最优参数c 和g，“V”值取3 即进行3 折交叉验证。cstep 和gstep 都取1，即参数c 和g 的进步大小都取1，最后显示准确率图时的步进大小（accstep）取4.5，核函数其余的值都取默认值。为了使得训练集样本充足，本文在表1 中随机抽出10 座瓦斯突出隧道、9 座高瓦斯隧道、7 座低瓦斯隧道以及2 座无瓦斯隧道作为模型的训练集，其余样本外加一座无瓦斯隧道作为测试集。经过3 折交叉检验，结果发现当c=2，g=1 时，支持向量机得到的3 折交叉验证最佳分类准确率为86.2069%，测试样本的精确度为91.6667%，24 个测试样本中，有22 座隧道的瓦斯等级被该模型准确判断。具体试验结果见图7。

图7 龙潭组瓦斯隧道评价模型运算结果图

从模型的测试结果来看，该模型对瓦斯突出隧道和低瓦斯隧道的分类准确率为100%，测试集中的8 座瓦斯突出隧道和7 座低瓦斯隧道全部被准确分类；高瓦斯隧道的分类准确率为87.5%，8 座高瓦斯隧道中有7 座被准确分类；而无瓦斯隧道的则较低，这可能是由于训练集中的无瓦斯隧道样本数量过少所导致的。因此总的来说，除去无瓦斯隧道以外，该模型能够对龙潭组瓦斯隧道的危险性级别做出可靠的判别。

5 结论及建议

（1）龙潭组隧道涉及的工程领域广泛，主要以中、长的深埋隧道为主。隧道发育的不良地质类型多达15 种，其中以瓦斯灾害最为突出，在隧道中的发生率高达97.8%，并且以高瓦斯和瓦斯突出风险为主。

（2）基于真实性、主导性、可操作性、普遍性、定性定量相结合的基本原则，统计分析出影响龙潭组隧道瓦斯灾害危险性的指标主要包括隧道埋深、隧道长度、穿煤厚度、吨煤瓦斯含量、煤层瓦斯压力、地质综合评分。

（3）基于支持向量机的相关理论，建立了针对龙潭组隧道瓦斯灾害危险性评价的模型。该模型的最佳分类准确率为86.2069%，测试集对该模型的检验结果显示，该模型的准确率达到了91.67%，能够对龙潭组瓦斯隧道的危险性级别做出可靠的判别。

由于已有的关于龙潭组无瓦斯隧道的记录较少，导致本文中无瓦斯隧道的训练样本过少，从而最终得到的SVM 模型对无瓦斯隧道的判别准确率一直不高。因此后续可以进一步加大对这方面资料的收集，使得瓦斯突出、高瓦斯、低瓦斯、无瓦斯隧道样本达到平衡，进一步提高模型对无瓦斯隧道的判别精准率。