基于质量指标的隧道围岩智能分级及精益建造研究

基金项目：重庆市教委科学技术研究项目（KJZD-M202204001）；重庆市九龙坡区基础研究与成果转化类科技计划项目（2022-02-001-Z）

第一作者简介：王悦（1973-），女，高级工程师。研究方向为土木工程。

*通信作者：王清江（1973-），男，硕士，教授级高级工程师。研究方向为土木工程、绿色智能建造、现代交通运输。

DOI：10.19981/j.CN23-1581/G3.2024.21.001

摘" 要：隧道工程围岩级别的准确判识是围岩稳定性评价及隧道开挖精益支护的基础。围岩质量指标是围岩级别评判的依据，由于围岩质量指标计算包括定性与定量因素，存在定性指标难以准确评定，围岩级别精准评价困难的问题。采用围岩质量指标分级法与机器学习算法融合构建围岩智能分级软件系统，量化分析围岩分级质量指标要素，数值法求解围岩质量指标，围岩级别判定卡采集围岩要素，卡片信息软件系统自动识读、自动分析，快速判定围岩级别，精准确定支护参数，动态优化原支护设计方案。研究成果在3项隧道工程中实践应用，实现隧道围岩精准分级、精益支护建造的目标。

关键词：隧道；质量指标；围岩分级；精益建造；智能建造

中图分类号：U455" " " 文献标志码：A" " " " " 文章编号：2095-2945（2024）21-0001-07

Abstract： Accurate identification of surrounding rock level in tunnel engineering is the foundation of surrounding rock stability evaluation and tunnel excavation lean support. The quality index of the surrounding rock is the basis of the evaluation of the surrounding rock grade. Since the calculation of the quality index of the surrounding rock includes qualitative and quantitative factors， it is difficult to evaluate the qualitative index accurately and evaluate the surrounding rock grade accurately. The intelligent surrounding rock classification software system is constructed by combining the surrounding rock quality index classification method and the machine learning algorithm， the surrounding rock classification quality index elements are analyzed quantitatively， the surrounding rock quality index is solved by numerical method， and the surrounding rock quality factors are collected by the surrounding rock grade determination card. The card information software system can automatically read， analyze and determine the grade of surrounding rock quickly， accurately determine the support parameters and dynamically optimize the original support design scheme. The research results have been applied in three tunnel projects to achieve the goal of accurate classification of tunnel surrounding rock and lean support construction.

Keywords： tunnel; quality index; surrounding rock classification; lean construction; intelligent construction

我国交通强国战略的实施，大量的铁路公路主干线及城际交通工程开工建设，尤其是我国路网相对不足的西部地区，随着我国经济增长“第四极”的打造和成渝地区双城经济圈的规划建设，川藏线等一批国家重大工程投入建设。我国西部多为山岭丘陵地貌，隧道工程成为穿山越岭的重要工程设施，同时，我国城市的快速发展，推动了城市地下工程的建设。现阶段我国隧道及地下工程的规模和数量都得到了飞速发展，已成为名副其实的隧道大国。据统计，截至2020年底，全国铁路运营里程达14.6万km，其中，投入运营的铁路隧道共计16 798座，总长约19 630 km，含高速铁路隧道3 631座，总长约6 003 km[1]；公路隧道方面，截至2017年底，全国投入运营隧道共计16 229座，总里程15 285 kｍ[2]；城市隧道方面，到2021年末，全国有28省（自治区、直辖市）661个城市中，82座城市建设有城市道路隧道，共计406座城市道路隧道建成通车。

伴随着隧道工程的大规模建设，我国隧道工程建设理论和方法也得到了长足发展，逐步形成了以围岩稳定性控制为基础，以围岩应力释放与变形约束协调为出发点，以隧道衬砌为安全储备，强化围岩与初期支护协同作用的中国式隧道建设法[3-4]。该方法以围岩质量评价精准分级为前提，在准确判识围岩级别及稳定性基础上，精益施作初期支护以使围岩应力释放与变形约束协调。但现阶段围岩的质量评价多为定性指标，受作业人员经验、技术水平影响，隧道开挖揭示围岩质量难以准确判定。针对此问题，国内外众多的专家学者开展了研究，其研究核心思想是：借助神经网络等机器学习技术，通过隧道施工过程钻孔参数、围岩变形等参数，开展机器训练，映射得到相应参数与围岩分级关系，进而预测判识围岩级别，指导隧道开挖支护施工。在施工参数选择上包括单一参数及组合参数2类。

单一参数主要有：一是隧道钻孔参数。文献[5-9]通过采集隧道钻孔施工时凿岩台车钻孔参数，包括钻杆推进速度、推进压力、钻头冲击压力、钻杆回转压力、水压力和水流量参数等，构建不同围岩级别样本库，通过神经网络机器学习技术，建立钻孔参数与围岩分级关系，预测隧道围岩级别，评价围岩质量；文献[10]采取超前钻孔参数识别预测围岩分级方法，通过机器学习训练错误率在14%以内。二是隧道开挖掌子面图像参数。文献[11]采用双目立体摄影测量方法拍摄隧道掌子面图像；文献[12]采用红外摄像技术拍摄掌子面图像，再借助神经网络技术分析识别掌子面岩体的结构面及完整程度，通过样本训练，预测分析隧道掌子面处的围岩质量及稳定性。三是隧道围岩变形参数。文献[13]采用BP神经网络技术，通过围岩收敛及拱顶沉降变形分析判识围岩的分级及质量；文献[14]基于遗传算法和神经网络技术建立围岩反演参数与围岩位移之间的映射关系。

组合参数包括：隧道钻孔参数与掌子面图像组合及多源参数组合2类。文献[6]提出了采集凿岩台车钻孔参数与掌子面图像融合分析进行隧道围岩亚分级，优化隧道支护参数的方法；文献[15]提出了多源异构地质信息的围岩智能判识方法，将地质超前预报、摄影测量、超前钻孔参数信息融合，相互印证，基于多种围岩分级标准，如Q分级法、BQ分级法、RMR分级法等，借助神经网络技术将传统围岩分级方法与现代信息技术相结合用于围岩分级。在隧道围岩智能识别基础上，有研究人员开展了围岩识别与施工工法相关联的研究，用于指导隧道施工建设，文献[16]基于BP神经网络技术，将围岩分级与施工工法的智能选择对接，将不同围岩分级与长台阶、短台阶、超短台阶、单侧壁导洞和双侧壁导洞工法相对应，在围岩智能识别基础上推荐选取相应施工工法；文献[17]介绍了水利工程中围岩智能感知方法，基于机器学习算法，实现了多种围岩智能分级。

上述研究，无论是单一参数法还是组合多参数预测隧道围岩分级法，在特定的工程项目及施工环境下均取得了一定成效，但由于隧道工程分布地域、自然环境的差异，致使隧道工程穿越的围岩存在极大随机性和不确定性，加之参数采集的局限性，无论是钻孔凿岩台车的选型和作业，还是图像采集的质量，都对隧道围岩分级预测产生着较大的影响，因此，上述研究成果适用性不足，难以推广应用。本文以隧道围岩传统BQ分级方法为基础，分析研究关键要素，将定性描述转变为定量分析，并借助神经网络算法，研发围岩分析平台系统，实现信息卡自动识别，BQ值自动计算，围岩智能分级，隧道支护参数动态优化和隧道的精益建造。

1 现阶段隧道围岩工程分级现状及存在问题

现阶段，隧道工程设计围岩分级主要依据勘察钻孔、地形地貌分析、工程地质调查等信息，结合经验预测隧道穿越山体的地质情况，由于成本等原因，勘察钻孔不可能密集布置，围岩分级预测与开挖揭示情况不可避免地会存在差异，设计单位也经常笑谈说是“一孔之见”，言外之意就是由于信息量有限，围岩判定不精准也是再所难免。而隧道施工一切以图纸为主，隧道开挖揭示的围岩实际情况并未应用到设计优化上，业主方在没有明确变更设计图纸情况下，只能要求施工单位照图施工。而施工图纸中围岩分级预测存在差异从而造成了隧道支护措施及施工工法的偏差，此偏差若为正偏差（质量好的围岩判定为较差的）则增强支护措施，增加了工程建设成本，若为负偏差（质量差的围岩判定为较好的），可能因支护不足而出现隧道围岩掉块坍塌从而引起安全问题。同时，隧道开挖时由于围岩判识技术方法不足、从业人员技能不够、围岩质量评价指标定性化难以准确判定等原因致使围岩分级真实质量情况难以精准评价。于是，现阶段隧道开挖施工多处于照图施工，动态优化设计支护基本未开展，只有在支护出现变形过大难以满足需要时才被动提出变更设计要求，从而造成了隧道开挖后围岩质量较好地段采用了强支护，围岩差的地段支护强度又不足等问题，既造成了国家资源的严重浪费，又给隧道施工、运营埋下了安全隐患。因此，快速准确判定隧道开挖掌子面围岩级别，动态优化隧道设计支护措施研究已非常紧迫且必要。

2" 隧道开挖围岩智能分级及精益支护技术

2.1" 隧道围岩分级质量指标的关键影响要素及量化分析

2.1.1" 隧道围岩分级质量指标的关键影响要素分析

现阶段，国内外隧道围岩分级方法均有多种，考虑因素不尽相同。国外围岩分级方法包括普氏岩石坚固性系数分级法、太沙基围岩分级法、RQD围岩分级法、岩体质量法（Q法）和地质力学分级系统（RMR）等，各种不同围岩分级方法考虑的因素虽有差异，但围岩分级主要要素涉及3项：岩石强度、岩体完整性及地下水[18]，前2项为主要指标，所占权重较大。国内铁路工程、公路工程、水利水电工程等围岩分级方法多达20多种[3-4，19]，经统计分析，国内围岩分级考虑的主要指标同国外方法基本一致，现阶段我国铁路、公路及水工隧道工程等围岩分级标准均以围岩岩体的质量指标作为稳定性分析及质量评价的依据，围岩分级中考虑的关键要素包括岩石坚硬程度、岩体完整程度2项基本要素，并以地下水状态、结构面状态、初始地应力状态3项要素作为围岩分级修正要素。

2.1.2" 隧道围岩分级质量指标关键要素量化分析

1）围岩分级基本质量指标BQ。隧道围岩分级质量指标包括基本质量指标及基本质量指标修正，围岩分级基本质量指标BQ涉及的关键要素包括：岩石坚硬程度和岩体完整程度2个基本因素[3-4]，围岩分级基本质量指标BQ计算见公式（1）

BQ=100+3Rc+250Kv ， （1）

式中：Rc为岩石单轴饱和抗压强度，MPa；Kv为围岩完整程度指数，可根据围岩的完整性对应得出。岩石坚硬程度采用岩石单轴饱和抗压强度Rc表示，可采取现场钻芯取样实测得出数量值。

围岩的完整程度分为完整、较完整、较破碎、破碎和极破碎5个级别，在规范中已给出了对应围岩完整程度指数Kv取值范围。围岩完整程度影响因素包括：结构面发育程度、主要结构面结合程度、主要结构面类型和相应结构类型4个要素，4个要素中除结构面发育程度为定性定量结合描述要素外，其余为定性描述要素，因主要结构面类型要素中定性描述在施工现场不便辨识，且描述比较模糊，因此，对该要素不做考虑，仅对其余要素进行量化分析。各要素量化分解方法如下。

结构面发育程度定性描述分为不发育、较发育、发育、很发育和无序5种程度，量化赋值分别为5、4、3、2、1，对应结构面组数和平均间距2个指标。结构面发育程度量化分析见表1。

表1" 结构面发育程度量化分析表

主要结构面结合程度要素中定性描述分为4种情况：好、一般、差和很差，对每一种结合情况对应量化赋值分别为4、3、2、1，用于计算求解围岩完整程度指数Kv。主要结构面结合程度量化分析见表2。

表2" 主要结构面结合程度量化分析表

相应结构类型要素中定性描述分为4种情况：整体状或巨厚层状结构、块状或厚层状结构、裂隙块状或中厚层状结构、碎裂（散体）或薄层状结构。每一种结构类型对应量化赋值分别为4、3、2、1。相应结构类型量化分析见表3。

表3" 相应结构类型量化分析表

围岩完整程度指数Kv选取。在前述要素量化分析基础上，可对应计算出不同围岩完整程度情况的量化赋值累计数值，进而对应选取围岩完整程度指数Kv数值，实现定性描述指标转变为定量指标，求解得到数值解。围岩完整程度指数Kv对应不同的完整程度，其值为一个值域范围，为后续便于计算，取值域范围的中值作为数值解。围岩完整程度指数Kv量化分析见表4。

围岩分级基本质量指标BQ依据公式（1）计算，将岩石单轴饱和抗压强度Rc及围岩完整程度指数Kv数值代入公式即可求得BQ值，并可对应求解围岩的基本分级。

2）围岩分级基本质量指标修正。围岩分级在基本分级基础上，综合考虑地下水状态、结构面状态、初始地应力状态3项要素的影响，求得围岩分级基本质量指标修正[BQ]，最终确定围岩的亚分级。围岩分级基本质量指标修正[BQ]见公式（2）

[BQ]=BQ-100（K1+K2+K3） ， （2）

式中：[BQ]为围岩分级基本质量指标修正值；BQ为围岩分级基本质量指标值；K1为地下水影响修正系数；K2为主要软弱结构面产状修正系数；K3为初始地应力影响修正系数。

围岩分级基本质量指标修正要素量化分析方法如下。

地下水影响修正系数K1影响因素包括地下水出水状态和围岩分级基本质量指标BQ两个要素，地下水出水状态分为3种，对应量化赋值3、2、1，围岩分级基本质量指标BQ对应值域范围划分为5种，对应量化赋值5、4、3、2、1。2个要素叠加，求得不同工况下的赋值累加值及对应的地下水影响修正系数K1的值域范围，如图1所示。为便于计算，对应规范中地下水影响修正系数K1值域范围，取值域范围的中值作为数值解，地下水影响修正系数K1的数值解见表5。

表5" 地下水影响修正系数K1与赋值对应表

主要软弱结构面产状修正系数K2影响要素为结构面产状及其与洞轴线的组合关系，其量化分析及数值解见表6。

表6" 主要结构面产状影响修正系数K2量化分析表

初始地应力影响修正系数K3影响因素包括初始地应力状态和围岩分级基本质量指标BQ 两个要素，初始地应力状态分极高地应力及高地应力2种情况，围岩分级基本质量指标BQ对应值域亦分为2种情况，2个要素量化赋值及叠加累计计算方法同前，但2个要素量化赋值叠加后与规范中K3值域缺乏明显规律，依经验法取初始地应力影响修正系数K3数值解见表7。

表7" 初始地应力状态影响修正系数K3量化分析表

注：Rc－岩石单轴饱和抗压强度，MPa；qmax-垂直隧道洞轴线方向的最大初始地应力值，MPa。垂直隧道洞轴线方向的最大初始地应力值qmax可根据TB 10003—2016《铁路隧道设计规范》计算。

围岩分级基本质量指标修正[BQ]依据公式（2）计算，将围岩分级基本质量指标BQ、地下水影响修正系数K1、主要软弱结构面产状修正系数K2和初始地应力影响修正系数K3代入公式求得[BQ]，以此对应求解围岩的亚分级，见表8，该表依据TB 10003—2016《铁路隧道设计规范》确定，公路及水利水电等隧道工程可参见相应规范对应求解。

表8" 隧道围岩亚分级表

2.2 基于质量指标隧道围岩智能分级系统

2.2.1 围岩智能分级系统构建

按照上述隧道围岩分级质量指标各要素量化分析求取质量指标逻辑，构建围岩分级智能系统，应用复合前馈神经网络建立围岩分级模型，采用样本库对模型进行训练，利用机器学习开源框架编写围岩智能分级软件系统。技术路线如图2所示。

2.2.2 样本采集及样本库构建

1）围岩分级基本质量指标要素采集。收集不同岩性，如灰岩、白云岩、砂岩、页岩及泥岩等信息，在隧道施工现场开展岩石单轴饱和抗压强度Rc试验采集、结构面发育程度、主要结构面结合程度、主要结构面类型和相应结构类型等要素参数。

2）围岩分级基本质量指标修正要素参数采集。在隧道施工掌子面采集隧道施工的地下水出水状态参数，并在掌子面处测试围岩结构面状态参数，并依照施工图隧道掌子面处埋深计算垂直隧道洞轴线方向的最大初始地应力值qmax，进而计算Rc/qmax比值，判定掌子面处的初始地应力状态是否处于极高地应力或高地应力状态，从而采集得到地下水状态、结构面状态、初始地应力状态3项要素参数。

3）通过各要素参数采集，构建不同岩性的训练样本数据库。

2.2.3 基于质量指标隧道围岩智能分级模型

基于围岩分级基本质量指标和质量指标修正逻辑建立一个围岩基本智能分级模型与围岩亚级分级模型的复合模型，如图3所示。围岩基本智能分级模型网络层数为5层，1个输入层、1个输出层、3个隐含层，其中输入层4个节点，对应4个要素参数；围岩亚级分级模型复合模型网络层数为5层，1个输入层、1个输出层、3个隐含层，其中输入层4个节点，3个对应3个要素参数，另外1个为围岩基本智能分级模型输出的数值，经修正后的[BQ]对应输出围岩分级。

围岩智能分级系统输入信息采用围岩级别判定卡采集相应要素信息，该信息采集卡采取选项式，对应各要素不同状态，施工现场采取勾选方式选择对应选项，信息卡填写完成后，拍照录入围岩智能分级系统，系统自动识别各要素信息，并按前述围岩分级逻辑分析计算围岩质量指标，输出围岩级别信息。围岩级别判定如图4所示。

2.3" 基于围岩智能分级的隧道精益支护技术

在隧道围岩准确分级基础上，按标准化设计原则，对应查找隧道标准图相应支护参数，提出建议支护参数，并与施工图支护参数对比，分析施工图支护参数是否可行，根据对比结果判定是否需要优化设计。基于围岩智能分级的隧道精益支护技术路线如图5所示。

3" 隧道围岩智能分级及精益支护实践应用

应用工程项目：新建重庆至黔江铁路木凉山隧道，长9 767 m，设计速度350 km/h，隧道最大埋深287 m，洞身穿越地层岩性为泥岩、泥岩夹砂岩、砂岩、泥质灰岩、白云岩和灰岩等。

新建重庆至万州高速铁路，香山隧道长2 117 m，任家山隧道长4 010 m，设计速度350 km/h，轨上净空断面100 m2，隧区为丘陵地貌，地形起伏不大，相对高差10～100 m。香山隧道埋深180～350 m，隧道穿越地层岩性为粉质黏土、泥岩夹砂岩、砂岩等；任家山隧道埋深220～375 m，隧道穿越地层岩性为黏土、泥岩、泥岩夹砂岩、砂岩和页岩等。

在2个应用工程项目3个隧道工程钻爆开挖施工中，应用隧道围岩智能分级系统，隧道围岩分级要素采集采用围岩级别判定卡，已收集构建各种岩性训练样本60余个，经对比分析，围岩分级智能系统在不同岩性中具有较强的适应性。

4" 结束语

1）针对隧道工程智能建造核心技术围岩智能分级和精益支护建造技术开展了分析研究，采用围岩质量指标分级法融合现代信息技术的路径，对影响围岩分级的两大基本因素及3个影响因素进行了定性转定量分析，将围岩分级质量指标求取由半定性半定量转变为定量数值解，提出了以隧道围岩分级基本质量指标BQ为基础融合神经网络算法的围岩智能分级方法和技术路线，研发了围岩智能分级软件系统。

2）采用围岩级别判定卡采集围岩信息、卡片自动识读、系统自动分析围岩分级方法，解决了质量指标法围岩分级工作繁琐、定性定量要素混杂、需专业地质工程人员分析和围岩分级准确性不够等问题，结合围岩智能分级软件系统实现了快速围岩智能分级。

图4" 隧道开挖围岩级别判定

图5" 围岩智能分级的隧道精益支护技术路线

3）在围岩分级基础上，采取隧道工程标准化设计方法，将围岩分级与隧道开挖支护结构参数匹配对应，快速得到相应围岩对应的隧道围岩支护结构参数，并与施工图对比，用于隧道工程开挖施工阶段支护参数的动态设计优化，实现精益施工的目标。

4）因该研究方法仅在2个工程项目开展了应用实践，应用围岩岩性为泥岩、泥岩夹砂岩、灰岩、页岩和白云岩等，训练样本库尚显不足，下一步将扩大应用实践区域，以提升研究方法的适用性。

参考文献：

[1] 田四明，王伟，杨昌宇，等.中国铁路隧道40年发展与展望[J].隧道建设（中英文），2021，41（11）：1903-1930.

[2] 刘德军，仲飞，黄宏伟，等.运营隧道衬砌病害诊治的现状与发展[J].中国公路学报，2021，34（11）：178-199.

[3] 赵勇.隧道设计理论与方法[M].北京：人民交通出版社，2019.

[4] 铁路隧道设计规范：TB 10003—2016[S].北京：中国铁道出版社，2019.

[5] 王志坚.高速铁路山岭隧道智能化建造技术研究——以郑万高速铁路湖北段为例[J].铁道学报，2020，42（2）：86-95.

[6] 刘飞香.铁路隧道智能化建造装备技术创新与施工协同管理展望[J].隧道建设（中英文），2019，39（4）：545-555.

[7] 王志坚.郑万高铁隧道智能化建造技术研究及展望[J].隧道建设（中英文），2021，41（11）：1877.

[8] ZHAO S， WANG M， YI W， et al. Intelligent classification of surrounding rock of tunnel based on 10 machine learning algorithms[J]. Applied Sciences，2022，12（5）：2656.

[9] JALALIFAR H， MOJEDIFAR S， SAHEBI A A， et al. Application of the adaptive neuro-fuzzy inference system for prediction of a rock engineering classification system[J]. Computers and Geotechnics，2011，38（6）：783-790.

[10] 房昱纬，吴振君，盛谦，等.基于超前钻探测试的隧道地层智能识别方法[J].岩土力学，2020，41（7）：2494-2503.

[11] 张延欢，李利平，刘洪亮，等.隧道围岩结构面数字识别及完整性评价方法[J].隧道建设，2016，36（12）：1471-1477.

[12] 周春霖，朱合华，李晓军.新奥法施工隧道掌子面红外照相及图像处理[J].岩石力学与工程学报，2008（S1）：3166-3172.

[13] 周建春，魏琴，刘光栋.采用BP神经网络反演隧道围岩力学参数[J].岩石力学与工程学报，2004（6）：941-945.

[14] 黄戡，刘宝琛，彭建国，等.基于遗传算法和神经网络的隧道围岩位移智能反分析[J].中南大学学报（自然科学版），2011，42（1）：213-219.

[15] 田四明，吴克非，王志伟，等.中国铁路隧道智能化建造实现路径探讨[J].铁道学报，2022，44（1）：134-142.

[16] 张保俭，冯卫星，莫勋涛.基于模糊BP网络的隧道施工方法选择研究[J].现代隧道技术，2004（5）：38-41.

[17] 刘耀儒，侯少康，程立，等.水利工程智能建造进展及关键技术[J].水利水电技术（中英文），2022，53（10）：1-20.

[18] 赵俊峰.基于TSP超前地质预报与监控量测信息的隧道围岩亚级分级方法及应用研究[D].武汉：武汉理工大学，2015.

[19] 公路隧道设计细则：JTGT D70—2010[S].人民交通出版社. 2010.