隧道围岩动态分级方法及其装置技术领域
本发明涉及一种隧道围岩动态分级方法及其装置。
背景技术
围岩分级是指根据岩体完整程度和岩石强度等指标将无限的岩体序列划分
为具有不同稳定程度的有限个类别，即将稳定性相似的一些围岩划归为一类，
将全部的围岩划分为若干类，进而在围岩分类的基础上再依照每一类围岩的稳
定程度给出最佳的施工方法和支护结构设计，围岩分级是选择施工方法的依据。
近年来，国内外隧道相关研究人员将多种计算智能方法应用于围岩分级中，如
BP神经网络、支持向量机(SVM)等，取得了较好的效果，但是BP神经网络
和支持向量机方法在应用过程中，存在参数确定困难、迭代计算速度慢等缺点，
不能满足隧道快速施工的需要。而极限学习机(extremelearningmachine，ELM)
在训练前只需要设置网络隐含层节点个数、算法执行过程中不需要调整网络的
输入层权值和隐含层偏移量，并且能够产生唯一的最优解，具有参数选择容易、
学习速度快并且泛化性能好的优点，现有技术中应用极限学习机进行隧道围岩
分级的方式无法实现超前地质信息的远程传输、不能完成远程的围岩动态分级，
更没有围岩信息的网络共享和终端查询功能。
发明内容
本发明针对以上问题的提出，而研制一种隧道围岩动态分级方法及其装置。
本发明的技术手段如下：
一种隧道围岩动态分级方法，包括如下步骤：
步骤1：布设围岩地质参数采集装置于隧道掌子面处；所述围岩地质参数采
集装置连接有第一无线通讯模块；
步骤2：布设发射箱于隧道洞口外并保证所述发射箱的安放位置为手机信号
的覆盖范围之内；所述发射箱包括第二无线通讯模块和与所述第二无线通讯模
块相连接的GPRS通讯模块；所述GPRS通讯模块经由GPRS网络连接有服务
器；
步骤3：在所述围岩地质参数采集装置和所述发射箱之间布设中继站；所述
中继站连接所述第一无线通讯模块和所述第二无线通讯模块；
步骤4：围岩地质参数采集装置获取隧道掌子面处的围岩地质参数，该围岩
地质参数经过第一无线通讯模块、中继站和发射箱传输至所述服务器；
步骤5：所述服务器将所述围岩地质参数作为输入，通过围岩分级进化极限
学习机模型输出围岩分级结果，并将所述围岩分级结果对应隧道掌子面信息存
储至数据库中，同时发布至网络上；
进一步地，所述围岩地质参数至少包括：岩体完整性、地下水参数、岩体
结构面、围岩拱顶沉降位移和围岩收敛位移量；所述围岩地质参数采集装置包
括：
用于获取岩体完整性和岩体结构面的地质探测仪和探地雷达；
用于获取围岩的地下水参数的孔隙水压力计；
用于获取围岩拱顶沉降位移的位移计；
以及用于获取围岩收敛位移量的收敛计；
进一步地，所述围岩分级进化极限学习机模型通过如下步骤得出：
步骤A：构建围岩分级的样本集；
步骤B：将所述样本集划分为训练样本集和测试样本集两个部分；
步骤C：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个
体，通过所述差异进化算法随机生成初始种群；
步骤D：计算出当前种群的各个体的适应值；
步骤E：判断当前种群的个体是否满足进化结束条件，是则执行步骤G，否
则执行步骤F；
步骤F：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操
作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择
操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤D；
步骤G：输出当前种群中适应值最优的个体，并获得相应的最优的输入层
权值和隐含层偏移量，执行步骤H；
步骤H：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机分
别对训练样本集进行训练和学习，得到围岩分级进化极限学习机模型；
进一步地，
所述步骤A具体为：收集隧道施工过程中的围岩地质参数，建立以围岩地
质参数为输入，围岩级别为输出的围岩分级的样本集；
所述步骤D具体为：
针对当前种群的不同个体，通过极限学习机对所述训练样本集进行训练和
学习，获得围岩分级极限学习机模型；
采用所述围岩分级极限学习机模型对所述测试样本集进行预测，获得预测
误差并将该预测误差作为适应值；
所述步骤E中的进化结束条件为当前种群中某一个体的适应值小于预设值；
进一步地，所述中继站布设在隧道弯曲处和/或隧道分岔处。
一种隧道围岩动态分级装置，包括：
布设在隧道掌子面处，用于获取围岩地质参数的围岩地质参数采集装置；
与所述围岩地质参数采集装置相连接的第一无线通讯模块；
布设在隧道洞口外的发射箱，该发射箱的安放位置为手机信号的覆盖范围
之内；所述发射箱包括第二无线通讯模块和与所述第二无线通讯模块相连接的
GPRS通讯模块；
布设在所述围岩地质参数采集装置和所述发射箱之间的中继站；所述中继
站连接所述第一无线通讯模块和所述第二无线通讯模块；
通过GPRS网络连接所述GPRS通讯模块的服务器；所述围岩地质参数采
集装置获取的围岩地质参数经过第一无线通讯模块、中继站和发射箱传输至所
述服务器，该服务器将所述围岩地质参数作为输入，通过围岩分级进化极限学
习机模型输出围岩分级结果，并将所述围岩分级结果对应隧道掌子面信息存储
至数据库中，同时发布至网络上；
进一步地，所述围岩地质参数至少包括：岩体完整性、地下水参数、岩体
结构面、围岩拱顶沉降位移和围岩收敛位移量；所述围岩地质参数采集装置包
括：
用于获取岩体完整性和岩体结构面的地质探测仪和探地雷达；
用于获取围岩的地下水参数的孔隙水压力计；
用于获取围岩拱顶沉降位移的位移计；
以及用于获取围岩收敛位移量的收敛计；
进一步地，所述装置还包括：
样本构建模块，用于构建围岩分级的样本集；
样本划分模块，用于将所述样本集划分为训练样本集和测试样本集两个部
分；
差异进化算法模块，用于将极限学习机的输入层权值和隐含层偏移量作为
差异进化算法的个体，随机生成初始种群，以及当当前种群的个体不满足进化
结束条件时，对父代种群中的个体依次进行变异操作和交叉操作，得到新的子
代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代
种群中适应值优秀的个体作为下一代种群；
计算模块，用于计算出当前种群的各个体的适应值；
判断模块，用于判断当前种群的个体是否满足进化结束条件；
输出模块，用于当当前种群的个体满足进化结束条件时，输出当前种群中
适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量；
进化极限学习机学习模块，用于利用所述最优的输入层权值和隐含层偏移
量，通过极限学习机对训练样本集进行训练和学习，得到围岩分级进化极限学
习机模型；
进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值；
所述计算模块包括：
极限学习机学习模块，用于针对当前种群的不同个体，通过极限学习机对
所述训练样本集进行训练和学习，获得围岩分级极限学习机模型；
和适应值获取模块，用于采用所述围岩分级极限学习机模型对所述测试样
本集进行预测，获得预测误差并将该预测误差作为适应值；
进一步地，所述中继站布设在隧道弯曲处和/或隧道分岔处。
由于采用了上述技术方案，本发明提供的隧道围岩动态分级方法及其装置，
通过设置围岩地质参数采集装置，并铺设适用于隧道使用的无线通讯网络，实
现了将获取的围岩地质参数通过无线通讯网络直接传输给服务器，服务器利用
围岩分级进化极限学习机模型进行计算分析以快速确定围岩等级，然后将围岩
等级信息存储至数据库以及共享发布至网络，完成了隧道围岩的动态分级，围
岩分级更加快速可靠，解决了现有技术中基于极限学习机进行围岩分级的技术
方案需要人工探测地质参数后才能进一步进行分级的问题，隧道的围岩地质参
数获取便捷，设备安装灵活简便，提高了围岩分级过程的效率。
附图说明
图1是本发明所述方法的流程图；
图2是本发明所述装置的结构示意图；
图3是本发明所述装置的结构框图；
图4是本发明围岩分级进化极限学习机模型建立过程的示意图；
图5是本发明所述围岩分级极限学习机模型的示意图；
图6是本发明得出围岩分级进化极限学习机模型的流程图。
图中：1、隧道，2、掌子面，3、照相机，4、探测头，5、服务器，6、探
测箱，7、发射箱，8、洞口。
具体实施方式
如图1和图6所示的一种隧道围岩动态分级方法，包括如下步骤：
步骤1：布设围岩地质参数采集装置于隧道1掌子面2处；所述围岩地质参
数采集装置连接有第一无线通讯模块；
步骤2：布设发射箱7于隧道1洞口8外并保证所述发射箱7的安放位置为
手机信号的覆盖范围之内；所述发射箱7包括第二无线通讯模块和与所述第二
无线通讯模块相连接的GPRS通讯模块；所述GPRS通讯模块经由GPRS网络
连接有服务器5；
步骤3：在所述围岩地质参数采集装置和所述发射箱7之间布设中继站；所
述中继站连接所述第一无线通讯模块和所述第二无线通讯模块；
步骤4：围岩地质参数采集装置获取隧道1掌子面2处的围岩地质参数，该
围岩地质参数经过第一无线通讯模块、中继站和发射箱7传输至所述服务器5；
步骤5：所述服务器5将所述围岩地质参数作为输入，通过围岩分级进化极
限学习机模型输出围岩分级结果，并将所述围岩分级结果对应隧道1掌子面2
信息存储至数据库中，同时发布至网络上；
进一步地，所述围岩地质参数至少包括：岩体完整性、地下水参数、岩体
结构面、围岩拱顶沉降位移和围岩收敛位移量；所述围岩地质参数采集装置包
括：
用于获取岩体完整性和岩体结构面的地质探测仪和探地雷达；
用于获取围岩的地下水参数的孔隙水压力计；
用于获取围岩拱顶沉降位移的位移计；
以及用于获取围岩收敛位移量的收敛计；
进一步地，所述围岩分级进化极限学习机模型通过如下步骤得出：
步骤A：构建围岩分级的样本集；
步骤B：将所述样本集划分为训练样本集和测试样本集两个部分；
步骤C：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个
体，通过所述差异进化算法随机生成初始种群；
步骤D：计算出当前种群的各个体的适应值；
步骤E：判断当前种群的个体是否满足进化结束条件，是则执行步骤G，否
则执行步骤F；
步骤F：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操
作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择
操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤D；
步骤G：输出当前种群中适应值最优的个体，并获得相应的最优的输入层
权值和隐含层偏移量，执行步骤H；
步骤H：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机分
别对训练样本集进行训练和学习，得到围岩分级进化极限学习机模型；
进一步地，
所述步骤A具体为：收集隧道1施工过程中的围岩地质参数，建立以围岩
地质参数为输入，围岩级别为输出的围岩分级的样本集；
所述步骤D具体为：
针对当前种群的不同个体，通过极限学习机对所述训练样本集进行训练和
学习，获得围岩分级极限学习机模型；
采用所述围岩分级极限学习机模型对所述测试样本集进行预测，获得预测
误差并将该预测误差作为适应值；
所述步骤E中的进化结束条件为当前种群中某一个体的适应值小于预设值；
进一步地，所述中继站布设在隧道1弯曲处和/或隧道1分岔处。
如图2和图3所示的一种隧道围岩动态分级装置，包括：布设在隧道1掌
子面2处，用于获取围岩地质参数的围岩地质参数采集装置；与所述围岩地质
参数采集装置相连接的第一无线通讯模块；布设在隧道1洞口8外的发射箱7，
该发射箱7的安放位置为手机信号的覆盖范围之内；所述发射箱7包括第二无
线通讯模块和与所述第二无线通讯模块相连接的GPRS通讯模块；布设在所述
围岩地质参数采集装置和所述发射箱7之间的中继站；所述中继站连接所述第
一无线通讯模块和所述第二无线通讯模块；通过GPRS网络连接所述GPRS通
讯模块的服务器5；所述围岩地质参数采集装置获取的围岩地质参数经过第一无
线通讯模块、中继站和发射箱7传输至所述服务器5，该服务器5将所述围岩地
质参数作为输入，通过围岩分级进化极限学习机模型输出围岩分级结果，并将
所述围岩分级结果对应隧道1掌子面2信息存储至数据库中，同时发布至网络
上；进一步地，所述围岩地质参数至少包括：岩体完整性、地下水参数、岩体
结构面、围岩拱顶沉降位移和围岩收敛位移量；所述围岩地质参数采集装置包
括：用于获取岩体完整性和岩体结构面的地质探测仪和探地雷达；用于获取围
岩的地下水参数的孔隙水压力计；用于获取围岩拱顶沉降位移的位移计；以及
用于获取围岩收敛位移量的收敛计；进一步地，所述装置还包括：样本构建模
块，用于构建围岩分级的样本集；样本划分模块，用于将所述样本集划分为训
练样本集和测试样本集两个部分；差异进化算法模块，用于将极限学习机的输
入层权值和隐含层偏移量作为差异进化算法的个体，随机生成初始种群，以及
当当前种群的个体不满足进化结束条件时，对父代种群中的个体依次进行变异
操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种
群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群；计算
模块，用于计算出当前种群的各个体的适应值；判断模块，用于判断当前种群
的个体是否满足进化结束条件；输出模块，用于当当前种群的个体满足进化结
束条件时，输出当前种群中适应值最优的个体，并获得相应的最优的输入层权
值和隐含层偏移量；进化极限学习机学习模块，用于利用所述最优的输入层权
值和隐含层偏移量，通过极限学习机对训练样本集进行训练和学习，得到围岩
分级进化极限学习机模型；进一步地，所述进化结束条件为当前种群中某一个
体的适应值小于预设值；所述计算模块包括：极限学习机学习模块，用于针对
当前种群的不同个体，通过极限学习机对所述训练样本集进行训练和学习，获
得围岩分级极限学习机模型；和适应值获取模块，用于采用所述围岩分级极限
学习机模型对所述测试样本集进行预测，获得预测误差并将该预测误差作为适
应值；进一步地，所述中继站布设在隧道1弯曲处和/或隧道1分岔处。
本发明提供的隧道围岩动态分级方法及其装置，通过设置围岩地质参数采
集装置，并铺设适用于隧道1使用的无线通讯网络，实现了将获取的围岩地质
参数通过无线通讯网络直接传输给服务器5，服务器5利用围岩分级进化极限学
习机模型进行计算分析以快速确定围岩等级，然后将围岩等级信息存储至数据
库以及共享发布至网络，完成了隧道围岩的动态分级，围岩分级更加快速可靠，
解决了现有技术中基于极限学习机进行围岩分级的技术方案需要人工探测地质
参数后才能进一步进行分级的问题，隧道的围岩地质参数获取便捷，设备安装
灵活简便，提高了围岩分级过程的效率。本发明围岩分级方法基于极限学习机，
适应性强、具有参数选择容易、学习速度快并且泛化性能好的优点。在服务器5
将围岩分级结果发布至网络后，网络终端可以实现围岩分级结果的动态查询，
便于相关用户及时了解隧道施工的具体情况，隧道掌子面是隧道工程中不断向
前推进的开挖工作面，针对每一开挖的隧道掌子面均可以进行相应的围岩动态
分级处理，围岩动态分级处理的结果与相应的开挖工作面(隧道掌子面)的相
关信息对应存储。
围岩地质参数经过第一无线通讯模块、中继站、第二无线通讯模块和GPRS
通讯模块传输至所述服务器5；地质探测仪和探地雷达用于超前探测隧道1掌子
面2前方的地质构造，包括断层、节理、软弱破碎带等，能够及时反馈隧道1
开挖前方地质情况；所述地质探测仪和探地雷达均具有照相机3和探测头4，探
测头4和照相机3指向隧道1掌子面2，安装时需注意方向性和距离，保证围岩
地质参数采集装置尽可能的靠近掌子面2，另外，施工很可能会对围岩地质参数
采集装置造成破坏，需对安放位置和装置进行一定保护；所述装置还包括布设
在隧道1掌子面2处的探测箱6，地质探测仪和探地雷达除照相机3和探测头4
的其余部分放置在所述探测箱6中，所述第一无线通讯模块设置在所述探测箱6
中；通过地质探测仪和探地雷达探测的超前地质信息，可以较准确的确定岩体
完整性系数、岩体节理面延展性、岩体结构面产状等围岩地质参数，为围岩等
级的确定提供依据；所述孔隙水压力计可以布设在隧道1围岩内部，对围岩中
的孔隙水压力进行检测；所述围岩地质参数还可以包括：围岩回弹强度和地应
力，进一步地，所述围岩地质参数采集装置还可以包括：用于获取围岩回弹强
度的回弹仪、用于获取地应力大小的土压力盒；所述第一无线通讯模块的发射
天线需要露出；发射箱7的安装位置应保证在手机信号的覆盖范围之内，具体
地，手机信号强度百分比应不小于15，信号强度具体可以通过发送短信：AT+CSQ
来获取；在无遮挡情况下，无线通讯模块之间的通讯距离最大为1000～1500m，
隧道1内部应根据实际情况缩短无线通讯模块间的距离，并在隧道1弯曲或分
岔处添加中继站，并且将各个无线通讯模块的天线露出以保证信号收发，各个
无线通讯模块以及中继站之间采用RS485传输协议；所述探测箱6、中继站和
发射箱7还分别包括一用于供电的12V直流电源。
图4示出了本发明围岩分级进化极限学习机模型建立过程的示意图，如图4
所示，本发明围岩分级进化极限学习机模型的建立过程包括如下步骤：
①确定训练样本和测试样本；
②产生初始种群；
③极限学习机参数取值；
④极限学习机学习预测；
⑤适应值计算；
⑥适应值是否满足要求，是则终止，否则执行步骤⑦；
⑦变异操作；
⑧交叉操作；
⑨选择操作，返回步骤③。
本发明将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的优
化变量，同时以训练预测误差作为差异进化算法的适应值，同时根据所需反馈
分析的问题，构造具有代表性的样本集，该样本集包括训练样本集和测试样本
集，然后设定差异进化算法的参数包括种群数量、进化代数、交叉因子CR和放
大因子F，并随机产生初始种群，每个个体对应极限学习机的输入层权值和隐含
层偏移量，进行训练，获得输出权值，进而获得极限学习机的拓扑结构，利用
测试样本对训练的极限学习机进行预测检验，以预测误差作为差异进化算法的
适应值，当适应值不小于预设值(进化结束条件)，预设值可以取0，差异进化
算法进行变异、交叉和选择等迭代操作，直到满足进化结束条件，此时当前种
群中适应值最优的个体即作为最佳输入层权值和隐含层偏移量，然后训练获得
输出层权值；图5示出了本发明所述围岩分级极限学习机模型的示意图。
极限学习机的数学模型如下：
对于N个不同学习样本(xi,yi)∈Rn×Rm(i＝1,2,…,N)、具有L个隐含层节点、
隐含层激活函数为g(x)的单隐藏层前馈神经网络，第i个样本输出值可采用如下
的公式表示：
o i = Σ j = 1 L β j g ( a j · x i + b j ) - - - ( 1 ) ]]>
式(1)中，oi为第i个样本的输出值，αj＝[αj1，αj2，…，αjn]T，表示输入层
到隐含层的连接权值；bj＝[bj1,bj2,…，bjm]T表示隐含层节点的偏移量，βj＝[βj1,
βj2,…，βjm]T表示隐含层第i个节点到输出层的连接权值，g(x)为激活函数；
所述网络若以零误差逼近训练样本，则：
y i = o i = Σ j = 1 L β j g ( α j · x i + b j ) - - - ( 2 ) ]]>
式(2)可以简记为：
Hβ＝Y(3)
其中， H = g ( a 1 , b 1 , x 1 ) g ( a 2 , b 2 , x 1 ) ... g ( a L , b L , x 1 ) . . . . . . . . . . . . g ( a 1 , b 1 , x N ) g ( a 2 , b 2 , x N ) g ( a L , b L , x N ) , ]]>
β = β 1 T . . . β N T N × M , Y = y 1 T . . . y N T , ]]>这里的aj、bj、βj的含义与式(1)中的含义相同，
H为神经网络隐含层输出矩阵，H(xi)为H的第i行向量，H的第j列为输入变
量x1,x2,…,xN时第j个隐含层对应的输出。
极限学习机的学习算法一般包括以下三个步骤：
①确定隐含层节点(神经元)个数，设定输入层与隐含层之间的连接权值a
和隐含层节点的偏移量b；
②选择一个无限可微的函数作为隐含层节点的激活函数，进而计算隐含层
输出矩阵H；
③计算输出层权值β，上述过程极限学习机通过随机设置隐含层到输入层的
权值和偏移量，可对输出层权值产生唯一解，若隐含层节点足够多，理论上可
逼近任何连续函数。
差异进化算法(DE)的原理和步骤如下：
令第G代种群中向量的个数为NP，第G代中向量可以表示为xi,G，i＝1,2,…,NP,
每个向量个体包含D个分量，DE算法过程如下：
1)产生初始种群：在D维空间里随机产生满足自变量上下界约束的NP个
染色体,公式如下：
x i j ( 0 ) = rand i j ( 0 , 1 ) ( x i j U - x i j L ) + x i j L - - - ( 4 ) ]]>
i＝1,2,…,NP；j＝1,2,…,D.
式中xijU、分别为第j个分量的上界和下界，randij(0,1)是[0，1]之间的随
机数。
2)变异操作：在DE算法中，缩放种群中任意两个目标向量个体之间的差
值并叠加到种群中的第3个向量个体上，形成新的变量，此过程称为变异。对
于第G代每个目标向量，其变异向量第j分量为：
vi,j(G+1)＝xr1j(G)+F(xr2j(G)-xr3j(G))(5)
式中下标r1,r2,r3为[1，NP]中的随机整数且互不相同，F为缩放因子，用来
调节向量差异的步长幅值，在0～2内取值。公式(5)是基本的变异模式，被
称作DE/rand/1模式；随着该公式的改变，尚能形成其它模式，如DE/best/1、
DE/best/2、DE/rand/2等。
3)交叉操作：将目标向量xi,G与变异向量vi,G+1按照如下规则杂交，生成新
的试样向量ui,G+1:
式中rj∈[0,1]为与向量第j个分量对应的随机数；CR∈[0,1]为杂交概率常数；
rni为在1，2，…，D中随机挑选一个整数，以确保变异向量Vi(G+1)中，至
少有一个分量被试样向量ui(G+1)采用。
4)选择操作：采用贪婪搜索方法进行选择操作。将试样向量ui(G+1)与目标
向量xi(G)比较，如果ui(G+1)对应较小的目标函数值，则选择向量ui(G+1)；反
之如果，xi(G)对应较小的目标函数值，则保留向量xi(G)。
其中，围岩分级进化极限学习机模型可以采用P＝DEELC(X)表示，其中P
表示围岩类别、DEELC表示进化模式分级差异极限学习机模型、X表示隧道1
开挖过程中揭露或观测形成的围岩地质参数，实际应用时考虑围岩地质参数获
取的方便性以及充分利用施工过程中的揭露信息原则，同时参考《JTGD70-2004
公路隧道设计规范》的围岩基本质量指标(BQ分级法)，可将岩体完整性指标
Kv、地下水状况、岩体结构面产状、围岩拱顶沉降位移和围岩收敛位移量这些
围岩地质参数作为围岩分级进化极限学习机模型的输入。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局
限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本
发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护
范围之内。