隧道工程地质条件复杂，为了确保施工安全，合理进行施工预算，在勘查设计阶段需结合物探、波速测孔和岩土体物理力学参数等资料对围岩进行分级.施工期间隧道掌子面围岩性质往往与设计的围岩级别有所差别，需要进行设计变更，从而耽误施工进度和影响隧道安全.因此，选用合理的方法进行施工期间隧道围岩动态分级具有重要意义[1-2].

关于隧道围岩分级众多学者已经做了大量的研究.监控量测是反馈围岩信息、确保施工安全的一个重要手段，黄锋、邓洪亮和张长亮等[3-5]基于现场监控量测获得围岩信息，并对围岩进行分级，指导现场施工.超期地质预报能够获得隧道掌子面前方一定距离内的围岩信息，张云冬、张新柳和韩永琦等[6-8]采用超前地质预报方法对隧道围岩进行分级，提出基于超前地质预报的围岩分级方法，并通过实际工程验证了该方法的合理性.近年来，随着许多新方法诸如BP神经网络方法[9]、模糊综合评判法[10]、Mamdani模糊推理方法[11]、可拓学理论方法[12]的不断发展，使得围岩分级更加科学高效，且取得了一些成果[13-15].

但是，目前隧道施工期间围岩分级还存在以下问题：1)需要进行大量室内外试验，消耗时间较多，与施工进度形成矛盾；2)现有的理论模型学习收敛速度慢，而且易陷入局部最优值；3)围岩分级信息不方便管理等.

差异进化-BP神经网络模型(DE-BP模型)是将BP神经网络模型与差异进化算法相结合，具有收敛速度快，稳定性高等特点，适用于隧道围岩分级.本文根据地质超前预报获得围岩动态分级指标，提出了基于DE-BP模型的隧道围岩动态分级方法，并将此方法应用于板石隧道的围岩分级.结合VTK技术、三维地质建模方法及数据库编写隧道围岩分类软件，为隧道现场施工及设计变更提供了可靠支持.

1 基于地质超前预报围岩分级指标

利用地质超前预报技术可以获得隧道掌子面前方的地质和水文情况，首先在洞壁一侧水平布置多个炮孔，远离掌子面方向布置一个检波孔，检波孔距最近一个炮孔距离为20 m，离检波孔最远的炮孔尽量靠近掌子面.采用瞬发电雷管进行炸药引爆，爆破时产生的地震波在隧道围岩中以球面波形式传播，当遇到不良地质体和地下水时，一部分地震波继续向前传播，另一部分被反射回来，通过分析反射回来地震波的传播速度、波形、频率和强度等特征，处理提取掌子面前方围岩的波速、泊松比和反射系数等数据，从而预报隧道掌子面前方围岩情况.图1为地质超前预报原理图.

基于地质超期预报信息，将回弹强度、岩体完整性、节理延展性、地下水、结构面走向和地应力状态作为隧道围岩分级指标，并进行定量化处理.

1) 回弹强度Rht

单轴抗压强度在施工现场难以测定，为此采用回弹强度代替单轴抗压强度，研究表明，回弹强度与单轴抗压强度存在如下关系：

Rc=144.785(1-e-0.010 86Rht)

(1)

2) 岩体完整性指标kv

岩体完整程度用BQ法中的岩体完整性指标kv表示，即

(2)

式中：Vp为岩体的纵波波速；Vs为岩石的纵波波速.

3) 节理延展性Jyz

图2为隧道掌子面素描图.将掌子面内的节理进行定量化处理，作为节理延展性指标，如表1所示.

4) 地下水影响w

在施工现场进行地下水观测，根据表2按其流量和状态进行定量化处理.

5) 结构面和隧道走向λ

根据RMR分级体系将结构面和隧道走向关系分为垂直、平行、任意3种情况，如表3所示.

6) 地应力状态GS

按照《工程岩体分级标准》，将隧道分为高地应力区、中地应力区和低地应力区，并根据岩体状态进行打分，如表4所示.

2 DE-BP模型

本文将BP神经网络与差异进化算法相结合，充分运用DE算法良好的优化性能，替代了BP神经网络中的梯度下降算法.建立的DE-BP模型采用三层BP神经网络，三层BP神经网络不仅能以任意精度逼近任意函数，还能逼近其各阶导数.将三层BP神经网络累积预测误差标准差作为DE算法的适应度函数，计算步骤如下：

1) 确定BP网络拓扑结构，包括输入层节点数n、隐含层节点数p与输出层节点数q.

2) 计算并设置DE算法参数，对输入层至隐含层的连接权值wij、隐含层至输出层的连接权值vjt、隐含层各单元的输出阈值θj与输出层各单元的输出阈值γj进行赋值.

3) 产生初始种群，设定DE算法中种群规模Np、交叉因子CR、变异因子F和差异策略.

4) 基于产生的初始种群对wij、vjt、θj和γj进行初始化，然后逐一将m组输入和目标样本提供给网络.

采用式(3)～(7)对输出层的各单元标准差σk进行计算，根据标准差求取目标函数σ，如式(8)所示.

(3)

bj=f(sj) (j=1，2，…，p)

(4)

(5)

Ct=f(Lt) (t=1，2，…，q)

(6)

(7)

(8)

式中：sj为隐含层各单元的输入；bj为隐含层各单元的输出；f为传递函数；Lt为输出层各单元的输出；Ct为输出层各单元的响应；k=1，2，…，m.

5) 反复进行变异、交叉、目标函数计算、选择等操作，当最大种群迭代数或目标函数达到设定值时结束计算.DE-BP模型计算流程如图3所示.

选取交叉因子CR=0.9、变异因子F=0.9、差异策略为DE/best/1，对DE-BP模型的训练结果与BP神经网络的训练结果进行比较.表5为DE-BP模型和BP模型训练对比结果，从表5中可以看出，DE-BP模型的训练均方差明显小于BP神经网络，分级精度明显提高.

VTK(visualization toolkit)是一个开放源代码、跨平台和支持并行处理的图形应用函数库，其内核是用C++编译的，主要用于图像处理、3D计算机图形学以及可视化开发.VTK以灵活性和方便性为主要原则，具有强大的三维图形渲染功能、丰富的数据类型、支持多种着色和成图快的特点.

结合VTK技术、三维地质建模方法及数据库技术编写隧道围岩分级软件，该软件能够高效、准确地管理隧道围岩分级信息，便于现场施工人员进行施工期间隧道围岩快速分级，确保施工进度和安全.隧道围岩分级软件具有围岩快速分级、分级结果储存和分级结果三维可视化等功能.软件包含DE-BP和BQ两种分级方法，可根据需要进行选择.首先确定隧道断面的桩号，输入围岩分级指标，选择分级方法进行预测.预测完成后，可将隧道断面信息、围岩分级指标和分级结果进行储存，方便以后查询和管理，软件界面如图4所示.

3 工程应用

3.1 工程概况

板石隧道位于吉林省白山市，分为左右两幅，左幅1 668 m，右幅1 683 m.隧道为低山地貌，岩性主要为片麻岩，断裂构造发育，受其影响岩体破碎，局部风化强烈.隧道区域内无大的地表水体，地下水类型较为简单，分为第四系孔隙水和基岩裂隙水，属地下水贫乏区域，隧道内涌水量估算值为599.4 m3/d.气候属北温带大陆性季风区，夏季温热多雨而短促，冬季寒冷干燥而漫长.年平均气温5 ℃，最低气温-42.2 ℃，最高气温36.5 ℃，如图5所示.

隧道按新奥法原理组织施工，施工中坚持监控量测(地质雷达、TSP、超前探孔)，各工作面均采用钻爆法开挖，洞内出碴均采用无轨运输.Ⅲ级围岩采用全断面开挖施工，Ⅳ级围岩采用台阶法施工，Ⅴ级围岩采取微台阶预留核心土法、CRD开挖法、CD法.

3.2 超前地质预报应用

为了解施工期间板石隧道掌子面前方围岩地质和地下水情况，确保施工安全，采用瑞士安伯格公司TSP203型超前地质预报系统对隧道进行了检测，预报范围为掌子面前方0～150 m.以板石隧道左幅出口掌子面LK67+040为例，对超前预报结果进行分析，如图6、7所示.

图7表明，隧道掌子面前方LK67+040～LK66+970范围内有多组反射界面，纵波波速减小、横波波速整体变化不大但较为波动，泊松比先增大后减小，动态杨氏模量变化不大但波动较大，推断该段围岩节理裂隙较发育，局部破碎，裂隙水较不发育，局部渗漏滴水，围岩稳定性较差，易发生失稳掉块脱落.

3.3 隧道围岩动态分级

图8为隧道围岩动态分级流程，首先根据勘查和设计资料对隧道不良地质断面进行初步判断；然后采用TSP超前地质预报确定掌子面前方围岩岩体具体情况，并进行定量化处理得到围岩分级指标；最后根据所建立的模型进行隧道围岩分级，并与勘查设计和现场观测结果进行比较，验证模型的准确性，最终确定围岩级别.

选取板石1号隧道30个具有代表性的掌子面，根据地质超前预报确定隧道围岩分级指标，进行板石一号隧道围岩动态分级.表6为板石一号隧道典型断面的围岩分级指标.表6中共有30组数据，将前25组数据进行训练计算，建立DE-BP模型，后5组数据对模型进行测试，验证模型的准确性.DE-BP模型参数为：种群规模500，迭代步数600，隐含层节点数15个，选用Sigmoid函数为激活函数.为了加快收敛速度，对Sigmoid函数进行归一化处理，即

(9)

式中：xmax为输入分量最大值；xmin为输入分量最小值.

所建立的DE-BP模型经过测试满足准确性后，基于地质超前预报信息将隧道施工期间围岩分级指标代入计算，进行围岩分级.选取隧道5个典型断面围岩的DE-BP分级结果与勘查设计的围岩级别进行比较，结果如表7所示.从表7中可以看出，DE-BP模型计算的隧道围岩等级与勘查设计等级基本相同，证明该算法可以有效地用于隧道现场围岩动态级别判定.将隧道围岩动态分级指标作为DE-BP算法训练样本，可以节省后续围岩分级的繁杂计算工作，更加高效、快捷.

采用围岩分级软件对隧道进行三维地质体建模，通过VTK技术实现模型的三维可视化显示，将围岩分级结果与三维可视化模型相结合，用不同颜色表征隧道围岩级别，最终实现了隧道围岩分级结果的三维可视化.将施工期间和勘查设计期间隧道围岩级别在同一画面进行显示，方便查看和管理，如图9所示.

4 施工方案调整

从上述分析得知，隧道LK66+257～LK66+285区域，DE-BP模型的围岩级别为V级，勘查设计的围岩级别为IV级.根据现场勘查和围岩揭露信息，隧道围岩为中风化混合片麻岩，受断裂挤压作用，岩体节理裂隙极发育，岩体破碎松散，形成碎裂岩，局部泥化，顶板不稳定，无支护将发生重大坍塌，属于Ⅴ级围岩.研究表明，基于DE-BP模型计算的围岩等级比勘查设计确定的围岩等级更加精确，为了确保施工安全，需要进行设计变更和施工方案的调整.

将隧道LK66+257～LK66+285段围岩级别变更为V级，采用型钢钢架配合φ42 mm超前小导管预注浆超前支护，CRD法施工，初期支护在开挖完成后及时施工，紧跟开挖面，拱部系统锚杆采用φ22 mm中空注浆锚杆，边墙采用φ22 mm砂浆锚杆，施工中加强监控量测，及时反馈监测信息，保证施工安全.施工方法和支护参数调整如表8所示.

5 结 论

本文通过分析得出如下结论：

1) 根据地质超期预报信息，将回弹强度、岩体完整性、节理延展性、地下水、结构面走向和地应力状态作为隧道围岩分级指标，并进行定量化处理.

2) 将BP神经网络与差异进化算法相结合，建立基于DE-BP模型的隧道围岩分级方法，并与BP神经网络训练结果进行比较，分级精度明显提高.结合VTK技术、三维地质建模方法及数据库开发了隧道围岩分级软件，软件包含围岩等级预测和结果信息管理的功能，实现了隧道围岩分级结果的三维可视化，为施工及设计提供了有力的分析工具.

3) 对板石隧道围岩进行分级，DE-BP模型分级结果与勘查设计等级基本相同，证明该算法的合理性，且更加高效、快捷.基于DE-BP模型的隧道围岩级别进行设计变更和施工方案的调整，确保施工安全.

参考文献（References）：

[1] 张顶立，台启民，房倩.复杂隧道围岩安全性及其评价方法 [J].岩石力学与工程学报，2017，36(2)：270-296.

(ZHANG Ding-li，TAI Qi-min，FANG Qian.Safety of complex surrounding rock of tunnels and related eva-luation method [J].Chinese Journal of Rock Mecha-nics & Engineering，2017，36(2)：270-296.)

[2] 丛宇，郭徽，郑颖人，等.岩石地铁工程的围岩分级方法研究 [J].现代隧道技术，2016，53(3)：33-41.

(CONG Yu，GUO Hui，ZHENG Ying-ren，et al.On the rock classification method for metro engineering [J].Modern Tunnelling Technology，2016，53(3)：33-41.)

[3] 黄锋，王星星，魏源泉，等.基于监控量测的隧道围岩分级方法及其应用研究 [J].铁道建筑，2015(6)：50-53.

(HUANG Feng，WANG Xing-xing，WEI Yuan-quan，et al.Study on classification method of tunnel’s surrounding rock based on supervision measurement and its application [J].Railway Engineering，2015(6)：50-53.)

[4] 邓洪亮，周世生，高文学，等.基于监控量测的围岩分级修正方法研究 [J].施工技术，2016，45(5)：129-133.

(DENG Hong-liang，ZHOU Shi-sheng，GAO Wen-xue，et al.Study on classification correction method of the surrounding rock based on the monitoring mea-surement [J].Construction Technology，2016，45(5)：129-133.)

[5] 张长亮，蒋树屏，林志，等.基于现场监控量测的隧道围岩分级方法 [J].公路，2007(12)：204-208.

(ZHANG Chang-liang，JIANG Shu-ping，LIN Zhi，et al.Classification method of tunnel surrounding rock based on field supervision and measurement [J].Highway，2007(12)：204-208.)

[6] 张云冬，王浩，张国华.山岭隧道围岩分级超前预报新方法研究 [J].武汉理工大学学报(交通科学与工程版)，2016，40(1)：131-135.

(ZHANG Yun-dong，WANG Hao，ZHANG Guo-hua.New forecast method of surround rock classification of mountain tunnel [J].Journal of Wuhan University of Technology(Transportation Science & Engineering)，2016，40(1)：131-135.)

[7] 张新柳.基于超前预报信息的隧道围岩分级及工程应用研究 [J].西安建筑科技大学学报(自然科学版)，2016，48(5)：648-653.

(ZHANG Xin-liu.Study on the classification and application of the tunnels’ surrounding rock based on geological information forecast [J].Journal of Xi’an University of Architecture & Technology(Natural Science Edition)，2016，48(5)：648-653.)

[8] 韩永琦.用TSP预报数据划分铁路隧道围岩级别 [J].铁道工程学报，2017，34(2)：71-75.

(HAN Yong-qi.Research on the railway tunnel surrounding rock grade using TSP prediction data [J].Journal of Railway Engineering Society，2017，34(2)：71-75.)

[9] 蔡广奎.围岩稳定性分类的BP网络模型的研究 [D].南京：河海大学，2001.

(CAI Guang-kui.Study of the BP neural network on the stability classification of surrounding rocks [D].Nanjing：Hohai University，2001.)

[10] 林琳，冯喆.空管自动化系统软件可靠性的模糊综合评价 [J].沈阳工业大学学报，2014，36(6)：694-700.

(LIN Lin，FENG Zhe.Fuzzy integrated evaluation for software reliability of air traffic control automatic system [J].Journal of Shenyang University of Technology，2014，36(6)：694-700.)

[11] 张琦，朱合华，黄贤斌，等.基于Mamdani模糊推理的山岭隧道围岩RMR14分级 [J].岩土工程学报，2017，39(11)：2116-2124.

(ZHANG Qi，ZHU He-hua，HUANG Xian-bin，et al.A new rock mass rating method based on Mamdani fuzzy inference for rock tunnels [J].Chinese Journal of Geotechnical Engineering，2017，39(11)：2116-2124.)

[12] 张延年，柳成林，李玉兵，等.基于可拓学的混凝土双曲拱桥上部结构可靠性评价 [J].沈阳工业大学学报，2015，37(3)：335-341.

(ZHANG Yan-nian，LIU Cheng-lin，LI Yu-bing，et al.Reliability assessment for superstructure of concrete double-curved arch bridge based on extenics [J].Journal of Shenyang University of Technology，2015，37(3)：335-341.)

[13] 王佳信，周宗红，赵婷，等.基于Alpha稳定分布概率神经网络的围岩稳定性分类研究 [J].岩土力学，2016，37(增刊2)：649-657.

(WANG Jia-xin，ZHOU Zong-hong，ZHAO Ting，et al.Application of Alpha stable distribution probabilistic neural network to classification of surrounding rock stability assessment [J].Rock & Soil Mecha-nics，2016，37(Sup2)：649-657.)

[14] 李一冬，阮怀宁，朱珍德，等.基于改进BP神经网络的地下工程围岩分类 [J].人民黄河，2014(1)：130-133.

(LI Yi-dong，RUAN Huai-ning，ZHU Zhen-de，et al.Classification of underground engineering surrounding rock based on improved BP neural network [J].Yellow River，2014(1)：130-133.)

[15] 薛晓辉，张军，姚广.基于可拓学理论的黄土隧道围岩分级方法研究 [J].地下空间与工程学报，2017，13(3)：651-657.

(XUE Xiao-hui，ZHANG Jun，YAO Guang.Study on loess tunnel surrounding rock classification msethod based on extension theory [J].Chinese Journal of Underground Space & Engineering，2017，13(3)：651-657.)

Dynamic classification of tunnel surrounding rock based on DE-BP model

ZHANG Feng-rui1, JIANG An-nan1, ZHAO Liang2, CHEN Wei2, GUO Kuo2

(1. Highway and Bridge Institute, Dalian Maritime University, Dalian 116026, China; 2. Jilin Provincial Communication Planning & Design Institute, Changchun 130021, China)

Abstract： Aiming at the problems of surrounding rock classification during tunnel construction period, in terms of the classification indexes of surrounding rock obtained by the geological advanced prediction, a classification method for tunnel surrounding rock based on DE-BP model was proposed. Combined with VTK technology, 3D geological modeling method and database technology, a classification software for tunnel surrounding rock was compiled. The proposed method was used for the surrounding rock classification of Banshi tunnel, and the visual display of surrounding rock grade and the adjustment of construction plan were carried out. The results show that the mean square error of DE-BP model is obviously smaller than that of BP neural network, and the classification accuracy gets significantly improved. The classification results of surrounding rock obtained with the DE-BP model is basically same as that obtained by exploration design, demonstrating the rationality of proposed model. The proposed method is more suitable for the dynamic classification of tunnel surrounding rock.

Key words： tunnel; surrounding rock classification; geological advanced prediction; rebound strength; DE-BP neural network model; visualization; engineering application; plan adjustment

中图分类号： TU 45

文献标志码：A

文章编号：1000-1646(2021)01-0105-08

收稿日期： 2018-01-11.

基金项目： 国家自然科学基金项目(51678101)；中央高校基本科研业务费专项基金项目(3132014326 ).

作者简介： 张峰瑞(1990-)，男，江苏连云港人，博士生，主要从事地下工程蠕变等方面的研究.

* 本文已于2019-10-21 16∶58在中国知网优先数字出版. 网络出版地址： http：∥kns.cnki.net/kcms/detail/21.1189.T.20201221.1118.020.html

doi：10.7688/j.issn.1000-1646.2021.01.18

(责任编辑：钟 媛 英文审校：尹淑英)