文档名：隧道围岩分级特征智能识别及可视化研究
摘要：准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大.结合多个四川高速公路隧道项目,共采集7000余张隧道掌子面图像,并利用数据增广方法将数据集扩充至20000余张.按节理裂隙特征、风化卸荷情况、地下水发育情况3种像特征对数据集进行分类标注,并按8:2的比例划分为训练集与验证集.结合深度学习方法,实现掌子面围岩分级特征参数提取识别.搭建了VGG系列、ResNet系列、DenseNet系列、GoogleNet、InceptionV3等卷积神经网络分类模型,并引入准确率、查准率、召回率及F1值等多种评价指标对比分析多种卷积神经网络分类模型的围岩特征(掌子面图像的节理裂隙特征、风化卸荷特征以及地下水发育特征)识别效果.研究结果显示基于DenseNet模型分类识别效果最好,分类准确率分别为:围岩节理裂隙特征87.5%,风化程度特征90%,地下水发育程度特征91.5%,且各特征的F1值均在0.789以上,最高为0.944,平均值为0.852.此外,对DenseNet系列分类模型进行可靠性验证,基于CAM以及Grad-CAM对模型进行分类决策可视化研究分析,分类决策热力图结果显示分类结果与标签特征的强度、位置及范围强相关,为掌子面围岩智能分级提供一定的可解释性,同时也证明了分类模型的预测效果理想.研究成果为利用深度学习进行围岩特征提取提供了新思路.
Abstract：Itisofgreatsignificanceforengineeringdesign,construction,andoperationtoobtainthesurroundingrockgradeoftunnelaccuratelyandquickly.CombinedwithseveralSichuanexpresswaytunnelprojects,morethan7,000tunnelfaceimageswerecollected,andthedatasetwasexpandedtomorethan20000bythedataaugmentationmethod.Accordingtothecharacteristicsofjointsandfissures,weatheringandunloading,andgroundwaterdevelopment,thedatasetwasclassifiedandlabeled,anddividedintoatrainingsetandverificationsetaccordingtotheratioof8:2.Combinedwiththedeeplearningmethod,thefeatureparametersofsurroundingrockclassificationintheworkingfacewereextractedandidentified.Theclassificationmodelsofconvolutionalneuralnetworks,suchasVGGseries,ResNetseries,DenseNetseries,GoogleNet,andInceptionV3,wereestablished.Theidentificationeffectsofsurroundingrockcharacteristics(jointandfissurecharacteristics,weatheringandunloadingcharacteristics,andgroundwaterdevelopmentcharacteristics)ofvariousconvolutionalneuralnetworkclassificationmodelswerecomparedandanalyzedbyintroducingvariousevaluationindexessuchasaccuracy,precision,recall,andF1value.Theresearchresultsaredrawnasfollows.TheclassificationbasedontheDenseNetmodelhasthebestrecognitioneffect.Theclassificationaccuracyis87.5%forthecharacteristicsofsurroundingrockjointsandfissures,90%forthecharacteristicsofweatheringdegree,and91.5%forthecharacteristicsofgroundwaterdevelopmentdegree.TheF1valuesofallthecharacteristicsareabove0.789,withthehighestvalueof0.944andtheaveragevalueof0.852.Inaddition,thispaperverifiesthereliabilityofDenseNetseriesclassificationmodels.BasedonCAMandGrad-CAM,theclassificationdecisionvisualizationofthemodelisstudiedandanalyzed.Theresultsoftheclassificationdecisionthermogramshowthattheclassificationresultsarestronglyrelatedtotheintensity,location,andrangeofthetagfeatures,whichprovidessomeexplanationsfortheintelligentclassificationofsurroundingrockintheheadingface,andalsoprovesthatthepredictioneffectoftheclassificationmodelisideal.Theresearchresultsprovideanewideaforthefeatureextractionofsurroundingrockbydeeplearning.
作者：陈卫东 李天斌 黄音昊 杨罡 王皓 肖华波 Author：CHENWeidong LITianbin HUANGYinhao YANGGang WANGHao XIAOHuabo
作者单位：中国电建集团成都勘测设计研究院有限公司,四川成都610072地质灾害防治与地质环境保护国家重点实验室,四川成都610059;成都理工大学环境与土木工程学院,四川成都610059中国电建集团成都勘测设计研究院有限公司,四川成都610072;地质灾害防治与地质环境保护国家重点实验室,四川成都610059;成都理工大学环境与土木工程学院,四川成都610059
刊名：铁道科学与工程学报
Journal：JournalofRailwayScienceandEngineering
年，卷(期)：2024, 21(1)
分类号：O319.56
关键词：围岩特征 卷积神经网络 模型可视化 深度学习 隧道掌子面
Keywords：characteristicsofsurroundingrock convolutionneuralnetwork modelvisualization deeplearning tunnelface
机标分类号：U451.2TP391.4TN957.52
在线出版日期：2024年2月26日
基金项目：国家自然科学基金，国家自然科学基金，四川省科技计划重点研发项目，四川省科技计划项目隧道围岩分级特征智能识别及可视化研究[
期刊论文] 铁道科学与工程学报--2024, 21(1)陈卫东 李天斌 黄音昊 杨罡 王皓 肖华波准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大.结合多个四川高速公路隧道项目,共采集7000余张隧道掌子面图像,并利用数据增广方法将数据集扩充至20000余张.按节理裂隙特征、风化卸荷情况、地下水发育情况3种...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
隧道围岩分级特征智能识别及可视化研究 Intelligent identification of classification features of tunnel surrounding rock and visualization
隧道围岩分级特征智能识别及可视化研究.pdf
- 文件大小:
- 1.74 MB
- 下载次数:
- 60
-
高速下载
|
