基于機器學習的隧道地質勘察巖性識別分析及應用研究

程 勇, 王 琛, 劉夏臨, 3, 劉繼國, 3, 陳世紀, 黃 勝

(1. 中交第二公路勘察設計研究院有限公司, 湖北 武漢 430056; 2. 中國交建總承包經營分公司, 北京 100088; 3. 中國交建隧道與地下空間工程技術研發中心, 湖北 武漢 430056; 4. 中山大學土木工程學院, 廣東 珠海 519082)

0 引言

隨著我國西部大開發發展戰略的不斷推進,西部各類基礎設施也在不斷改進[1]。然而,西部地區地質情況復雜,工程建設和安全面臨著較大的挑戰[2-3],例如: 在隧道建設中,新疆某些地區的地應力高、溫度低、地震烈度高、海拔高和斷裂帶多等特征給施工帶來了極大的困難[4]。因此,隧道建設前期的勘察工作尤為關鍵。目前,常用的勘察手段主要是垂直孔勘察。然而這一方法有一定的局限性,水平定向鉆探作為新的勘察手段可在一定程度上彌補垂直孔勘察的不足[5-6],同時,水平定向鉆探施工工作量少,且可以更加真實地反映隧道內的地質情況[7]。

隨鉆測量 (measurement while drilling,MWD)是水平定向鉆鉆進中應用鉆孔過程監測技術獲取鉆機工作參數(如推進壓力、轉速、轉矩、鉆進速率等)的測量技術,在多參數自動獲取方面具有巨大優勢。自20世紀六七十年代以來,研究人員就開始了鉆進參數與巖石可鉆性指標之間的相關性研究[8-9],目前已有大量研究成果。對于長距離水平定向鉆,主要依靠取芯或巖屑試驗來判別圍巖巖性,但這2種方法效率低、成本高。

機器學習方法是目前人工智能學習研究的熱點課題,它的目標在于使機器在大量數據中學習規律,以便對新任務具有分析和解決的能力。很多研究致力于使用各種鉆進參數來預測圍巖相關信息。李哲等[10]使用水平鉆孔進行隧道的超前地質預報,通過轉矩、轉速、推進壓力、鉆進速度4個物理量提出鉆進功速比概念,并證明了鉆進功速比與隧道圍巖巖性、結構面有很好的響應特征。Schunnesson[11]通過監測采集到了沖擊鉆進過程中的鉆速、轉速、推進力和轉矩,有效預報了巖體的圍巖類別及其結構特征。Mostofi等[12]通過現場測試得到的鉆頭轉矩、轉速、進尺速率、鉆頭質量對地層單軸抗壓強度、彈性模量、剪切模量進行預測,并采用K-Means聚類算法對地層進行劃分。王琦等[13]使用自主研發的巖石鉆探系統開展了不同強度完整巖石的數字鉆探試驗,通過鉆探試驗結果建立了鉆進參數與巖石單軸抗壓強度的定量關系模型,該模型與單軸壓縮試驗結果的差異率平均值小于10%,證明了該模型的科學性。房昱緯等[14]使用神經網絡對楚大公路九頂山隧道超前鉆探測試數據進行識別,涉及到的特征值為水平定向鉆參數(鉆速、轉矩、推進力和轉速),結果證明了采用神經網絡模型進行地層識別的科學性和有效性。陳湘生等[15]指出,機器學習具有分析數據能力強、無需依靠先驗的理論公式和專家知識等優勢,可以通過收集盾構工程的相關參數來對圍巖信息進行反演。然而,盾構施工相關數據是在工程施工階段收集的,反演的圍巖信息不能用于設計階段,存在數據應用滯后的問題。王玉杰等[16]基于數字鉆進技術建立了鉆進參數與巖塊單軸抗壓強度之間的定量關系,可以準確且快速地測量巖塊單軸抗壓強度。由于圍巖的巖性與其硬度等相關,因此鉆進參數與硬度也存在一定的關系,所以本文采用水平定向鉆鉆進相關參數預測圍巖巖性。

針對目前基于水平定向鉆鉆進參數進行巖性識別研究的不足,本文依托新疆某隧道工程勘察項目,選取232組鉆探數據并進行預處理,基于KNN(k-nearest neighbor)[17-18]和隨機森林算法(random forests,RF)[19]2種監督學習算法,構建適用于水平定向鉆鉆進數據的機器學習模型,最終形成隧道圍巖判別評價方法,以期為隧道地質勘察與圍巖分類評價提供一種新的思路。

1 工程概況

1.1 工程信息

某公路隧道是烏尉高速公路的重要一環,是連接烏魯木齊和尉犁的縱向大通道,也是新疆南北貿易往來的通道。隧道全長22.69 km,最大埋深為1 112.66 m。隧道施工面臨高地應力、高寒、高地震烈度、高海拔和多斷裂帶等問題,施工過程中發生巖爆的可能性極高,且巖爆最大的破壞力可達到中級地震的程度。因此,對隧道沿線工程地質進行準確、詳細的勘察非常必要。隧道區位圖如圖1所示。

圖1 隧道區位圖

1.2 沿隧道軸線的巖性分布

隧道進口處至1 593 m鉆孔內巖屑均為凝灰質砂巖,灰綠色,礦物成分以石英、長石、云母為主,巖性無較大的變化;1 594～1 750 m鉆孔內巖屑為凝灰質砂巖與花崗閃長巖混合;1 751～2 024 m鉆孔內巖屑中開始出現碳質板巖顆粒,返漿池漿液顏色由土黃色變為黑色;2 025～2 063 m鉆孔內巖屑中石英與片狀巖屑含量增多;2 064～2 271 m鉆孔內巖屑中石英與長石含量逐漸增多。簡化后的勘察成果圖如圖2所示,隧道巖性分布如表1所示。

表1 隧道巖性分布

(a) 俯視圖

2 鉆進參數的選取與校正

2.1 鉆進參數的選取

水平定向鉆進技術用于隧道地質勘察時,隨鉆測量系統一般可以測量鉆頭深度、鉆進速度、鉆進壓力、泥漿流量和泥漿壓力等參數。鉆進時鉆桿推力和轉矩提供鉆頭破巖動力,同時帶壓循環泥漿為鉆頭旋轉提供動力。根據工作原理分析可知,鉆進壓力、鉆進速度、泥漿壓力和進漿流量均與鉆頭破碎圍巖的過程相關。這些鉆進參數可以反映圍巖的相關硬度、節理裂隙等信息。

將水平定向鉆用于地質勘察時,因為在鉆頭處安裝傳感器可能會影響到鉆進的效率,所以水平定向鉆施工中收集到的參數多數為地面處測量的數據。由于鉆孔設計軌跡是彎曲的,且鉆桿與孔壁、鉆桿與鉆井液存在摩擦,鉆孔底部處的壓強與地面的實測鉆壓會有一定的差異。因此,在采用機器學習識別圍巖巖性之前需要計算出鉆孔底部處的壓強,使用鉆孔底部的壓強可以更準確地反映鉆孔底部的實際情況。綜上分析,選用鉆孔底部壓強、鉆進速度、泥漿壓力和進漿流量作為機器學習的特征值。

2.2 鉆孔底部壓強矯正

水平定向鉆機為GD3500-L型鉆機,鉆機的具體設計參數如表2所示。

表2 GD3500-L型水平定向鉆機參數

當起下鉆時,除旋轉管柱的質量外,阻力是一種負載。在鉆進過程中,旋轉管柱會損失轉矩,因此鉆頭用于破壞巖石的功率大大低于旋轉平臺的功率。阻力和轉矩損失的原因有很多,包括壓差卡鉆、井眼不穩定、井眼清潔不良以及與鉆柱側力相關的摩擦相互作用。目前已有Johancsik等[20]、Sheppard等[21]、Faghih[22]提出了3種摩擦力計算模型進行鉆孔底部壓強的校準。

該工程水平定向鉆進總距離為2 270.8 m,距離較長,且從水平定向鉆勘察的縱斷面圖(圖2(b))可知,縱斷面中鉆進軌跡較為筆直,因此假定鉆進過程中軌跡傾角θ恒定;在俯視圖(圖2(a))中,鉆進軌跡近似于圓弧,故將偏轉的方位角β變化量視為恒定值。從水平定向鉆勘察俯視圖(圖2(a))中可知,鉆進高程隨著鉆進距離的增加緩慢變大,所以將鉆井液從泥漿池運送到鉆孔底部的沿程損失較大,且鉆井液沖打在鉆孔底部上也會損失一部分能量;此外,鉆桿的橫截面積較小,所以最終由環空壓力產生的作用在鉆桿橫截面上的力較小。因此,本次分析中忽略鉆孔底部環空壓力對鉆桿橫截面上的作用力。綜上所述,選用Sheppard模型[21]對鉆孔底部的壓強進行校正,壓強隨著鉆進深度的變化率為

(1)

(2)

式(1)—(2)中:σs為測量鉆進壓強,Pa;s為鉆進深度,m;Wb為單位長度鉆桿壓強,Pa/m;θ為縱斷面鉆進軌跡傾角,(°);k為基于鉆機推力的摩擦因數;?θ/?s為縱斷面鉆進軌跡傾角變化率,(°)/m,此處為0;β為俯視圖中鉆進軌跡偏角,(°);σ為鉆孔底部的壓強,Pa。

鉆桿自重

ω=Aρg。

(3)

縱斷面鉆進軌跡傾角

(4)

式(3)—(4)中:A為鉆桿的橫截面積,m2;ρ為鉆桿密度,kg/m3;g為重力加速度,m/s2;H為進尺高度,m,最終為37.92 m;D為進尺距離,m,最終為2 271 m。

Sheppard等[21]提出的模型中,平面內的摩擦力被簡化。對于簡化條件下的阻力計算,使用的摩擦因數為0.2～0.4,平均值為0.3,故本次計算取摩擦因數為0.3。進尺在0～1 000 m時采用的鉆桿直徑D1為0.14 m,橫截面積對應表3中的A1;進尺在1 001～2 270 m時采用的鉆桿直徑D2為0.168 m,橫截面積對應表3中的A2。鉆桿壁厚均為0.009 m,長度l為9.6 m。

表3 鉆桿參數

校正后的鉆孔底部壓強和鉆進速度隨鉆進深度的變化曲線如圖3所示,泥漿壓力和進漿流量隨鉆進深度的變化曲線如圖4所示。機器學習校正后的輸入樣本如表4所示。

表4 機器學習校正后的輸入樣本

圖3 鉆孔底部壓強和鉆進速度隨鉆進深度的變化曲線

圖4 泥漿壓力和進漿流量隨鉆進深度的變化曲線

3 分析方法與數據處理

3.1 分析流程

機器學習大致可分為監督學習(supervised learning)、非監督學習(unsupervised learning)和半監督學習(semi-supervised learning)3類,它們最主要的區別是訓練數據中是否帶有標簽。對于鉆孔圍巖分類問題,一般是已知圍巖巖性而進行的訓練與測試,故屬于監督學習問題。對于分類問題,每個樣本都具有特征值和目標值等屬性值,本文中鉆進速度、鉆孔底部壓強、泥漿壓力和進漿流量為特征值,地層巖性為目標值。

常見的分類算法有ANN(artificial neural network)、樸素貝葉斯、KNN、決策樹、支持向量機和隨機森林[23]。本文采用常規算法和集成算法進行案例分析。KNN算法模型較為簡單,對數據的分布無要求,適用于數據量較小、數據分布均衡的場景中;隨機森林算法是一種集成分類算法,不需對數據進行過多處理,它由多個組合分類的決策樹模型構成,每一棵決策樹都有投票權來選擇最優的分類結果。目前已有研究表明,在對121個UCI(University of California, Irvine)數據集分類時,隨機森林算法在179種分類算法中分類性能最優秀[24]。因此,本研究采用KNN算法和隨機森林算法進行巖性識別。機器學習分析流程如圖5所示。

圖5 機器學習分析流程圖

3.2 數據預處理

由圖5中步驟1獲取特征參數和目標參數,由表1可看出不同圍巖巖性樣本數量差別很大。在分類問題中,各類別有均衡的樣本數量是很重要的。如果各類別樣本數量差別很大,在模型訓練時的預測結果可能會偏向樣本數量大的樣本,導致模型分析不準確。因此,有必要采用重采樣的方法來避免模型出現偏差。本研究中,使用Smote算法[25]對花崗閃長巖、碳質板巖、石英片巖和片麻狀花崗巖4類數據進行過采樣處理,處理后各類別均有162個樣本,5個類別共810個樣本。過采樣后樣本與原樣本相比未出現大偏差,基本達到了平衡樣本的需求。

在進行算法分析之前,通常需要對不同量綱和數量級的特征值數據進行歸一化處理,按照最大值和最小值將樣本值映射到 [0,1] 區間,避免樣本中的極端值對分析結果產生影響。歸一化的公式為

(5)

式中:x為歸一化處理前的數值;xmin、xmax分別為樣本中的最小值和最大值;x1為歸一化后的數值。

本研究分析的圍巖有5種巖性,是一個五分類問題。為了方便分析和評估模型,將問題轉化為5個二分類問題,因此需要對目標值進行處理,處理流程如圖6所示。以凝灰質砂巖為例,預測凝灰質砂巖時為正例,其他巖性圍巖時為反例,其混淆矩陣見圖7。

圖6 分類問題轉化流程圖

圖7 二分類混淆矩陣(以凝灰質砂巖為例)

3.3 數據集的劃分

分類模型會出現欠擬合和過擬合2類問題。若機器學習模型沒有從訓練數據中得到充分的學習,模型的學習效率不高,就會出現欠擬合問題;若模型從訓練數據中學習過度,導致訓練時錯誤率低,而測試集的準確率比訓練集低得多,就會出現過擬合問題。不同的方法估計分類模型有不同的誤差,出現這些問題與訓練集和測試集模型的樣本選擇有關。

本研究810個樣本中,70%用于訓練,30%用于測試模型。在KNN和隨機森林2種算法中,設置取值相同的超參數對模型進行對比評估。KNN算法的超參數是K值,隨機森林算法的超參數為樹的數量N,超參數的取值為區間[3,50]中的整數。在這48個模型中,選取測試集準確率最高的模型進行分析和評估。

4 模型訓練與評估

4.1 模型的訓練和測試

按照3.3節中訓練集和測試集的比例,設置不同的超參數進行訓練,訓練后用于驗證測試集,記錄測試集準確率最高時對應的超參數,結果如表5所示。

表5 最佳模型超參數表

圖8和圖9示出不同超參數下KNN算法和隨機森林算法的準確率。當K取值為3時,KNN算法的測試集準確率最高,為90.53%。48個模型訓練集和測試集準確率平均值分別為83.78%和83.28%,但不同的模型準確率差別較大,隨著K值增大,測試集和訓練集的準確率均在降低,這是由KNN算法的原理決定的——距離K個學習樣本的歐氏距離決定該樣本的屬性,在有限的樣本中當K值越來越大時,會出現其他樣本的數值,從而導致準確率逐漸降低。所以在實際使用KNN模型時,K值不應該取得很大。

圖8 不同超參數下KNN算法的準確率

圖9 不同超參數下隨機森林算法的準確率

在48個不同超參數取值中,隨機森林算法的訓練集和測試集平均準確率分別為99.59%和93.04%。當N為32時,測試集準確率最高,為93.83%。從圖8和圖9中可知,相較于KNN算法,隨機森林算法的準確率較為穩定。

對于每個算法的48個模型,比較訓練集和測試集是為了檢查模型是否過擬合或欠擬合。KNN算法測試集與訓練集的結果相差不大,而隨機森林算法測試集與訓練集的結果平均相差7.00%左右,2個算法模型都沒有出現欠擬合和過擬合的情況。

4.2 模型評估

除了準確率(Ac)之外,還引入了精確率(Pr)、召回率(Re)和F1值對模型進一步評估。4個評價指標中,準確率用于衡量模型正確預測樣本的能力;精確率和召回率分別用于衡量模型所有預測為正的樣本中實際為正樣本的概率和實際為正的樣本中被預測為正樣本的概率;F1值是一個綜合性的指標,同時考慮了精度和召回率。精確率、召回率和F1值越接近1,模型的性能就越好。4個評價指標的計算見式(6)—(9),其中,TP、FP、FN和TN的含義見圖7。

(6)

(7)

(8)

(9)

選取表5最佳超參數對應的2個模型進行評估。圖10和圖11分別示出KNN算法最佳模型和隨機森林算法最佳模型的4個評價指標。圖中1、2、3、4、5分別代表凝灰質砂巖、花崗閃長巖、碳質板巖、石英片巖和片麻狀花崗巖。從算法的角度分析可知,隨機森林算法的4個評價指標均高于KNN算法。對凝灰質砂巖(1)和花崗閃長巖(2)的識別中,隨機森林算法4個評價指標數值為95.00%左右,而KNN算法的4個評價指標數值為90.00%～95.00%;對碳質板巖(3)、石英片巖(4)和片麻狀花崗巖(5)的識別中,2種算法的4個評價指標均值相差不大,但是隨機森林算法的偏差更小、更穩定。從不同圍巖巖性的角度出發,石英片巖(4)的4個評價指標值都很大,機器學習的效果最好。總體上看,2種算法的評價指標都比較理想,但隨機森林算法要優于KNN算法。

圖10 KNN算法最佳模型評價指標數值

圖11 隨機森林算法最佳模型評價指標數值

評價模型的另一個重要指標是受試者工作特征(receiver operating characteristic,ROC)曲線。ROC曲線是一種分類模型效果評價方法,通過其曲線下面積(area under curve, AUC)、敏感度、特異性和最佳分界點等關鍵參數,可確定巖性識別模型的閾值。ROC曲線主要根據圖7中的混淆矩陣繪制。在ROC曲線中,曲線下面積(AUC)越大、越接近于1,模型的性能越好;越接近于0.5,模型的性能越差。

KNN算法和隨機森林算法的ROC曲線以及AUC值分別如圖12和圖13所示。真陽率表示正確的預測為正的數量與原本為正的數量之比;假陽率表示錯誤的預測為正的數量與原本為負的數量之比。無論是從算法角度還是從不同巖性的角度,KNN算法和隨機森林算法AUC值都趨近于1,表明模型分類性能良好,模型的魯棒性較強、泛化能力較好。同時,隨機森林算法在不同超參數下測試集的準確率較高且較穩定。

圖12 KNN算法ROC曲線及AUC值

圖13 隨機森林算法ROC曲線及AUC值

由于隨機森林算法的準確率、精確率、召回率和F1值總體比KNN算法更高、更穩定。因此,在本案例選取的常規算法和集成算法中,隨機森林算法的效果較好。

4.3 過采樣算法評估

進行巖性識別之前,使用Smote算法對不平衡的樣本數據進行擴充,每一個類別數據量都增添到162組,得到了一個平衡的數據集。

按照3.3節中訓練集和測試集的比例,設置不同的超參數對未采用Smote的數據集進行訓練。未使用Smote算法進行數據過采樣的圍巖巖性識別準確率如圖14所示。在48個不同超參數模型中,KNN算法的訓練集和測試集的平均準確率分別為79.67%和77.74%,與經過Smote過采樣后的模型準確率相差不大。當K取4時,測試集準確率最高,為81.43%。

圖14 未使用Smote算法進行數據過采樣的圍巖巖性識別準確率

48個模型中,隨機森林算法訓練集準確率很高,接近于100.00%,而測試集準確率接近80.00%。訓練集和測試集準確率相差很大,訓練的隨機森林模型存在過擬合現象。48個模型中,采用Smote過采樣后隨機森林測試集的平均準確率為93.04%,比未過采樣的模型準確率高,且沒有出現過擬合現象。當N取4時,測試集準確率最高,為80.00%。

未使用Smote算法的最佳測試模型的預測結果如表6所示。雖然2種算法總體的測試結果較高,但由于樣本數量非常不均衡,樣本數量少的巖性類別得不到充分的訓練和驗證。

表6 未使用Smote算法的最佳測試模型的預測結果

在232個樣本中,凝灰質砂巖數量162個,其余類別圍巖樣本數量過少。訓練集和測試集也存在著樣本不平衡的問題,樣本數量少的類別得不到很好的機器學習訓練。在70個測試樣本中,5個圍巖類別的數量分別為51、4、9、1、5,后4個圍巖類別的巖性識別準確率變化幅度大,個別案例難以代表整體,模型結果說服力不強。所以,在樣本不平衡的情況下采用Smote算法進行過采樣是必要的,進行過采樣后的模型數據量大且均勻、魯棒性好、泛化能力強,沒有出現過擬合或者欠擬合等問題。

5 結論與討論

5.1 結論

1)分別對KNN算法和隨機森林算法的48個不同超參數模型進行比較,2種算法測試集平均準確率分別為83.28%和93.04%,隨機森林算法比KNN算法準確率高且更穩定。

2)將巖性識別的五分類問題轉化為5個二分類問題進行分析,采用每一類別巖性的準確率、精確率、召回率、F1值、ROC曲線和AUC值對模型進行評估。隨機森林算法的4個評價指標總體上優于KNN算法。總體的評價結果表明,隨機森林算法的圍巖巖性識別效果更好。

3)原始數據量少且各類別的數據差異大,機器學習算法模型的結果不符合大數據分析要求,說服力不強;而采用Smote算法處理后的數據集很平衡,訓練模型的魯棒性好、泛化能力強,沒有出現過擬合或者欠擬合等問題,在樣本不平衡時建議使用此方法對數據進行處理。

5.2 討論

1)本文使用理論分析方法對鉆孔底部壓強進行求解,但理論分析和實際有偏差。目前已有鉆進技術可以直接測量鉆孔底部壓強,但是在本案例中未使用此技術,在今后的研究中應考慮采用此技術進行測量,以更真實地反映鉆孔底部壓強。

2)本文研究中案例樣本數量有限,且涉及的圍巖巖性類別僅有5種,由于自然界的圍巖類別較多,故本方法尚不能應用于實際勘察中。今后的研究應該注重對于不同類別巖性的數據收集,形成一個龐大的數據庫,為機器學習提供強有力的支撐。

3)本文研究只選取了有代表性的常規分類算法和集成分類算法對巖性識別進行初步的探討和分析,在數據庫豐富的基礎上仍需要對各種算法進行細致調參、相互比較和篩選。此外,機器學習算法注重教學模型分析而淡化工程中出現的物理問題,如何解釋機器學習方法的可行性和說服力是目前需要解決的問題。