基于TBM岩渣图像的围岩分级预测

作者：董子开; 李旭^*; 田国帅; 庞元恩; 王琳

来源：应用基础与工程科学学报, 2023, 31(06): 1540-1551.

DOI：10.16058/j.issn.1005-0930.2023.06.012

• TBM碴片
• 岩渣识别
• 卷积神经网络
• 轻量化网络
• 图像处理
• 围岩分类
• 模型比选

岩渣作为TBM掘进破岩的直接产物，蕴含有丰富的岩体信息.为充分挖掘TBM岩渣信息以提升围岩分级预测效果，以高黎贡山隧道TBM主洞岩渣图像为例，首先对原始图像进行数据处理，然后采用卷积神经网络下的ResNet、VGG、SqueezeNet模型对围岩分级进行预测，结果表明：采用卷积神经网络对TBM岩渣图像进行识别是一种可行的围岩分级预测方法，ResNet 18和SqueezeNet v1.0模型具有较高的预测准确率，ACC可达到0.986,且单张图像预测耗时约为70ms,有望在TBM实际掘进过程中进行围岩分类的实时预测.基于TBM岩渣图像的围岩分级预测，可以实现对护盾前方掌子面岩体质量感知，同时辅助地质工程师提升工作效率，为围岩分级自动化判定提供参考.

• 单位
  北京交通大学; 建筑工程学院