隧道围岩分级特征智能识别及可视化研究 |
| |
引用本文: | 陈卫东,李天斌,黄音昊,杨罡,王皓,肖华波.隧道围岩分级特征智能识别及可视化研究[J].铁道科学与工程学报,2024(1):406-421. |
| |
作者姓名: | 陈卫东 李天斌 黄音昊 杨罡 王皓 肖华波 |
| |
作者单位: | 1. 中国电建集团成都勘测设计研究院有限公司;2. 地质灾害防治与地质环境保护国家重点实验室;3. 成都理工大学环境与土木工程学院 |
| |
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7 000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20 000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...
|
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 |
|
|