【摘要】：現(xiàn)階段,我國(guó)已經(jīng)成為世界上修建隧道和地下工程最多的國(guó)家,十三五以來,隨著我國(guó)交通強(qiáng)國(guó)戰(zhàn)略目標(biāo)的提出,地下工程建設(shè)要求向高質(zhì)量、精準(zhǔn)化、智能化建設(shè)方向發(fā)展。由于鉆孔爆破法施工簡(jiǎn)便、靈活、造價(jià)低和適用性強(qiáng),鐵路、公路及地鐵等巖質(zhì)隧道主要以鉆孔爆破法開挖為主,并且以光面爆破技術(shù)應(yīng)用最為廣泛。由于地質(zhì)條件復(fù)雜,巖體中常常賦存大量的層理及節(jié)理裂隙,應(yīng)用光面爆破技術(shù)開挖隧道時(shí),相應(yīng)巖性特征下炮孔數(shù)量、間距及分布和裝藥量等參數(shù)尚缺乏系統(tǒng)性理論支撐,致使隧道開挖后常會(huì)出現(xiàn)嚴(yán)重的超欠挖,甚至?xí)斐伤淼浪降仁鹿�。�?dāng)前,圖像分析、深度學(xué)習(xí)等人工智能方法在隧道襯砌病害檢測(cè)和隧道內(nèi)車輛識(shí)別等方面己經(jīng)獲得廣泛應(yīng)用。然而,相關(guān)技術(shù)在隧道智能爆破領(lǐng)域的應(yīng)用比較缺乏。由于隧道炮孔參數(shù)直接影響爆后開挖效果,炮孔數(shù)量和間距等參數(shù)的智能優(yōu)化可為實(shí)現(xiàn)隧道精細(xì)化爆破提供有力的技術(shù)支持。本文針對(duì)隧道炮孔參數(shù)的準(zhǔn)確、快速獲取及水平層狀巖體隧道光面爆破參數(shù)優(yōu)化開展研究,通過現(xiàn)場(chǎng)炮孔圖像采集及分類、深度學(xué)習(xí)方法的改進(jìn)、理論分析和現(xiàn)場(chǎng)試驗(yàn)及監(jiān)測(cè)等方法,實(shí)現(xiàn)了隧道炮孔的自動(dòng)化識(shí)別與位置定位,基于此進(jìn)一步獲得了炮孔數(shù)量及間距參數(shù),最終實(shí)現(xiàn)了光面爆破參數(shù)的智能優(yōu)化,并進(jìn)行了工程應(yīng)用。本文的主要工作及研究成果包括:(1)依托蟠龍山隧道和海螺峪隧道工程構(gòu)建了隧道炮孔目標(biāo)檢測(cè)數(shù)據(jù)集,包括:單個(gè)炮孔圖像數(shù)據(jù)集、多個(gè)炮孔圖像數(shù)據(jù)集和多個(gè)炮孔困難圖像數(shù)據(jù)集,共計(jì)28288幅炮孔圖像。該數(shù)據(jù)集考慮圍巖類型、光照強(qiáng)度、拍攝距離、拍攝角度的變化以及陰影、遮擋物等差異因素;提出反映炮孔種類和圍巖破碎情況的三類標(biāo)簽:圓形炮孔(circular blasthole,bhc)、橢圓形炮孔(elliptical blasthole,bhe)和不規(guī)則形炮孔(irregular blasthole,bhi);統(tǒng)計(jì)炮孔孔徑尺寸分布范圍以及小尺度炮孔數(shù)量占比。(2)提出了基于輕量級(jí)網(wǎng)絡(luò)SqueezeNet實(shí)現(xiàn)單個(gè)炮孔目標(biāo)檢測(cè)的改進(jìn)Faster R-CNN(Region-based Convolutional Neural Network)方法。該深度學(xué)習(xí)方法集成多尺度輸入、自上而下多層特征融合和基于距離約束的NMS(Non-maximum Suppression)炮孔過濾算法等策略,對(duì)不同尺度的炮孔均可實(shí)現(xiàn)有效識(shí)別,對(duì)假炮孔和偽炮孔可實(shí)現(xiàn)有效剔除;同時(shí)基于控制變量法進(jìn)行了該改進(jìn)Faster R-CNN模型超參數(shù)的選取,確定了適用于炮孔目標(biāo)檢測(cè)的訓(xùn)練迭代次數(shù)、錨框個(gè)數(shù)、NMS篩選框個(gè)數(shù)、學(xué)習(xí)率策略、分類置信度最小閾值和重合度閾值;最終實(shí)現(xiàn)了單個(gè)炮孔快速、高精確率和高召回率的識(shí)別。(3)提出了基于更深層網(wǎng)絡(luò)ResNet-51分別實(shí)現(xiàn)多個(gè)炮孔和多個(gè)困難炮孔目標(biāo)檢測(cè)的改進(jìn)Faster R-CNN方法。該類深度學(xué)習(xí)方法首先集成兩階段訓(xùn)練、自上而下多層特征融合、在線困難樣本挖掘和基于距離約束的NMS多個(gè)炮孔過濾算法等策略,實(shí)現(xiàn)了對(duì)弱小、數(shù)量多且間隔分布的多個(gè)炮孔高召回率和較高精確率的識(shí)別;其次集成三階段訓(xùn)練、top-down特征級(jí)聯(lián)、focal loss損失函數(shù)和基于距離約束的NMS多個(gè)炮孔過濾算法,實(shí)現(xiàn)了對(duì)光線陰暗、含陰影遮擋的弱小、分辨率差的多個(gè)困難炮孔高召回率和較高精確率的識(shí)別。(4)從爆破動(dòng)力作用和開挖后靜力狀態(tài)下兩方面闡釋了水平層狀巖體隧道圍巖損傷及失穩(wěn)機(jī)理,從周邊孔爆破損傷范圍、周邊孔炮孔連線與節(jié)理夾角的共同作用方面闡釋了水平層狀巖體隧道開挖斷面不同部位爆破成型機(jī)理。通過現(xiàn)場(chǎng)試驗(yàn),從調(diào)整周邊孔炮孔間距、光爆層厚度、裝藥集中度、裝藥結(jié)構(gòu)、掏槽孔最大裝藥量以及增設(shè)空孔等方面優(yōu)化了水平層狀巖體隧道光面爆破參數(shù)。優(yōu)化后,隧道開挖輪廓成型較好。(5)提出了基于多個(gè)炮孔目標(biāo)檢測(cè)結(jié)果自動(dòng)獲取隧道炮孔數(shù)量和間距參數(shù)的算法,結(jié)合現(xiàn)場(chǎng)試驗(yàn)和監(jiān)測(cè)獲得的相關(guān)地質(zhì)參數(shù)、裝藥參數(shù)和爆后效果,引入粒子群算法(Particle swarm optimization,PSO)與深層 BP(Deep Back Propagation,DBP)神經(jīng)網(wǎng)絡(luò)耦合模型,構(gòu)建了隧道圍巖地質(zhì)條件、光面爆破炮孔及裝藥參數(shù)與爆后拱頂下沉、超欠挖和塊石大小之間的非線性映射關(guān)系,并在給定的光面爆破參數(shù)搜索范圍內(nèi),采用PSO算法智能搜索獲得了滿足圍巖穩(wěn)定條件的光面爆破參數(shù)。研究成果在層狀巖體分布的蟠龍山隧道進(jìn)行了成功應(yīng)用,明顯減小了隧道超挖,開挖輪廓成型較好,可為類似工程提供一定借鑒。
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：U452.12
【圖文】：

分析、現(xiàn)場(chǎng)試驗(yàn)及監(jiān)測(cè)和智能優(yōu)化方法，深入研究了隧道掌子面炮孔圖像智能識(shí)別逡逑及炮孔參數(shù)自動(dòng)獲取方法和光面爆破現(xiàn)場(chǎng)試驗(yàn)及爆破參數(shù)智能優(yōu)化方法。具體技術(shù)逡逑路線如圖１．２所示。逡逑１．４．３主要?jiǎng)?chuàng)新點(diǎn)逡逑（１）

模型訓(xùn)練時(shí)候選目標(biāo)分類和邊框定位分階段的問題，Ｆａｓｔ邋Ｒ－ＣＮＮ提出了多任務(wù)訓(xùn)練逡逑算法，實(shí)現(xiàn)了分類和邊框回歸的合并。逡逑圖２．２為Ｆａｓｔ邋Ｒ－ＣＮＮ目標(biāo)檢測(cè)模型，包括三步：候選區(qū)域選擇、特征提取、分逡逑類和邊框回歸定位。與Ｒ－ＣＮＮ及ＳＰＰ－ｎｅｔ相同的是，ＦａｓｔＲ－ＣＮＮ模型候選區(qū)域選逡逑擇還是采用Ｓｅｌｅｃｔｉｖｅ邋Ｓｅａｒｃｈ算法。不同的是：①引入ＲＯＩ邋Ｐｏｏｌｉｎｇ層（可以看作只逡逑有一個(gè)尺度的ＳＰＰ層），允許任意尺寸的圖像輸入，且生成固定尺寸的輸出；②提逡逑出多任務(wù)損失函數(shù)，使用Ｓｏｆｔｍａｘ邋ｌｏｓｓ代替了邋ＳＶＭ，使用ＳｍｏｏｔｈＬｌ邋ｌｏｓｓ代替逡逑Ｂｏｕｄｉｎｇ－ｂｏｘ回歸，且將二者合并，統(tǒng)一了訓(xùn)練過程，既加快了訓(xùn)練速度又提高了逡逑算法準(zhǔn)確度。逡逑其中，Ｓｏｆｔｍａｘ回歸分類過程如下：逡逑對(duì)于多分類問題，物體類別標(biāo)簽少￡邋｛１，２，…，Ｃ丨可以有Ｃ個(gè)取值，給定一個(gè)逡逑樣本ｘ，ｓｏｆｔｍａｘ函數(shù)回歸預(yù)測(cè)屬于類別ｃ的條件概率表示為：逡逑１６逡逑

邐Ｂ：邋ＳＴ邋：卜邋＿邐－＇方嶺：：Ｈ邋Ｒｅｇｒｅｓｓｏｒ逡逑ｃ邋ＣＳＶＭ逡逑圖２．１邋Ｒ－ＣＮＮ目標(biāo)檢測(cè)模型逡逑Ｆｉｇ．２．１邋Ｔｈｅ邋ｏｂｊｅｃｔ邋ｄｅｔｅｃｔｉｏｎ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋ｔｈｅ邋Ｒ－ＣＮＮ逡逑值得注意的是，Ｒ－ＣＮＮ需要預(yù)先提取候選區(qū)域，再固定尺寸后通過ＣＮＮ進(jìn)行逡逑特征提取，然后通過ＳＶＭ分類器分類及通過Ｂｏｕｎｄｉｎｇ－ｂｏｘ邋Ｒｅｇｒｅｓｓｏｒ精確定位，其逡逑候選區(qū)域存儲(chǔ)存在占用磁盤空間大的問題，固定尺寸存在目標(biāo)幾何形變的問題，每逡逑個(gè)區(qū)域候選均需ＣＮＮ提取特征存在多次提取特征的時(shí)間花費(fèi)問題，分階段分類和逡逑定位存在計(jì)算復(fù)雜及計(jì)算耗時(shí)等缺陷。因此，為解決ＣＮＮ輸入任意大小圖像的問逡逑題，Ｋａｉｍｉｎｇ邋Ｈｅ邋等借助邋ｓｐａｔｉａｌ邋ｐｙｒａｍｉｄ邋ｐｏｏｌｉｎｇ邋（ＳＰＭ）［ｉ４５］的思想提出了邋ＳＰＰ－ｎｅｔ［１４６］，逡逑其主要貢獻(xiàn)是在ＣＮＮ的卷積層和全連接層之間引入空間金字塔池化層（ｓｐａｔｉａｌ逡逑ｐｙｒａｍｉｄ邋ｐｏｏｌｉｎｇ，邋ＳＰＰ）；邋ＳＰＰ－ｎｅｔ的另一點(diǎn)貢獻(xiàn)是將候選區(qū)域直接映射到卷積特征圖逡逑上

本文編號(hào)：2743754