隧道围岩智能分级的双模态融合模型的构建与应用
贺维国1,2, 刘杰3,4，范国刚1，于丽3,4，曹威1， 刘琦3,4，王明年3,4*
（1.中铁第六勘察设计院集团有限公司, 天津 300308；2. 天津市隧道设计及安全评估重点实验室，天津 300123；3. 西南交通大学 土木工程学院，成都 610031；4. 极端环境岩土和隧道工程智能建养全国重点实验室，成都 610031)
摘要：针对以往隧道围岩智能分级依赖单一数据源、精度与适用性不足的问题，提出一种基于随钻参数与掌子面图像双模态数据融合的智能分级方法，旨在通过多源信息互补来提升分级的准确性与工程实用性。通过现场测试，采集了某铁路线路7座隧道共3096组开挖循环的数据。采用K近邻算法修复随钻参数中的异常值与缺失值，综合运用暗通道先验、直方图均衡化与扩散算法，对掌子面图像进行去模糊、光照增强与遮挡修复。从随钻参数中构建并筛选出128项对围岩变化敏感的关键特征，同时基于预训练的ResNet34模型提取图像深层特征，并通过线性判别分析将其降至3维高判别性特征。明确了双模态数据的特征级与决策级两类融合路径，并基于深度学习算法构建了相应的围岩智能分级模型。研究结果表明：双模态融合模型的性能显著优于单一模态模型，其中特征级融合模型表现最优，其准确率达到90.47%，平均精确率、召回率与F1值分别达到81.16%、89.41%和84.41%。融合随钻参数与掌子面图像的双模态数据能有效提升围岩智能分级的性能，特征级融合策略在信息整合与识别精度方面更具优势，研究成果为隧道施工过程的动态感知与智能决策提供了更为可靠的技术支持。
关键词：铁路隧道；围岩智能分级；深度学习算法；双模态数据；模型评估
中国分类号： U25；U452.12 文献标识码：A DOI:10.13238/j.issn.1004-2954.202512200003