基于探地雷達的巖溶隧道不良地質預報專家系統及實現方法與流程

本發明涉及隧道地質領域，特別是一種基于探地雷達的巖溶隧道不良地質預報專家系統及實現方法。

背景技術：

巖溶的存在嚴重制約著隧道施工工期、造價，并給人員生命及財產安全帶來嚴重威脅，準確預報巖溶隧道不良地質體，成為隧道施工過程中亟待解決的關鍵問題。巖溶發育具有復雜多變、形態各異等特點，雖然宏觀方面可以預見和推定，但在局部具有隨機性和不可預見性。在同一隧道施工往往會遇見多種巖溶類型及充填物，其對隧道施工的影響不同，最后治理方案也將不同。從隧道地質角度考慮和施工需要出發，巖溶不良地質需要查明的主要內容有兩個方面：一是不良地質的空間位置及幾何形態，二是不良地質的物質屬性。

探地雷達近年來已成為隧道超前地質預報中最主要的短距離物探手段，其在巖溶異常探測方面具有探測精度高、目標位置定位準確等其它物探方法無法比擬的優勢。但由于地質條件復雜多變，探地雷達數據中存在大量的多次反射、繞射等雜波，簡單環境中的反演、偏移成像方法難以取得理想的效果。巖溶隧道地質預報時，不良地質體區域的檢測及物質屬性判別異常困難，已成為探地雷達在隧道超前地質預報應用的一個瓶頸。目前，人們根據探地雷達反射電磁波數據解釋地質異常體時，主要還是依靠相關專家經驗對目標信號特征進行識別，解釋角度常常為振幅、相位或頻率，且大部分的探地雷達配套軟件只能提供常規的數據處理功能，這樣則導致探地雷達資料中大量信息被浪費，預報的準確性與效率難以保證。因此，在現有探地雷達以及人工智能技術的基礎上，開發巖溶隧道不良地質預報專家系統，將對完善探地雷達巖溶不良地質智能識別技術、減少巖溶隧道地質預報結果多解性具有重要意義。

技術實現要素：

為了克服上述現有技術的不足，本發明提出一種基于探地雷達的巖溶隧道不良地質預報專家系統，它能實現巖溶隧道超前地質預報探地雷達數據智能化解譯，提高預報效率與預報精度。

為實現上述目的，本發明采用的技術方案是：一種基于探地雷達的巖溶隧道不良地質預報專家系統，包括探地雷達數據采集裝置、探地雷達數據讀取裝置以及巖溶隧道不良地質預報專家系統主模塊，其特征在于，具體結構和連接關系為：巖溶隧道不良地質預報專家系統主模塊包括探地雷達數據預處理子模塊、探地雷達數據屬性提取子模塊、巖溶隧道不良地質類型判別子模塊、巖溶隧道不良地質空間分布范圍劃分子模塊；專家系統通過人機交互界面控制并實現各子模塊各自數據的輸入與輸出以及各子模塊之間的數據交換；

所述探地雷達數據采集裝置包括探地雷達主機、發射與接收天線以及測點與測線空間坐標確定與記錄系統；所述探地雷達主機分別連接并控制發射與接收天線、測點與測線空間坐標確定與記錄系統；所述測點與測線空間坐標確定與記錄系統用于確定與記錄每個探地雷達數據采集點的具體位置；

所述探地雷達數據讀取裝置包括數據傳輸設備、不同型號的探地雷達數據讀取器以及數據轉換器；所述數據傳輸設備通過連接不同型號的探地雷達主機實現原始數據導入，所述不同型號的探地雷達數據讀取器以及數據轉換器用于讀取原始數據并將其轉換為本發明專家系統設置的標準格式；

所述探地雷達數據預處理子模塊包括常規處理、弱信號提取以及補償增益；所述常規處理即數據編輯、解振蕩、濾波與校準；所述弱信號提取基于剪切波變換理論實現探地雷達弱信號提取；所述補償增益采用球面指數補償增益方法；

所述探地雷達數據屬性提取子模塊包括探地雷達數據的屬性特征值計算以及二維或三維屬性體計算；所述探地雷達數據的屬性特征值包括時域均方根振幅、時域相干性、頻域-3db帶寬平均頻率、頻域-3db帶寬平均相位、時頻域低頻增加面積、時頻域高頻衰減面積；所述時頻域低頻增加面積、時頻域高頻衰減面積通過基于廣義s變換及子波譜模擬的探地雷達波吸收衰減參數計算方法獲得；所述二維或三維屬性體包括三瞬屬性、振幅屬性、紋理屬性以及相干屬性；

所述巖溶隧道不良地質類型判別子模塊通過建立巖溶不良地質類型判別高斯多元分類模型實現；所述巖溶不良地質類型判別高斯多元分類模型包括學習樣本庫、高斯多元分類學習模塊、待預測數據屬性特征值導入模塊、不良地質類型預測模塊以及結果輸出與保存模塊；

所述巖溶隧道不良地質空間分布范圍劃分子模塊通過建立探地雷達多屬性聚類分割模型實現；所述探地雷達多屬性聚類分割模型包括探地雷達數據二維或三維屬性體導入模塊、多屬性主成分分析模塊、模糊聚類分割模塊以及結果輸出與保存模塊；

一種基于探地雷達的巖溶隧道不良地質預報專家系統，包括以下步驟：

(1)使用探地雷達數據采集裝置在隧道掌子面采集待預測隧道段探地雷達原始數據資料，并記錄各測點與測線空間坐標；

(2)使用數據讀取裝置讀取現場采集的探地雷達原始數據，并將其轉換為本發明專家系統設置的標準格式，按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(3)啟動數據預處理子模塊，按系統要求依次對探地雷達原始數據進行常規處理、弱信號提取以及補償增益，將預處理后的數據按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(4)啟動探地雷達屬性提取子模塊，導入預處理后待預測的探地雷達數據；依據專家系統指示設置相關參數，系統自動計算待預測探地雷達數據的屬性特征值以及二維或三維屬性體；將結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(5)啟動巖溶隧道不良地質類型判別子模塊，將所提取的待預測數據屬性特征值導入巖溶不良地質類型判別高斯多元分類模型，依據專家系統指示設置相關參數，系統自動輸出巖溶不良地質類型判別結果；將判別結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(6)啟動巖溶隧道不良地質空間分布范圍劃分子模塊，將所提取的待預測數據的二維或三維屬性體導入探地雷達多屬性聚類分割模型，依據專家系統指示設置相關參數，系統自動輸出巖溶隧道不良地質空間分布范圍劃分結果，并將劃分結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(7)通過人機交互界面將巖溶隧道不良地質類型判別結果以及巖溶隧道不良地質空間分布范圍劃分結果輸出，生成最終報告。

所述基于剪切波變換理論實現探地雷達弱信號提取的具體方法為：首先采用方向自適應擴散方法來平滑fine尺度層中噪聲對應的剪切波系數，從而辨識出有效信號系數，然后在多尺度閾值的基礎上，采用方向自適應閥值的方法來壓制噪聲信號，最后采用jitter欠采樣的剪切波變換稀疏約束方法對雷達數據重構。

所述巖溶不良地質類型判別高斯多元分類模型具體實現過程如下：

①從大量已開挖驗證過的探地雷達實際資料中提取屬性特征值，建立學習樣本d＝{(xi,yj)}(i＝1,2,3…,n)，其中xi∈rd，yj∈{1,2,3,…c}，n為訓練樣本數，d為所提取的雷達屬性特征值向量維數，c為樣本所包含巖溶不良地質類別數；

②結合地質資料及其它地質預報方法結果初步判斷可能存在的不良地質類型，對于已明確不可能存在的不良地質不再作為學習和預測過程中的類別，這樣可以在一定程度上提高分類精度；

③根據高斯二元分類學習方法對樣本進行學習，在學習過程中，記第j類不良地質為y∈{+1}，其它的不良地質類別即為y∈{-1}，通過二元分類訓練算法，可得到關于第j類不良地質的分類器，并獲得最優超參數；采用相同方法，依次從第1類到第c類不良地質進行訓練，可得到一個最優超參數向量；

④從待預測的雷達數據中提取屬性特征值，建立待預測數據特征值向量x*，通過第j類不良地質的分類器及最優超參數判斷x*屬于第j類的概率pj*，最后獲得一個概率向量p*＝[p1*,p2*,...pc*]，概率向量最大概率所對應的類別即為x*對應的不良地質類別；

⑤記錄實際開挖情況，將每次實例數據屬性特征值轉換為新的樣本保存于數據庫中，不斷積累，優化學習模型。

本發明的突出優點在于：

充分利用探地雷達數據資料中的信息，實現巖溶隧道超前地質預報探地雷達數據的智能化解譯，能夠幫助探地雷達使用者更好地開展巖溶隧道地質預報工作。對完善探地雷達巖溶隧道不良地質目標識別技術、減少巖溶隧道地質預報結果多解性具有重要意義。

附圖說明

圖1為本發明所述的基于探地雷達的巖溶隧道不良地質預報專家系統整體結構示意圖。

圖2為本發明所述的基于探地雷達的巖溶隧道不良地質預報專家系統工作流程示意圖。

圖3為本發明第五組應用實例預處理后的探地雷達數據圖像。

圖4為本發明第五組應用實例劃分巖溶不良地質空間分布范圍后的結果。

具體實施方式

下面結合附圖對本發明技術方案作進一步說明。

如圖1所示，本發明所述的基于探地雷達的巖溶隧道不良地質預報專家系統，包括探地雷達數據采集裝置、探地雷達數據讀取裝置以及巖溶隧道不良地質預報專家系統主模塊，其特征在于，具體結構和連接關系為：巖溶隧道不良地質預報專家系統主模塊包括探地雷達數據預處理子模塊、探地雷達數據屬性提取子模塊、巖溶隧道不良地質類型判別子模塊、巖溶隧道不良地質空間分布范圍劃分子模塊；專家系統通過人機交互界面控制并實現各子模塊各自數據的輸入與輸出以及各子模塊之間的數據交換；

所述探地雷達數據采集裝置包括探地雷達主機、發射與接收天線以及測點與測線空間坐標確定與記錄系統；所述探地雷達主機分別連接并控制發射與接收天線、測點與測線空間坐標確定與記錄系統；所述測點與測線空間坐標確定與記錄系統用于確定與記錄每個探地雷達數據采集點的具體位置；

所述探地雷達數據讀取裝置包括數據傳輸設備、不同型號的探地雷達數據讀取器以及數據轉換器；所述數據傳輸設備通過連接不同型號的探地雷達主機實現原始數據導入，所述不同型號的探地雷達數據讀取器以及數據轉換器用于讀取原始數據并將其轉換為本發明專家系統設置的標準格式；

所述探地雷達數據預處理子模塊包括常規處理、弱信號提取以及補償增益；所述常規處理即數據編輯、解振蕩、濾波與校準；所述弱信號提取基于剪切波變換理論實現探地雷達弱信號提取；所述補償增益采用球面指數補償增益方法；

所述基于剪切波變換理論實現探地雷達弱信號提取的具體方法為：首先采用方向自適應擴散方法來平滑fine尺度層中噪聲對應的剪切波系數，從而辨識出有效信號系數，然后在多尺度閾值的基礎上，采用方向自適應閥值的方法來壓制噪聲信號，最后采用jitter欠采樣的剪切波變換稀疏約束方法對雷達數據重構。

所述探地雷達數據屬性提取子模塊包括探地雷達數據的屬性特征值計算以及二維或三維屬性體計算；所述探地雷達數據的屬性特征值包括時域均方根振幅、時域相干性、頻域-3db帶寬平均頻率、頻域-3db帶寬平均相位、時頻域低頻增加面積、時頻域高頻衰減面積；所述時頻域低頻增加面積、時頻域高頻衰減面積通過基于廣義s變換及子波譜模擬的探地雷達波吸收衰減參數計算方法獲得；所述二維或三維屬性體包括三瞬屬性、振幅屬性、紋理屬性以及相干屬性；

所述基于廣義s變換及子波譜模擬的探地雷達波吸收衰減參數計算方法實現過程為：

①對待預測探地雷達反射波進行廣義s變換處理，得到高分辨率的二維時頻分布；

②對選定時刻的振幅譜曲線進行子波振幅譜模擬，子波振幅譜模擬的數學表達式為

其中，f為頻率，an為關于f的多項式，k、n為常數，一般情況下，0≤k≤10，4≤n≤7；

③待預測區域后一個時刻子波振幅譜減去前一個時刻子波振幅譜除以時間差，求取待分析區域單位時間時頻域低頻增加面積、時頻域高頻衰減面積；

所述子波振幅譜模擬采用自動尋優算法進行擬合，如果整段曲線擬合效果不好時，可進行分段擬合；模擬子波能很好地逼近實際振幅譜，能有效解決激發子波和地層背景值等影響因素難以直接求取的問題；

所述巖溶隧道不良地質類型判別子模塊通過建立巖溶不良地質類型判別高斯多元分類模型實現；所述巖溶不良地質類型判別高斯多元分類模型包括學習樣本庫、高斯多元分類學習模塊、待預測數據屬性特征值導入模塊、不良地質類型預測模塊以及結果輸出與保存模塊；

所述巖溶不良地質類型判別高斯多元分類模型具體的實現方法為將高斯二元分類預測模型推廣至多元分類，這種方法的主要思想是將多元分類問題分解成若干個二元分類問題，分別對多種不良地質類型進行“是與非”的判別。具體的實現過程如下：

①從大量已開挖驗證過的探地雷達實際資料中提取屬性特征值，建立學習樣本d＝{(xi,yj)}(i＝1,2,3…,n)，其中xi∈rd，yj∈{1,2,3,…c}，n為訓練樣本數，d為所提取的雷達屬性特征值向量維數，c為樣本所包含巖溶不良地質類別數；

②結合地質資料及其它地質預報方法結果初步判斷可能存在的不良地質類型，對于已明確不可能存在的不良地質不再作為學習和預測過程中的類別，這樣可以在一定程度上提高分類精度；

③根據高斯二元分類學習方法對樣本進行學習，在學習過程中，記第j類不良地質為y∈{+1}，其它的不良地質類別即為y∈{-1}，通過二元分類訓練算法，可得到關于第j類不良地質的分類器，并獲得最優超參數；采用相同方法，依次從第1類到第c類不良地質進行訓練，可得到一個最優超參數向量；

④從待預測的雷達數據中提取屬性特征值，建立待預測數據特征值向量x*，通過第j類不良地質的分類器及最優超參數判斷x*屬于第j類的概率pj*，最后獲得一個概率向量p*＝[p1*,p2*,...pc*]，概率向量最大概率所對應的類別即為x*對應的不良地質類別；

⑤記錄實際開挖情況，將每次實例數據屬性特征值轉換為新的樣本保存于數據庫中，不斷積累，優化學習模型；

所述巖溶隧道不良地質空間分布范圍劃分子模塊通過建立探地雷達多屬性聚類分割模型實現；所述探地雷達多屬性聚類分割模型包括探地雷達數據二維或三維屬性體導入模塊、多屬性主成分分析模塊、模糊聚類分割模塊以及結果輸出與保存模塊；

所述探地雷達二維或三維屬性體包括三瞬屬性、振幅屬性、紋理屬性以及相干屬性；

所述多屬性主成分分析主要目的為對多種屬性進行降維處理以提高系統運行效率；

所述多屬性融合分割采用k-means模糊聚類分割方法；

所述巖溶隧道不良地質預報專家系統各模塊所涉及的數據通過數據庫管理系統進行管理；所述數據庫管理系統包括數據庫本身以及數據庫管理兩部分；所述數據庫本身用于儲存系統運行所需的各類數據資料以及系統運行最終結果，包括探地雷達原始數據資料、預處理后的探地雷達數據資料、探地雷達圖像數據屬性特征值資料、巖溶隧道不良地質類型判別結果以及空間分布范圍劃分結果；所述數據庫管理部分的功能具包括對數據庫中的資料進行檢索、調取、插入以及修改；

所述巖溶隧道不良地質預報專家系統主模塊人機交互界面選用visualc++6.0設計；所述數據庫管理系統采用數據庫工具access設計；所述各子模塊具體功能在matlab環境中實現；本系統采用visualc++6.0與matlab引擎互連實現對matlab函數調用，采用ado技術實現visualc++6.0對access數據庫訪問；

如圖2所示，本發明提供的一種基于探地雷達的巖溶隧道不良地質預報專家系統的實現方法：

(1)使用探地雷達數據采集裝置在隧道掌子面采集待預測隧道段探地雷達原始數據資料，并記錄各測點與測線空間坐標；

(2)使用數據讀取裝置讀取現場采集的探地雷達原始數據，并將其轉換為本發明專家系統設置的標準格式，按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(3)啟動數據預處理子模塊，按系統要求依次對探地雷達原始數據進行常規處理、弱信號提取以及補償增益，將預處理后的數據按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(4)啟動探地雷達屬性提取子模塊，導入預處理后待預測的探地雷達數據；依據專家系統指示設置相關參數，系統自動計算待預測探地雷達數據的屬性特征值以及二維或三維屬性體；將結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(5)啟動巖溶隧道不良地質類型判別子模塊，將所提取的待預測數據屬性特征值導入巖溶不良地質類型判別高斯多元分類模型，依據專家系統指示設置相關參數，系統自動輸出巖溶不良地質類型判別結果；將判別結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(6)啟動巖溶隧道不良地質空間分布范圍劃分子模塊，將所提取的待預測數據的二維或三維屬性體導入探地雷達多屬性聚類分割模型，依據專家系統指示設置相關參數，系統自動輸出巖溶隧道不良地質空間分布范圍劃分結果，并將劃分結果按隧道掌子面里程、測點與測線空間坐標保存于數據庫中；

(7)通過人機交互界面將巖溶隧道不良地質類型判別結果以及巖溶隧道不良地質空間分布范圍劃分結果輸出，生成最終報告。

應用實施例

運用所述基于探地雷達的巖溶隧道不良地質預報專家系統，對廣西巖溶區的布亮隧道、三叉嶺隧道、下刁隧道和甘村隧道4座高速公路隧道的5處掌子面進行預報，結果表明本發明的預報結果可信，具有很好的實用價值。

根據宏觀地質預報結果，5組應用實例的掌子面前方可能存在的巖溶不良地質類型分別為：無充填型溶洞、干燥松散粘土夾碎石充填溶洞、充軟塑狀粘土溶洞、無水破碎帶以及富水破碎帶。為便于表述，對可能存在的巖溶不良地質類型依次編號為：ⅰ、ⅱ、ⅲ、ⅳ、ⅴ。

按本發明使用步驟操作，5組應用實例的巖溶不良地質類型預測結果如下：

第1組應用實例隧道名稱為布亮隧道，采集探地雷達數據的掌子面里程為zk88+685，五個預測樣本的預測概率向量最大概率值分別為0.93、0.92、0.78、0.66、0.85，最大概率值所對應的不良地質類型：ⅰ無充填型溶洞，即為預測結果。現場實際開挖情況為無充填型溶洞，開挖結果與預測結果吻合。

第2組應用實例隧道名稱為三叉嶺隧道，采集探地雷達數據的掌子面里程為k1+370，五個預測樣本的預測概率向量最大概率值分別為0.91、0.82、0.90、0.80、0.82，最大概率值所對應的不良地質類型：ⅴ富水破碎帶，即為預測結果。現場實際開挖情況為富水破碎帶，開挖結果與預測結果吻合。

第3組應用實例隧道名稱為下刁隧道，采集探地雷達數據的掌子面里程為k74+550，五個預測樣本的預測概率向量最大概率值分別為0.86、0.75、0.62、0.82、0.72，最大概率值所對應的不良地質類型：ⅲ充軟塑狀粘土溶洞，即為預測結果。現場實際開挖情況為充軟塑狀粘土溶洞，開挖結果與預測結果吻合。

第4組應用實例隧道名稱為甘村隧道，采集探地雷達數據的掌子面里程為k269+900，五個預測樣本的預測概率向量最大概率值分別為0.65、0.78、0.82、0.77、0.71，最大概率值所對應的不良地質類型：ⅱ干燥松散粘土夾碎石充填溶洞，即為預測結果。現場實際開挖情況為干燥松散粘土夾碎石充填溶洞，開挖結果與預測結果吻合。

第5組應用實例隧道名稱為布亮隧道，采集探地雷達數據的掌子面里程為zk88+545，五個預測樣本的預測概率向量最大概率值分別為0.52、0.77、0.61、0.82、0.57，最大概率值所對應的不良地質類型：ⅳ無水破碎帶，即為預測結果。現場實際開挖情況為無水破碎帶，開挖結果與預測結果吻合。

按本發明使用步驟操作，第5組應用實例的巖溶不良地質空間分布范圍劃分結果如下：

圖3為第5組應用實例預處理后的探地雷達數據圖像，圖4為第5組應用實例采用本發明劃分巖溶不良地質空間分布范圍后的結果，圖中虛線范圍即為無水破碎帶區域。現場實際開挖情況顯示實際無水破碎帶區域與本發明預測結果基本吻合。

表1