0

1

 

 

隧道洞口智能设计整体框架

面向隧道洞口智能化设计需求，研究提出融合多种人工智能手段的隧道洞口智能设计整体研究框架，如图1所示。通过收集大量隧道洞口历史设计案例，分析隧道设计影响因素，将隧道洞口历史设计资料进行结构化、数据化处理，建立隧道洞口设计知识图谱。融合多种深度学习算法，有针对性的建立隧道洞门类型、洞门长度、洞口边仰坡设计参数预测模型，完成隧道洞口主要设计参数的智能决策。利用智能推荐得到的隧道洞门长度，自动获取隧道洞门结构的起始位置；利用智能决策得到的洞口边仰坡参数，提出圆弧形边仰坡过渡形式，并采用群体智能优化算法对其进行最优化设计，完成隧道洞口边仰坡三维开挖；利用智能推荐的洞门型式、洞门长度等洞门参数，调用洞门构件库构件，实现隧道洞门结构模型的自动生成。在此基础上，研发基于国产平台的隧道洞口智能设计系统，进一步完成隧道洞口二三维联动详细设计，最终完成隧道洞口设计成果的自动输出。依托典型工程进行示范应用，验证隧道洞口智能化设计方法及隧道洞口智能设计系统的可行性。

0

2

 

 

隧道洞口智能设计整体研究框架

2.1隧道洞口影响因素梳理

在进行隧道洞口设计时，需要充分考虑隧道洞口设计范围的地形、地质、周边环境、线路走向以及洞口外接构筑物情况等因素的影响。

在地形影响因素方面，洞口区域的地形起伏不定，影响着隧道洞口区域土体开挖范围。洞口范围地形条件对隧道洞门结构型式选择、边仰坡设计、洞口回填有着重要影响。同时对截水天沟等附属设施的设计亦有较大影响。

在地质影响因素方面，一般来说隧道洞口区域的地质条件可能存在危岩落石问题。具体来说，在设计过程中，隧道洞口区域的地层岩性、地层分布、岩土力学参数、施工等级、承载能力等因素影响隧道洞门型式、隧道洞门长度、地基处理和边仰坡防护措施。

在线路设计影响因素上，考虑到不同的线路设计时速不同、单双线设置不同，整个隧道的净空设计、隧道横断面设计都有较大区别。线路走向需要充分考虑隧道洞口的位置选择，在周边环境允许的情况下尽量保证隧道正交进洞。另外，隧道外接桥梁或者路基也影响着隧道洞口洞门型式、支挡结构和排水系统的设计。隧道长度对隧道洞门结构设计也有一些影响，在隧道较长时一般会设置缓冲结构。

通过上述分析，在进行隧道洞口智能化设计时，将地形因素、地质因素以及线路因素作为智能决策模型的输入，进一步利用人工智能算法对隧道洞口设计参数进行决策。

2.2隧道洞口设计内容分析

隧道洞口设计内容较多，主要有隧道洞口里程、隧道洞门型式、隧道洞门长度、明洞设计、洞口缓冲结构、边仰坡设计、地表加固、基底处理、危岩落石处理、绿色及景观设计等方面内容。考虑到隧道洞口设计复杂多变、设计参数众多，部分参数是根据设计规范、设计经验、通用参考图和设计线路要求进行确定，因此在利用人工智能手段进行隧道洞口设计方案决策时主要选择了隧道洞门类型、隧道洞门长度、洞门边仰坡坡率等参数。隧道洞口设计示意如图2所示。

2.3隧道洞口设计案例知识图谱

收集了杭温、杭长、合福等20条线路共超过1400座洞口的设计资料，根据上述影响因素分析，记录地形、地质、隧道、线路等勘察设计影响因素。将勘察设计影响因素分别进行量化处理，建立隧道洞口勘察设计数据库。为了将隧道洞口勘察设计数据进行可视化展示，遵循知识图谱三元组的规则（“实体-关系-实体”或者“实体-属性-值”），将隧道洞口勘察设计数据库中的勘察设计影响因素和设计方案数据进行实体抽取和数据读入，构建隧道洞口设计案例知识图谱的网络实体。进一步深度挖掘不同设计影响因素实体和设计方案实体间的关系，以及对应实体和属性间的关联。最终构建了包含超过1400座隧道洞口的知识图谱，部分隧道洞口设计案例知识图谱见图3。图为部分知识图谱的二级展开，第二级为具体的工点隧道，三元组关系为设计单位-线路-工点隧道。

 

0

 

3

 

 

隧道洞门智能设计方法

3.1隧道洞门结构智能决策方法

隧道洞门选型和长度的设计十分关键。基于设计案例知识图谱，融合多种深度学习算法，提出隧道洞门结构智能决策模型，可以实现隧道洞门长度、洞门类型的智能决策。基于智能推荐的洞门型式、洞门长度等洞门结构参数，调用参数化隧道洞门构件，通过参数驱动，实现隧道洞门结构模型的自动生成。

隧道洞门结构预测模型主要包括数据预处理层、模型训练层以及模型验证层（图4）。在数据预处理层，主要是将隧道洞口知识图谱中的地质、地形、线路以及隧道等设计影响因素数据进行特征工程处理，形成预测模型的输入条件。在模型训练层，融合了卷积神经网络（CNN）、自注意力机制（Self-Attention）、全连接神经网络（FC）等，通过前向传播和反向传播迭代学习神经网络参数，训练出最优模型参数，组合形成隧道洞门结构预测模型。模型验证层，利用隧道洞门结构预测模型对隧道洞门类型、隧道洞门长度进行预测，并和实际值进行对比验证，根据验证结果调整优化模型。

针对隧道洞门类型，按照主要类别可以分为斜切式、直切、端墙、明洞和其他五类。采用混淆矩阵对预测结果进行表达。如图5所示，从混淆矩阵可以发现，整体预测准确率达到87.5%，洞门类型每一类的预测准确率都达到80%以上。考虑到隧道洞门类型在设计过程中受控影响因素多，同时也很依赖隧道设计师的个人经验以及个人偏好，因此可以说明目前预测的隧道洞门类型准确率整体较好。

针对隧道洞门长度，在智能决策过程中采用均方差（MSE）、绝对平均误差（MAE）和决定系数（R平方）等指标进行评价。经大量训练，计算得到最优预测模型的评价指标如图6所示结果，决定系数（R平方）最终稳定在0.9以上，均方差（MSE）稳定在0.1左右，绝对平均误差（MAE）稳定在0.17左右。决定系数值越高，说明模型对数据的预测能力越好。均方差根、绝对平均误差取值范围为0～正无穷，其数值越小模型的预测值与真实值之间的差别就越小。整体来看，模型的预测能力和泛化能力较好。

3.2隧道洞口边仰坡参数智能决策方法

边仰坡设计首先需要确定洞口范围的边坡坡率和仰坡坡率，即可按照对应坡率和设计规则完成隧道洞口边仰坡设计。

本文提出的隧道洞口边仰坡坡率智能决策方法，引入隧道洞口区域点云数据。鉴于收集的隧道洞口区域点云数据范围大小不一，为方便在利用人工智能技术时充分学习点云数据特征，需要将不同隧道洞口的点云数据进行标准化处理。如图7所示，将洞口区域点云数据处理后，根据256×256个像素点形成洞口区域标准地形图，不同颜色代表洞口区域不同像素点的高程。

洞口边仰坡坡率智能决策模型同时考虑了隧道勘察设计影响因素和洞口范围点云数据，在进行特征工程处理时将不同来源数据整合成维度相同的数据，便于后续利用CNN、BP神经网络提取更有用的特征信息。在模型训练时，对设计影响因素和隧道洞口区域点云数据这两类数据都利用CNN进行特征学习，针对点云数据引入SEBlock强化特征学习，将学习后的两方面数据进行叠加，最后利用BP神经网络进行降维和预测。在模型验证层，通过对测试集中的边仰坡坡率进行预测，与真实值进行对比分析，综合评价智能决策模型的可行性。通过综合对比分析，得到最优预测模型的边仰坡斜率预测准确率达到87.5%。

3.3隧道洞口边仰坡智能化设计方法

目前，隧道洞口边仰坡设计仍主要依赖于二维横、纵断面图设计，存在参数化程度低、边仰坡过渡设计不合理、未考虑与地形进行三维交互等问题，制约设计效率与精度。针对上述问题，本文提出弧形边仰坡过渡形式及其最优化设计方法，以生成平滑过渡的边仰坡三维数字模型。

本方法中，过渡区域外的边仰坡设计断面及其参数由3.2节所述推荐方法智能决策确定。过渡区域内，为提高控制断面间连接平滑性，将0°~90°过渡范围等距划分为如图8所示的多个区间，并利用群体智能优化算法确定各区间内的典型控制断面位置。此时，优化算法搜索变量为过渡断面与边坡终点断面间的方位角。为确定出对开挖影响最大的控制性断面，将算法适应度函数设为断面方位角与其开挖量间的关系。

确定各区间典型控制断面位置后，其开挖参数可由线性插值方法算得，并据此确定控制断面的关键点坐标。为利用一组典型控制断面生成弧形曲面，按图9所示算法交错连接相邻控制断面的关键点生成三角面，进而聚合所有三角面作为边仰坡开挖面三维数字模型。

利用边仰坡三维数字模型对洞口周边三维地表模型进行布尔差集运算，即可得到如图10所示的三维开挖后地形模型。

3.4隧道洞口截水天沟智能优选技术

传统截水天沟选线时存在未考虑周边地形影响、设计成果非最优线路、缺乏三维表达等问题。为此，以满足排水坡度条件下的成本最优化为目标，提出基于元启发式智能优化算法的截水天沟中心线智能选线方法，主要包含设计限界确定、控制点智能搜索以及三维线路拟合等步骤。

其中设计限界确定即依赖洞口周边地形和边仰坡三维数字模型获取边仰坡开挖边界线，并向外偏移生成不允许设计侵入的限制边界。为确定截水天沟最优路径，以限制边界上最高点为起点，如图11所示，分别向左右两侧进行区段划分，并利用元启发式优化算法逐个搜索各区段内的最优控制点坐标，此时优化算法适应度函数即为考虑排水坡度要求惩罚条件下控制点坐标与区段长度的关系。

按上述原则逐个确定的所有区段内控制点后，利用样条曲线对其进行拟合即可生成截水天沟三维中心线。图12所示为基于本文算法智能优选生成的截水天沟中心线最优化设计成果。

0

 

4

 

 

隧道洞口智能设计软件研发与应用

4.1软件架构设计

目前大多数开发的隧道洞口软件以国外商业平台为主，本文研发的核心算法与平台无关。分别基于开源平台和国产平台搭建了隧道洞口智能设计系统，下面以国产GDMP平台为例说明隧道洞口智能设计系统架构设计和软件实现。隧道洞口智能设计系统整体框架如图13所示，从数据层、技术层、功能层、应用层以及接口层分别介绍了模块的主要内容以及相互关系。

（1）数据层

数据是隧道洞口智能化设计的核心，建立隧道数据库，主要包括地形、地质、线路以及隧道设计等方面的信息。同时也将设计规范、设计细则、隧道构件模型、隧道标准图库融入隧道数据库中。这些数据都是后续开展隧道设计的基础。

（2）技术层

在技术层，整合了知识图谱、机器学习、深度学习、几何拓扑等核心算法，为隧道洞口的智能决策提供算法基础。

基于隧道洞口设计数据库和设计案例知识图谱，利用机器学习、深度学习等多种人工智能技术，对隧道洞口设计参数分别有针对性地搭建了智能决策模型，完成了洞口设计参数的智能决策。

基于智能决策的隧道设计参数，自动生成或调用对应的隧道洞口构件，采用数模驱动的方法，模拟隧道洞口的几何关系，完成隧道智能决策的设计方案的三维可视化呈现。

（3）功能与应用层

洞口设计方案智能决策：采用多种人工智能手段，依据地形、地质情况，对洞门类型、洞门开孔数量、洞门长度、洞口边仰坡坡率进行智能推荐，最终在应用层实现了隧道洞口设计方案的智能设计。

洞口二三维联动设计依据智能决策功能推荐的洞口设计方案，通过数模驱动生成隧道洞门模型和支挡防护模型，并与地形运算得到洞口开挖范围，依据开挖和地形设计回填，最后根据生成的开挖线在地形上寻找最优路径设计截水沟中线，实现了隧道洞口设计方案的二三维联动展示。

通过调研和总结二维洞口出图所需的图元和工程量计算规则，将三维设计参数和数据整理归纳，自动生成洞口三维模型、洞口二维图纸和洞口工程量，实现隧道洞口智能设计的成果输出与交付。

（4）接口层

同时搭建了与地理地质信息系统、隧道智能设计系统、智能选线系统之间的接口。获取地理地质信息系统中的地形、地质信息数据，为智能决策提供地形地质服务。通过数据协同管理模块获取配置数据，通过量化分析完成数据的预处理，方案决策结果输出到隧道设计模块生成参数化模型。支持将方案输出至隧道智能设计系统和智能选线系统进行整体隧道设计方案展示与协同设计。

4.2案例验证

某铁路尖山坡隧道全长1633m，进口处外接桥梁，洞口处主要为强风化砂岩，地基承载力为300kPa。通过预测模型智能推荐得到了洞门类型、洞门长度、开孔数量和边仰坡坡高、坡率等，其中洞门类型为切式洞门，开1孔，洞门长度为16m，边坡坡率为1:1.5，仰坡坡率为1:1.25。

在洞口二三维联动设计功能中，读入通过智能决策得到的隧道洞门类型和开孔数量，驱动洞门模型自动生成，得到洞门结构三维设计方案如图14所示。通过三维技术将智能决策得到的设计参数进行三维展示，同时软件提供界面可修改智能推荐的相关参数，依据洞口开挖线自动优选生成了三维截水沟，实现了隧道洞门结构的智能化设计和数字化呈现的深度融合。

在绿色发展的背景下，精确的隧道洞口开挖线，可以减少对周边环境的影响，同时有利于施工与设计保持一致，保证隧道洞口的安全性。为此软件采用三维设计，给定一系列洞口开挖参数，与地形进行布尔运算，得到精确的洞口开挖线如图15所示。

05

 

 

  结 论  

本文针对在矿山法隧道洞口设计过程中的诸多难点问题，提出了隧道洞口智能化设计方法，完成了洞口主要设计参数的智能决策，研发了隧道洞口智能设计系统，实现了隧道洞口智能化设计与数字化呈现的有机结合，大幅提高了隧道洞口设计效率。得出主要结论如下。

    （1）分析了隧道洞口设计影响因素，建立了隧道洞口知识图谱，融合多种深度学习算法研究了隧道洞口设计参数智能决策方法，有针对性地提出了隧道洞门类型、隧道洞门长度、边仰坡坡率预测模型，完成了隧道洞口主要设计参数的智能决策，实现了隧道洞口智能化设计方法创新。

    （2）在智能决策设计参数基础上，采用群体智能优化算法提出了弧形边仰坡过渡形式及其优化设计方法，实现了对隧道洞口边仰坡的三维开挖；以满足排水坡度条件下的成本最优化为目标，提出了基于元启发式智能优化算法的截水天沟中心线智能设计方法，完成了隧道洞口三维开挖和截水天沟的优化设计。

    （3）基于国产平台自主研发了隧道洞口智能设计系统，以数据为核心驱动二三维联动设计，实现了设计方案智能决策、二三维联动详细设计、成果自动输出的隧道洞口智能设计全流程服务。