卷積神經(jīng)網(wǎng)絡算法在隧道工程的應用

導語：卷積神經(jīng)網(wǎng)絡算法在隧道工程的應用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：文中先是闡述了卷積神經(jīng)網(wǎng)絡的理論知識,介紹其拓撲結構；接著對目前卷積神經(jīng)網(wǎng)絡在隧道工程領域的應用進行了分析，這對我國“新基建”的推進有重要意義。

關鍵詞：深度學習；卷積神經(jīng)網(wǎng)絡；隧道工程；自動識別

卷積神經(jīng)網(wǎng)絡算法(ConvolutionalNeuralNetworks，CNN）是包含卷積計算的具有深度結構的前饋型神經(jīng)網(wǎng)絡［1］，是深度學習的代表算法之一，也是機器學習的一個重要分支。隧道工程作為傳統(tǒng)的基建工程，在當下智能化大數(shù)據(jù)飛速發(fā)展的時代,迫切需進行產業(yè)升級，卷積神經(jīng)網(wǎng)絡應用到隧道工程領域是中國新基建的重要一環(huán)。目前，卷積神經(jīng)網(wǎng)絡的應用已在該領域逐步開展，應用于地層識別、鉆爆法巖質炮孔識別、隧道識別檢測等方面。本文主要分為兩大部分：第一部分闡述了了CNN的模型理論，第二部分介紹了目前卷積神經(jīng)網(wǎng)絡在隧道工程的應用，包括識別、檢測。最后給出對CNN的總結與展望。

1卷積神經(jīng)網(wǎng)絡理論

1.1卷積神經(jīng)網(wǎng)絡概念

卷積神經(jīng)網(wǎng)絡是一類包含卷積計算且具有深度結構的神經(jīng)網(wǎng)絡，是當下流行的深度學習的最重要算法之一［2］。卷積神經(jīng)網(wǎng)絡與機器學習、一般人工神經(jīng)網(wǎng)絡、深度學習和卷積神經(jīng)網(wǎng)絡的關系如圖1所示。卷積結構可以減少深層網(wǎng)絡占用的內存量，其三個關鍵的操作，其一是局部感受野，其二是權值共享，其三是pooling層，有效的減少了神經(jīng)網(wǎng)絡中存在大量的參數(shù)，存在容易發(fā)生過擬合、訓練時間長的缺點從而緩解了模型的過擬合問題。與常規(guī)人工神經(jīng)網(wǎng)絡技術相比，CNN具有以下優(yōu)點：共享卷積核，高效率處理高維數(shù)據(jù)；可以通過卷積層中的卷積核提取需要的特征。

1.2卷積神經(jīng)網(wǎng)絡拓撲結構

CNN特有結構包括卷積層、池化層、全連接層及輸出層，使其具備了局部感知、權值共享的特性。其中，隱含層的卷積層、池化層是保證卷積神經(jīng)網(wǎng)絡特征功能實現(xiàn)的核心結構，理論較為復雜，下節(jié)具體闡述。全連接層的主要作用則是將上一層提取到的特征結合在一起然后進行分類。輸出層作為卷積神經(jīng)網(wǎng)絡的最后一層，它的作用是對輸入的一維向量進行分類。

1.3CNN卷積層、池化層理論

隱含層的卷積層和池化層是實現(xiàn)卷積神經(jīng)網(wǎng)絡特征提取功能的核心模塊。要理解“卷積運算”并非易事。首先，我們可以把卷積運算其視為圖像處理中的“濾波器運算”。卷積運算的作用是提取獲捕捉原輸入數(shù)據(jù)的特征。假設輸入的數(shù)據(jù)為一個m×n的矩陣X，卷積核為一個i×j工程。的W（i≤m，j≤n）。則運算的過程為：卷積核W中的每一個權值w分別和輸入矩陣X中所對應的x相乘后再求和，卷積核計算公式如式1所示。（1）事實上，真正的卷積運算全過程是由很多運算組成：卷積核以一定間隔滑動，并對所覆蓋區(qū)域進行運算得到輸出y，直到遍歷矩陣X。池化層的作用在卷積層的基礎上，進一步提取特征。實際應用中一般采用最大池化層或平均池化層，前者以矩陣的最大值為特征值，后者以平均值為特征值。

2隧道工程領域CNN的應用

我國已成為修建隧道最多的國家，隨之而來的是一系列的隧道塌方等難題。傳統(tǒng)技術費時費力，故深度學習興起后，CNN模型逐漸應用于山嶺與城市隧道施工，常用于識別和檢測。

2.1地層識別

巖渣地層自動識別是隧道施工中的重要組成部分，提前獲取開挖層信息是隧道安全施工的必要條件。當隧道跨度大，地質條件多變，傳統(tǒng)識別方法費時費力，并不能滿足需求。將傳統(tǒng)技術與CNN相結合不僅可以發(fā)展隧道施工技術，也可加大其在識別技術的應用［3］。一方面，可建立巖渣自動識別CNN模型，通過強大的識別功能來獲取地層地質特性，判斷前方有無塌方等風險；另一方面，采用CNN對掌子面進行評價具有耗時短的優(yōu)點，使掌子面自動素描成為可能，具有良好的應用前景。

2.2巖質炮孔識別

鉆爆法是山嶺隧道的常用施工方法。使用率該方法開挖隧道時，相應巖性特征下炮孔數(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，容易隧道塌方等事故。一些學者可針對隧道炮孔參數(shù)的準確、快速獲取及水平層狀巖體隧道爆破參數(shù)［4］優(yōu)化開展研究，通過現(xiàn)場炮孔圖像采集及理論分析和現(xiàn)場試驗等方法，實現(xiàn)了隧道炮孔［5］的自動化識別與位置定位，基于以上步驟可以獲得炮孔數(shù)量及間距參數(shù)，實現(xiàn)了爆破參數(shù)的智能優(yōu)化。

2.3隧道識別檢測

目前，隨著城市地下空間開發(fā)利用速度的加快，很多隧道面臨著結構老化的風險，但我國對隧道的安全檢測還停留在人工排查的水平上，導致檢測結果不充分且效率低下。因此，采用基于CNN技術自動、有效、高速識別地鐵隧道裂縫，迅速成為主要應用方向之一。

3結論

本文主要闡述了CNN的相關概念、拓撲結構及其在隧道工程領域的應用。將來面對隧道施工中的實際問題，可以結合實測進一步提高CNN應用的精確性，從而不斷推進隧道工程的產業(yè)升級。

參考文獻

［1］高震宇.基于深度卷積神經(jīng)網(wǎng)絡的圖像分類方法研究及應用［D］.合肥：中國科學技術大學，2018.

［2］劉萬軍，梁雪劍，曲海成.不同池化模型的卷積神經(jīng)網(wǎng)絡學習性能研究［J］.中國圖像圖形學報，2016，21（9）：1178-1190.

［3］黃科.TBM施工巖渣自動識別技術研究［D］.石家莊：石家莊鐵道大學，2019.

［4］劉春，王寶軍，施斌等.基于數(shù)字圖像識別的巖土體裂隙形態(tài)參數(shù)分析力法［J］.巖土工程學報，2008（09）：1383-1388.

［5］張萬志.巖質隧道炮孔圖像識別算法及光面爆破參數(shù)優(yōu)化研究［D］.濟南：山東大學，2019.

作者：張楊楊 趙烜 李亮金 汪子建 馬紀元 單位：中國礦業(yè)大學力學與土木工程學院