隧道火成岩风化程度确定系统及方法与流程

本公开属于隧道岩石风化检测技术领域，涉及一种隧道火成岩风化程度确定系统及方法。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

tbm(岩石掘进机tunnelboringmachine)，已广泛应用于隧道施工，具有降低人工劳动强度、施工速度快、对环境扰动小、安全性高等优点。在tbm掘进过程中，前方岩石的风化程度对岩体硬度及完整性影响很大，这对是否能顺利掘进具有关键作用。

在火成岩石中，矿物在不同的温度下结晶形成，不同的长石其结晶顺序有明显的先后关系。长石不仅分布范围大，且由于其存在类质同象问题导致其种类也较为繁杂。长石是一类常见的含钙、钠和钾的铝硅酸盐类造岩矿物，可划分为两个系列：碱性长石系列(即or-ab系列)和斜长石系列(即ab-an系列)(or、ab和an分别代表kalsi3o8、naalsi3o8和caal2si2o8)。不同系列的长石硬度有差异，抗风化能力也截然不同，这对火成岩石抗风化能力造成很大影响。

据发明人了解，目前的前方岩石的风化程度判断主要是依托于人为观察，其结果依赖于操作人员的专业性，具有很大的局限性，且观测结果不精确。

技术实现要素：

本公开为了解决上述问题，提出了一种隧道火成岩风化程度确定系统及方法，本公开能够实时快捷的确定前方火成岩风化程度，提高掘进效率，且结果较为准确。

根据一些实施例，本公开采用如下技术方案：

一种隧道火成岩风化程度确定系统，包括：

数据采集系统，被配置为获取掌子面前方岩石试样，对岩石试样进行图像扫描和成分检测，并将部分样品制成玻片；

数据传输模块，被配置为将数据采集系统获取的玻片标本通过履带传输给数据分析系统，获取的图像扫描结果和岩石成分信息通过无线传输给数据分析系统；

数据分析系统，被配置为构建深度学习模型，所述模型基于已存储的图像扫描结果和岩石成分信息进行训练，得到各图像扫描结果和岩石成分信息与相应风化程度的对应关系，并接收待确定的前方岩石图像扫描结果和岩石成分信息，利用训练后的模型进行分析，得到隧道前方风化程度。

作为进一步的限定，所述数据采集系统包括岩石取样模块、图像扫描模块和岩石测试模块，其中，所述岩石取样模块对隧洞掘进过程中的岩石进行取样及制片，取样机构搭载于机械臂，包括拾取装置和钻机，拾取装置直接对传送带上岩渣进行拾取，钻机对位于掌子面附近的岩壁进行岩芯钻取，制片机构利用现有方式，装置包括球磨机、剖光机和压片机，随机选取所获取的岩渣或岩芯进行玻片制作，取样机械臂可多维运动；所述图像扫描模块配置为照相机，对所取岩石样品外表形貌进行拍照扫描，获取岩石外表形貌特征；所述岩石测试模块包括xrf测试装置和xrd测试装置，xrf测试装置利用手持式设备，现有的测试箱可直接获取样品火成岩中的元素种类及丰度信息，xrd装置配置样品收取钵，可直接对岩渣岩粉进行测试，基于长石的不同化学成分，鉴定区分出不同的长石端元。

作为进一步的限定，所述数据分析系统，包括显微图像模块、计算机分析模块和深度学习模块，其中，所述显微图像模块为偏光显微装置，对经由履带传输过来的数据采集系统制成的岩石玻片样品进行显微成像，获取岩石偏光显微镜下图像，辅助挑选长石颗粒；所述计算机分析模块被配置为基于xrf及xrd装置的相关数据，通过测试获取长石种类及含量衍射图谱数据，并统计长石类别及含量，对比书籍文献中长石元素含量类型及x射线装置厂家所提供的衍射图谱数据，对xrf及xrd装置获取的数据进行处理修正；所述深度学习模块，被配置为基于神经网络模型对数据进行学习训练。

作为进一步的限定，所述深度学习模块在形成火成岩石不同风化程度判别模型时，根据预设的不同长石特征级别标准阈值，整合训练的特征量，按照预置的分类标准，建立火成岩石风化程度自动模型评价器。

所述数据输出系统，输出模型将待评价的火成岩中所含的长石特征与数据存储中心中的各种信息进行对比，通过火成岩石自动模型评价器对待评价的火成岩风化程度进行评价，并根据不同阈值作具体规定。

作为可选择的实施方式，所述数据采集系统搭载于tbm机械臂上。

作为可选择的实施方式，还包括数据存储中心，被配置为存储已有隧道岩石样本图像扫描结果和岩石成分信息与相应风化程度，预设的不同长石特征标准阈值。

一种隧道火成岩风化程度确定方法，包括以下步骤：

构建深度学习模型，基于已存储的图像扫描结果和岩石成分信息进行训练，得到各图像扫描结果和岩石成分信息与相应风化程度的对应关系；

获取掌子面前方岩石试样，对岩石试样进行图像扫描和成分检测，利用训练后的模型，对检测的结果进行分析，得到隧道前方火成岩风化程度。

火成岩风化程度的分级包括：

当长石中仅含有k元素时，其抗风化能力最强，na元素其次，仅含有ca元素时其抗风化能力最差，当同时含有na和ca元素时，其抗风化能力随着ca元素含量的增多而增强，即正长石(钾长石)>酸性斜长石(钠长石)>中性斜长石(中长石)>基性斜长石(钙长石)；

岩体的晶体结构保存的越完好，风化程度越低；

长石所占的含量百分比越高，风化程度越低。

依据上述分级标准，提出如下判别等级：

火成岩中长石元素及成分类型为主要考虑标准，若长石类型仅为钾长石—a级；钾长石>斜长石—b级；钾长石<斜长石—c级；仅为斜长石—d级。

长石的晶体结构，自形含量占比最高—a级；半自形含量占比最高、自行＞它形—b级，半自形含量占比最高、自行＜它形—c级，它形含量占比最高—d级。

若长石在火成岩中含量超过60％—a级；20％-60％—b级；5％-20％—c级；<5％-d级。

按上述标准，最终定出长石特性对岩层风化程度的最后判断级别：至少存在一个a级或b+a级或2个a级则为弱风化，仅存在1个a级或2个b级则为中风化，不存在任何一个a/a级或b/b级则强风化。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种隧道火成岩风化程度确定方法的部分或全部步骤。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种隧道火成岩风化程度确定方法的部分或全部步骤。

与现有技术相比，本公开的有益效果为：

本公开对隧洞掘进中遇到的火成岩石进行风化程度评价，为掘进方式提供指导，本公开通过研究隧道围岩中长石的含量来判断其风化程度，填补了隧道围岩风化程度方面研究的空白；

本公开利用长石成分及含量结合火成岩石风化图像建立评价模型，不仅实现了对火成岩石风化程度的定性评价，而且实现了定量评价，并且定性更为准确，得到评价模型后，可实现连续测试，能够服务于隧洞快速掘进的工程进度；

本公开更多利用岩石原位测试，为tbm掘进提供良好测试手段。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本实施例的主要流程示意图；

图2是本实施例的隧洞内探测示意侧视图；

图3是本实施例的隧洞内探测示意前视图；

图4是本实施例的数据分析系统示意图。

其中，1.是数据采集系统；2.是岩石取样模块；3.是岩石测试模块；4.是图像扫描模块；5.是无线传输系统；6.是计算机分析模块；7.是显微图像模块；8.是数据分析系统；9.是深度学习模块；10.是人工辅助神经网络训练器；11.是自动模型评价器；12.是数据输出系统及存储中心；13.是传输履带。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，tbm隧洞内考虑长石特征的火成岩风化程度评价系统，包括数据采集系统，无线传输系统，数据分析系统，数据输出系统及存储中心，其中：

所述数据采集系统搭载于tbm机械臂上，随着机械臂的移动而对围岩进行测试，在每次tbm掘进暂停时进行信息采集，采集完成后被收进tbm内部。

数据采集系统包括岩石取样模块、图像扫描模块和岩石测试模块。

岩石取样模块对隧洞掘进过程中的岩石进行取样，以岩渣/岩块为基础样品，服务于后续检测；所述图像扫描模块对所取岩石样品外表形貌进行扫描，获取岩石外表形貌特征，用于岩石表层风化定性及岩石大类的确定；所述岩石元素分析模块配置为一xrf测试装置及一xrd测试装置，xrf测试装置获取样品火成岩中的元素种类及丰度信息，xrd装置基于长石的不同化学成分，鉴定区分出不同的长石端元。长石主要成分为sio2、al2o3、k2o、na2o、cao等，如：钾长石，分子式为k2o·al2o3·6sio2；钠长石，分子式为na2o·al2o3·6sio2；钙长石，分子式为cao·al2o3·2sio2。

所述数据分析系统，包括显微图像模块、计算机分析模块和深度学习模块。所述显微图像模块配置为一偏光显微装置，对样品岩石进行显微成像，获取岩石偏光显微镜下图像，辅助挑选长石颗粒；所述计算机分析模块为在计算机上配置xrf及xrd装置的相关数据处理软件，通过测试获取长石种类及含量衍射图谱数据，并统计在配套计算机样品数据处理软件中显示出的长石类别及含量，对设备获取的数据进行处理修正。所述深度学习模块，包括人工辅助神经网络训练器以及自动模型评价器。

其中人工辅助神经网络训练器先期接受大量的隧洞开挖岩石数据以及各类地表岩石数据以及国内油田及煤田的钻井岩性数据，且这些数据均存于数据存储中心，训练器可以不断从数据存储中心获得数据。训练器接受来自元素分析模块以及矿物定量模块的信息，通过与已有数据对比和训练，最终可按照以下原理进行分级：

原理一：火成岩中长石类型，此条作为主要考虑标准。矿物的结晶温度越低其抗风化能力便越强，在火成岩中，不同的长石其结晶顺序有明显的先后关系，钠长石与钙长石形成连续固溶体系列，一般以钙长石分子(caal2si2o8，an)百分比(按mol数计算)为基础将其划分为钠长石(ab，an＝0～10％)、更长石(olg，an＝10～30％)、中长石(and，an＝30～50％)、拉长石(lab，an＝50～70％)、倍长石(byt，an＝70～90％)和钙长石(an，an＝90～100％)，且an<30时称为酸性斜长石，an＝30～50％时称为中性斜长石，an>50％时称为基性斜长石。钾长石很容易被风化蚀变，基性斜长石比酸性斜长石更容易遭受风化。

因此钾长石的抗风化能力高于斜长石(即正长石比斜长石的抗风化能力强)，或碱性长石抗风化能力大于斜长石，而在斜长石中则酸性斜长石大于中性斜长石大于基性斜长石，综上可知，按照不同长石的种类提供判别标准来看，正长石(钾长石)>酸性斜长石(钠长石、奥长石)>中性斜长石(中长石)>基性斜长石(拉长石、培长石、钙长石)。通过对比其元素含量，本实施例提供一种更为简单的划分，既当长石中仅含有k元素时，其抗风化能力最强，na元素其次，仅含有ca元素时其抗风化能力最差，当同时含有na和ca元素时，其风化能力随着ca元素含量的增多而增强。

原理二：晶体结构，矿物在结晶时如果有较为充足的结晶时间和生长空间，其便会按照其自身具有的晶体结构生长为固定的形状，因此，当矿物结晶后保持了自身的晶体结构与形状，则称为自形晶体；保留的大部分晶体形状，则称为半自形晶体；完全丧失了其自身形状，则称为它形晶体，而矿物的晶体形状保存的越完好则说明其更加稳定，岩石风化程度也就越低。

原理三：火成岩石中长石所占的含量百分比，区别于其它岩石类型，可以长石含量达到很高占比，如沉积岩长石含量最多一般不超过50％，而火成岩中长石含量可以达到80％-90％。长石是一种较能抗风化的矿物，一般情况下，其在岩石中的含量越高，其抗风化能力就越强，风化程度也就越低。但由于结晶环境不同，也有差别，如正长岩长石含量是高于花岗岩中的，但抗风化能力不见得好于花岗岩，故此标准只作为辅助评价。

依据上述原理，提出如下判别等级：火成岩中长石类型为主要考虑标准，若长石类型仅为钾长石—a级；钾长石>斜长石—b级；钾长石<斜长石—c级；仅为斜长石—d级。

长石的晶体结构，自形含量占比最高—a级；半自形含量占比最高、自行＞它形—b级，半自形含量占比最高、自行＜它形—c级，它形含量占比最高—d级。

若长石在火成岩中含量超过60％—a级；20％-60％—b级；5％-20％—c级；<5％-d级。

按上述标准，最终定出长石特性对岩层风化程度的最后判断级别：至少存在一个a级或b+a级或2个a级则为弱风化，仅存在1个a级或2个b级则为中风化，不存在任何一个a/a级或b/b级则强风化。

训练器在形成火成岩石不同风化程度判别模型时，向数据存储中心导入预设的不同长石特征标准阈值，作为评价器评价火成岩石风化程度的评价依据。整合训练器训练的特征量，按照预置的分类标准给出风化程度的级别，建立由长石特征控制的火成岩风化程度自动模型评价器。评价器能够根据训练器得到的响应信息最优模型计算对隧洞中tbm掘进前方所遇到的火成岩的风化程度进行评价。

所述数据输出系统，输出模型将待评价的火成岩中所含的长石特征与数据存储中心中的各种信息进行对比，通过火成岩石自动模型评价器对待评价的火成岩风化程度进行评价，并根据不同阈值作具体规定。前期勘测过程中不同位置的火成岩石实测评价资料作为评价参考，以及在开挖过程中不断获得火成岩石风化程度评价资料，不断提高模型精度。

系统还包括无线传输系统和数据存储中心。数据存储中心存储各类长石成分及含量数据及预设的火成岩风化评价阈值，获取的岩石数据及经数据输出系统评价得到的火成岩风化等级数据存储在数据存储中心。

基于上述系统的工作方法，操作步骤如下：

前期采集tbm隧道在开挖前期的火成岩岩石样品，图像扫描装置对所取岩石样品外表形貌进行扫描，获取岩石外表形貌特征；xrf测试装置及xrd测试装置获取样品火成岩中的元素种类和丰度信息、长石的不同化学成分和含量；利用计算机分析样品元素和矿物数据，相应配套软件分析元素数据以及矿物数据，得到长石化学分类特征及含量特征；利用显微装置提取目标火成岩的解理特征、干涉色特征、突起特征和晶体结构特征。

将上述特征传输至深度学习模块，通过人工预设评价标准阈值，利用智能算法学习岩石所对应的图像信息和长石特征信息，对图像中火成岩石风化特征进行提取，相应的所设定的评价标准阈值作为主要评价参考依据，辅助神经网络训练器学习建立自动模型评价器。

tbm在隧洞中掘进，掌子面及洞壁挖掘获得到的岩石样品，通过图像扫描模块和岩石测试模块对样品岩性及风化程度进行识别与初步估算，对样品中长石元素及矿物特征进行测试，得到不同火成岩石中的长石特征信息。通过无线传输系统将上述过程获得的数据传送至数据分析系统；

数据分析系统中显微图像模块及计算机分析模块对火成岩显微晶体结构及化学元素和矿物成分含量进行分析，将得到的长石特征信息并图像信息传输至深度学习模块。自动模型评价器根据之前得到的评价模型对火成岩石风化程度进行评价，并将评价结果传输至数据存储中心存储起来，增加数据库数据，进而继续服务于下一次评价。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。