![]()
预测未开挖隧道段岩石裂缝的几何特征对于施工安排至关重要。本文提出了一种从时空角度预测隧道掌子面附近裂缝分布的方法。我们创新性地将隧道开挖里程类比为时间序列数据。利用分形几何和地质统计学，提取外围岩石裂缝的几何特征，建立动态预测的时空数据集。SCINet 模型是一种空间感知递归神经网络，用于确定性随机动力学预测。进行数值模拟以验证模型对各种分布的预测准确性，包括迹线长度、倾角和密度。值得注意的是，迹线长度预测的平均绝对百分比误差 （MAPE） 非常低，为 5.49 %，而 Kullback-Leibler （KL） 散度低至 4.81 %。该方法进一步应用于中国的一个地下储油洞穴，揭示了结构表面信息。通过结合连续暴露的裂缝数据，预测准确性逐渐提高，证明了该方法作为提高隧道施工安全性和效率的预测工具的潜力。图 1.隧道裂缝分布预测时空序列数据集和建模流程图。图 2.所提出的裂缝分布时空预报神经网络 （SCINet） 结构示意图。图 4.三组裂缝方向的上半球图像：根据表 2 生成的随机裂缝点的方向图。这三个图像对应于三个模拟：Normal-I、Normal-II 和 Fisher-I。每个映射中的不同颜色表示每个集合的采样结果。图 5.三组裂缝的上半球投影具有不同的方向参数，三组裂缝以不同的颜色显示。图 8.地下储油洞室研究区的工程地质。（a） a 是三维地质图，（b） 是研究区域的地质剖面，（c） 是掌面的真实图像）。图 9.关于图像采集和识别和提取线性或平面骨折的流程图。图 10.隧道裂缝分布序列的可视化 3D 图。x 轴是指深度台阶，y 轴是由不同褶皱线表示的岩石裂缝分布（倾角、长度、倾角）。5. 总结
该文提出了一种基于时空方法的未开挖隧道裂缝分布预测方法。该研究主要侧重于检查裂缝随时间发展的模式以及与隧道开挖方向的关系。通过利用从图像和点云收集的地质裂缝数据，该方法旨在预测开挖过程中隧道掌子面前方的裂缝。本研究的主要结论总结如下：
(1)
本文提出了一种生成三维裂隙分布的时空序列的技术。该技术可以结合图像语义分割和自动不连续性提取方法，借助地统计学，生成一系列时空裂缝预测数据集。
(2)
基于时空理论，发展了一种确定性-随机动力学预测方法，该方法将隧道的里程类似于一个“时间点”，而裂缝的三维空间分布则表示不同时间的属性信息。SCINet 被堆叠成复杂的预测网络 Stacked SCINet。该网络旨在捕获裂缝分布的时空序列中最重要的特性，从而获得更准确的预测。
(3)
建立了数值模拟试验，验证了该方法的可行性。实验结果清楚地表明，与其他时空预测模型相比，SCINet 模型取得了更高的准确性。实验结果清楚地表明，与其他时空预测模型相比，SCINet 模型取得了更高的准确性。该模型实现了 5.88% 的最小断裂密度平均绝对百分比误差 （MAPE） 和迹线长度的 4.04% 的低 Kullback-Leibler （KL） 散度值。尽管由于固有的随机性，倾角的预测误差略高，但它仍然在实际工程应用的可接受范围内。
(4)
在工程中，这种方法是在隧道开挖之前预测裂缝分布的可靠工具。通过提前识别潜在的地质风险，它显着提高了隧道施工的安全性和效率。该方法的适用性不仅限于隧道开挖，还延伸到其他地下工程，例如地铁建设和采矿，展示了其在各种应用中的广泛潜力。
