導(dǎo)語：卷積神經(jīng)網(wǎng)絡(luò)算法在隧道工程的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，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(luò)的理論知識,介紹其拓?fù)浣Y(jié)構(gòu)；接著對目前卷積神經(jīng)網(wǎng)絡(luò)在隧道工程領(lǐng)域的應(yīng)用進(jìn)行了分析，這對我國“新基建”的推進(jìn)有重要意義。

關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；隧道工程；自動識別

卷積神經(jīng)網(wǎng)絡(luò)算法(ConvolutionalNeuralNetworks，CNN）是包含卷積計算的具有深度結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)［1］，是深度學(xué)習(xí)的代表算法之一，也是機(jī)器學(xué)習(xí)的一個重要分支。隧道工程作為傳統(tǒng)的基建工程，在當(dāng)下智能化大數(shù)據(jù)飛速發(fā)展的時代,迫切需進(jìn)行產(chǎn)業(yè)升級，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到隧道工程領(lǐng)域是中國新基建的重要一環(huán)。目前，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用已在該領(lǐng)域逐步開展，應(yīng)用于地層識別、鉆爆法巖質(zhì)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(luò)在隧道工程的應(yīng)用，包括識別、檢測。最后給出對CNN的總結(jié)與展望。

1卷積神經(jīng)網(wǎng)絡(luò)理論

1.1卷積神經(jīng)網(wǎng)絡(luò)概念

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計算且具有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，是當(dāng)下流行的深度學(xué)習(xí)的最重要算法之一［2］。卷積神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)、一般人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系如圖1所示。卷積結(jié)構(gòu)可以減少深層網(wǎng)絡(luò)占用的內(nèi)存量，其三個關(guān)鍵的操作，其一是局部感受野，其二是權(quán)值共享，其三是pooling層，有效的減少了神經(jīng)網(wǎng)絡(luò)中存在大量的參數(shù)，存在容易發(fā)生過擬合、訓(xùn)練時間長的缺點(diǎn)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(luò)技術(shù)相比，CNN具有以下優(yōu)點(diǎn)：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(luò)拓?fù)浣Y(jié)構(gòu)

CNN特有結(jié)構(gòu)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(quán)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(luò)特征功能實現(xiàn)的核心結(jié)構(gòu)，理論較為復(fù)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(jié)合在一起然后進(jìn)行分類。輸出層作為卷積神經(jīng)網(wǎng)絡(luò)的最后一層，它的作用是對輸入的一維向量進(jìn)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(luò)特征提取功能的核心模塊。要理解“卷積運(yùn)算”并非易事。首先，我們可以把卷積運(yùn)算其視為圖像處理中的“濾波器運(yùn)算”。卷積運(yùn)算的作用是提取獲捕捉原輸入數(shù)據(jù)的特征。假設(shè)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(yùn)算的過程為：卷積核W中的每一個權(quán)值w分別和輸入矩陣X中所對應(yīng)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(yùn)算全過程是由很多運(yùn)算組成：卷積核以一定間隔滑動，并對所覆蓋區(qū)域進(jìn)行運(yùn)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(chǔ)上，進(jìn)一步提取特征。實際應(yīng)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(lǐng)域CNN的應(yīng)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(shù)費(fèi)時費(fèi)力，故深度學(xué)習(xí)興起后，CNN模型逐漸應(yīng)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(dāng)隧道跨度大，地質(zhì)條件多變，傳統(tǒng)識別方法費(fèi)時費(fèi)力，并不能滿足需求。將傳統(tǒng)技術(shù)與CNN相結(jié)合不僅可以發(fā)展隧道施工技術(shù)，也可加大其在識別技術(shù)的應(yīng)用［3］。一方面，可建立巖渣自動識別CNN模型，通過強(qiáng)大的識別功能來獲取地層地質(zhì)特性，判斷前方有無塌方等風(fēng)險；另一方面，采用CNN對掌子面進(jìn)行評價具有耗時短的優(yōu)點(diǎn)，使掌子面自動素描成為可能，具有良好的應(yīng)用前景。

2.2巖質(zhì)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(yīng)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(xué)者可針對隧道炮孔參數(shù)的準(zhǔn)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(jié)構(gòu)老化的風(fēng)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(dǎo)致檢測結(jié)果不充分且效率低下。因此，采用基于CNN技術(shù)自動、有效、高速識別地鐵隧道裂縫，迅速成為主要應(yīng)用方向之一。

3結(jié)論

本文主要闡述了CNN的相關(guān)概念、拓?fù)浣Y(jié)構(gòu)及其在隧道工程領(lǐng)域的應(yīng)用。將來面對隧道施工中的實際問題，可以結(jié)合實測進(jìn)一步提高CNN應(yīng)用的精確性，從而不斷推進(jìn)隧道工程的產(chǎn)業(yè)升級。

參考文獻(xiàn)

［1］高震宇.基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用［D］.合肥：中國科學(xué)技術(shù)大學(xué)，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(luò)學(xué)習(xí)性能研究［J］.中國圖像圖形學(xué)報，2016，21（9）：1178-1190.

［3］黃科.TBM施工巖渣自動識別技術(shù)研究［D］.石家莊：石家莊鐵道大學(xué)，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(xué)報，2008（09）：1383-1388.

［5］張萬志.巖質(zhì)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(jì)南：山東大學(xué)，2019.

作者：張楊楊 趙烜 李亮金 汪子建 馬紀(jì)元 單位：中國礦業(yè)大學(xué)力學(xué)與土木工程學(xué)院