1.本发明涉及数据处理技术领域，尤其涉及一种高原隧道围岩分级模型训练方法、装置、设备及介质。
背景技术：2.为了保障隧道建设的安全性，对隧道的围岩条件进行勘测和等级划分是必不可少的，现阶段，一般会采用人工实地勘测的方式对隧道的围岩等级进行判断，或采用rmr法、bq法和q系统法等分级方法来检测围岩等级。
3.但是，对于人工勘测的方法，其需要投入大量的人力物力财力以及时间成本，且如果前期判断失误会极大影响建设进度，增加建设成本；对于现阶段的分级方法，它们在进行高原隧道等级判定时，几种方法所得结果之间存在一定的差异，并不准确，这是由于不同的区域和环境所需要考虑的参数标准并不一样，特别是相比于低海拔地区的隧道，高原隧道在勘测设计阶段一般都会受到复杂地质条件的影响，而现阶段的分级方法并不能很好的适应高原隧道的复杂环境。例如，bq法过于注重岩体的单轴抗压强度，不能反映高原隧道潜在的岩爆风险；rmr法没有考虑到高原高地应力的问题；q系统法采用的是比值法，当面对复杂地质环境的时候会出现较大误差。
技术实现要素：4.本发明的主要目的在于提供一种高原隧道围岩分级模型训练方法、装置、设备及介质，旨在解决现有技术中对高原隧道围岩进行分级的精度较低的技术问题。
5.根据本发明的第一方面，提供了一种高原隧道围岩分级模型训练方法，所述方法包括：
6.获取多组围岩样本数据；其中，所述围岩样本数据包括对应围岩样本的质量指标值、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数，且所述围岩样本数据标注有围岩等级值；
7.将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；
8.将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；
9.根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
10.可选地，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型，包括：
11.根据训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，得到对应的训练误差；
12.判断所述训练误差是否小于预设阈值；
13.若所述训练误差大于或等于所述预设阈值，则调整所述网络权值；
14.返回执行所述将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值，并得到对应的新训练误差，直至所述新训练误差小于所述预设阈值，得到所述目标高原隧道围岩分级模型。
15.可选地，所述若所述训练误差大于或等于所述预设阈值，则调整所述网络权值，包括：
16.若所述训练误差大于或等于所述预设阈值，则确定出当前网络权值；
17.利用共轭梯度算法得到与所述当前网络权值对应的当前梯度数据；
18.根据所述当前网络权值和所述当前梯度数据，调整所述网络权值。
19.可选地，所述获取多组围岩样本数据之前，所述方法还包括：
20.针对所述围岩样本数据对应的围岩样本，确定所述围岩样本的岩石强度数据、所述围岩样本对应岩体的岩体纵波速度以及所述围岩样本对应岩块的岩块纵波速度；
21.根据所述岩石强度数据，确定出所述围岩样本的单轴抗压强度作为所述抗压强度值，并根据所述岩体纵波速度和所述岩块纵波速度，得到所述完整性指数。
22.可选地，所述获取多组围岩样本数据之前，所述方法还包括：
23.确定出所述围岩样本的结构面节理走向、节理倾向以及节理倾角；
24.根据所述结构面节理走向、所述节理倾向以及所述节理倾角，得到所述节理方向评价值。
25.可选地，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型之后，所述方法还包括：
26.从多组所述围岩样本数据中得到多组测试数据；
27.将多组所述测试数据作为所述目标高原隧道围岩分级模型的输入值，得到对应的测试围岩等级值输出值；
28.根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测。
29.可选地，所述根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测之后，所述方法还包括：
30.获取待测围岩数据；
31.将所述待测围岩数据输入完成精度检测的所述目标高原隧道围岩分级模型，得到所述待测围岩数据对应的围岩等级值。
32.根据本发明的第二方面，提供了一种高原隧道围岩分级模型训练装置，包括：
33.数据获取模块，用于获取多组围岩样本数据；其中，所述围岩样本数据包括对应围岩样本的质量指标值、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数，且所述围岩样本数据标注有围岩等级值；
34.数据分组模块，用于将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；
35.模型训练模块，用于将多组所述训练数据作为所述原始神经网络模型的输入值，
得到对应的训练围岩等级值输出值；
36.参数调整模块，用于根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
37.根据本发明的第三方面，提供了一种高原隧道围岩分级模型训练设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高原隧道围岩分级模型训练程序，所述高原隧道围岩分级模型训练程序被所述处理器执行时实现第一方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
38.根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有高原隧道围岩分级模型训练程序，所述高原隧道围岩分级模型训练程序被处理器执行时实现第一方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
39.本发明实施例提出一种高原隧道围岩分级模型训练方法、装置、设备及介质，通过高原隧道围岩分级模型训练设备获取多组围岩样本数据；将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
40.本发明通过选取可以更好表征高原隧道围岩复杂环境的围岩样本数据，利用一套全新的、更能反应高原地区围岩性质的参数标准对原始神经网络模型进行训练，基于训练得到的输出值对原始神经网络模型进行权值调整，以得到可以对高原隧道围岩进行准确分级的目标高原隧道围岩分级模型。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
42.图1为本发明实施例方案涉及的硬件运行环境的高原隧道围岩分级模型训练设备的结构示意图；
43.图2为本发明高原隧道围岩分级模型训练方法的第一实施例的流程示意图；
44.图3为本发明图2中s204的步骤的细化流程示意图；
45.图4为本发明图3中a30的步骤的细化流程示意图；
46.图5为本发明实施例涉及的高原隧道围岩分级模型训练装置的功能模块示意图。
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
49.本发明实施例的主要解决方案是：获取多组围岩样本数据；将多组所述围岩样本
数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
50.为了保障隧道建设的安全性，对隧道的围岩条件进行勘测和等级划分是必不可少的，现阶段，一般会采用人工实地勘测的方式对隧道的围岩等级进行判断，或采用rmr法、bq法和q系统法等分级方法来检测围岩等级。但是，对于人工勘测的方法，其需要投入大量的人力物力财力以及时间成本，且如果前期判断失误会极大影响建设进度，增加建设成本；对于现阶段的分级方法，它们在进行高原隧道等级判定时，几种方法所得结果之间存在一定的差异，并不准确，这是由于不同的区域和环境所需要考虑的参数标准并不一样，特别是相比于低海拔地区的隧道，高原隧道在勘测设计阶段一般都会受到复杂地质条件的影响，而现阶段的分级方法并不能很好的适应高原隧道的复杂环境。例如，bq法过于注重岩体的单轴抗压强度，不能反映高原隧道潜在的岩爆风险；rmr法没有考虑到高原高地应力的问题；q系统法采用的是比值法，当面对复杂地质环境的时候会出现较大误差。
51.本发明提供一种解决方案，该方案用于高原隧道围岩分级模型训练设备，通过选取可以更好表征高原隧道围岩复杂环境的围岩样本数据，利用一套全新的、更能反应高原地区围岩性质的参数标准对原始神经网络模型进行训练，基于训练得到的输出值对原始神经网络模型进行权值调整，以得到可以对高原隧道围岩进行准确分级的目标高原隧道围岩分级模型。
52.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.本发明实施例的说明书和权利要求书中的“第一”、“第二”用于区别类似的对象，而不必用于描述特定的顺序或者先后次序，应该理解这样的数据在适当的情况下可以互换，以便这里描述的实施例能够以除了这里图示或者描述的那些以外的顺序实施。
54.参照图1，图1为本发明实施例方案涉及的硬件运行环境的高原隧道围岩分级模型训练设备的结构示意图。
55.如图1所示，该高原隧道围岩分级模型训练设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对高原隧道围岩分级模型训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件
布置。
57.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据获取模块、数据处理模块、参数调整模块以及高原隧道围岩分级模型训练程序，其中，数据处理模块又可细化为数据分组模块和模型训练模块。
58.在图1所示的高原隧道围岩分级模型训练设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明高原隧道围岩分级模型训练设备中的处理器1001、存储器1005可以设置在高原隧道围岩分级模型训练设备中，高原隧道围岩分级模型训练设备通过处理器1001调用存储器1005中存储的高原隧道围岩分级模型训练程序，并执行本发明实施例提供的高原隧道围岩分级模型训练方法。
59.基于上述硬件结构但不限于上述硬件结构，本发明提供一种高原隧道围岩分级模型训练方法第一实施例。参照图2，图2为本发明高原隧道围岩分级模型训练方法第一实施例的流程示意图。
60.本实施例中，该方法包括：
61.步骤s201，获取多组围岩样本数据；
62.在本实施例中，执行主体为高原隧道围岩分级模型训练设备，该高原隧道围岩分级模型训练设备可以是pc计算机，也可以是专用的具有模型训练功能的电子设备，本实施例对此不作限制。
63.如上所述，对于不同的环境、不同的地质条件，对隧道围岩进行等级评价所需参照的参数标准是不一样的，而在本实施例中，针对的是高原隧道围岩，故为了得到精度更高，可以更准确的表征高原地区隧道围岩等级的高原隧道围岩分级模型，就需要采用更能适应高原隧道复杂环境的围岩样本数据。因此，为了保证围岩分级的准确性，能够更加准确的反应高原隧道具有的特性，本实施例中结合高原隧道的特点以及影响高原隧道围岩稳定性的三大因素(即高地应力、岩爆和大变形)，选取以下7种数据作为参数标准完成后续操作，具体为：质量指标值、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数。
64.下面依次对这些数据进行详细说明：
65.1.质量指标值：围岩样本的质量指标值即rqd值，是国际上评价岩体质量的通用方法，可以定量的反应岩体的完整程度。该方法是利用直径大于或等于75mm的金刚石钻头和双层岩芯管在岩石中钻进，连续取芯，将长度在10cm(含10cm)以上的岩芯累计长度与钻孔进尺长度之比的百分数作为对应的rqd值，故在前期勘测过程中可以通过该方法测量得到该岩石质量指标的具体数值。
66.2.抗压强度值：岩石抗压强度是基本力学属性之一，对于岩石的分类和质量具有重要的影响。长期以来，岩石的单轴抗压强度用作岩石分类标准，并用以评价岩石质量和稳定性。另外点荷载试验也可以用来确定岩石的单轴强度，点荷载试验对岩石的制作规范性要求较低，是一种快速、经济并且有效的现场测定岩石强度的方法，在岩体质量分级中得到了广泛的应用。也就是说，现阶段可选用的岩石强度数据包括单轴抗压强度和点荷载强度，而对于高原中岩体强度较低的情况，本实施例中可以选用岩石强度数据中的单轴抗压强度作为抗压强度的输入值。
67.3.完整性指数：岩体的完整程度主要是指岩体受结构面的切割程度、单元块体的
大小，以及块体之间的结合状态。因此，岩体完整程度与结构面的几何特征、性状有关，即由结构面的密度、组数、产状延伸度、张开度、粗糙度、起伏度、充填情况、充填物性质等决定。岩石完整性系数可以反映出岩体的结构特征。具体的，可以用岩体的纵波速度与岩块的纵波速度之比的平方表示。此外，也可以用岩体单位体积节理数反映岩体的完整性程度。
68.4.节理方向评价值：在隧道的围岩分级方法中，结构面节理的走向与隧道轴线的方向也是影响围岩等级的因素之一。
69.本实施例中，相关特征包括三个方面，即节理走向、节理倾向以及节理倾角，也就是说，本实施例中节理走向与隧道轴线的关系(平行、垂直等)、节理倾向(沿倾向方向掘进、逆离倾向方向掘进等)、节理倾角(所属角度区间)都会对后续的评价值产生影响，即本实施例中的节理方向评价值需要基于这三个数据确定。
70.5.地下水涌水量：地下水情况反映了岩体赋存环境状况，地下水往往作为不利的因素考虑，主要是因为地下水能够软化围岩，冲蚀围岩结构面的充填物，降低围岩支护效果等，因此，地下水为影响围岩稳定性的主要因素之一。地下水渗流输入参数按每10m长的隧道涌水量的数值输入，从而得到对应的地下水涌水量。
71.6.地应力：地应力是存在于地壳内部的应力。地应力主要是由两部分组成，一是由上部岩石重量引起的重力，二是由周围的地块传递来的构造应力。在隧道的开挖过程中，会使围岩应力发生变化，也会引起构造应力。相比于低海拔地区，在高原隧道的围岩有较高的地应力分布，甚至有发生岩爆的风险，对岩体的安全产生了巨大的影响。因此，将地应力因素考虑到高原隧道的围岩分级是十分有必要的。为了保证分级的方便性和快速性，将围岩的最大主应力作为围岩分级参数之一。
72.7.岩爆参数：在高原隧道的开挖过程中，由于岩体中具有很高的地应力，围岩临空岩体积累的应变能可能会发生突然而猛烈的释放，导致围岩像爆炸一样的发生破坏。严重的岩爆会损坏隧道，破坏机械设备，甚至还会造成人员伤亡。在高原地区，岩爆的发生对围岩稳定应和支护结构的方式有重要影响。因此，本实施例将岩爆风险作为高原隧道围岩等级的影响参数之一。为了使参数可以被bp神经网络系统识别，将岩爆的综合评判结果转化为0～1之间的无量纲值。
73.步骤s202，将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；
74.在获取到上述围岩样本数据后，即可利用这些数据进行模型训练。具体的，首先将这些围岩样本数据导入原始神经网络模型中，原始神经网络模型在接收到这些数据后，会对其进行分组，随机产生一定比例的训练数据、验证数据和测试数据，其中，训练数据用于训练模型，调整模型的权值、偏执等参数；验证数据用于调整模型的超参数，如模型中隐含层的数量；测试数据用于对训练完成的模型进行测试，以确保其精度和泛化能力可以满足要求。
75.步骤s203，将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；
76.得到上述训练数据后，将这些训练数据作为该原始神经网络模型的输入值，然后原始神经网络模型会根据这些训练数据进行计算，得到隐含层及输出层中神经元各节点的输出，最后即可得到对应的训练围岩等级值输出值。应当明确的是，由于训练数据包括多
组，每一组都对应于一个围岩样本，所以最后也可以相应的得到多个围岩样本对应的训练围岩等级值输出值。可以理解的，在后续处理过程中，对于不同围岩样本的围岩等级值，也一定是针对与其对应的训练围岩等级值输出值来进行处理。
77.步骤s204，根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
78.不难理解，在训练过程中，由于一开始的网络模型并不成熟，因此得出的训练围岩等级值输出值与真实值(即对应围岩样本数据中标注的围岩等级值)之间会存在较大误差，而为了得到满足要求的目标高原隧道围岩分级模型，就需要通过不断调整原始神经网络模型的网络权值，不断减小误差。
79.在一具体实施方式中，参照图3，图3为本发明图2中s204的步骤的细化流程示意图，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型，包括：
80.步骤a10，根据训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，得到对应的训练误差；
81.如上所述，为了得到满足要求的目标高原隧道围岩分级模型，就需要通过不断调整原始神经网络模型的网络权值，不断减小误差，故首先就需要根据计算所得的训练围岩等级值输出值，确定与该值对应的围岩等级值的真实值，然后将两者做差得到训练误差。
82.步骤a20，判断所述训练误差是否小于预设阈值；
83.在实际应用中，很难做到训练所得结果和真实值之间完全不存在误差，但只要误差足够小，那么相应的模型便可以满足实际需求。因此，本实施例中在获取到上述训练误差后，可以判断该训练误差是否小于预设阈值，若小于，则说明当前模型已经可以满足要求，若不小于，则说明当前模型还需要进行进一步的调整。其中，该预设阈值可以根据实际需求自行设置。
84.步骤a30，若所述训练误差大于或等于所述预设阈值，则调整所述网络权值；
85.步骤a40，返回执行所述将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值，并得到对应的新训练误差，直至所述新训练误差小于所述预设阈值，得到所述目标高原隧道围岩分级模型。
86.若训练误差不小于即大于或等于该预设阈值，那么当前模型的网络权值还需要进行进一步的调整，并且，在每次调整后，都需要重新计算对应的训练误差，直到训练误差小于预设阈值为止，才能得到满足要求的目标高原隧道围岩分级模型。
87.在一具体实施方式中，参照图4，图4为本发明图3中a30的步骤的细化流程示意图，所述若所述训练误差大于或等于所述预设阈值，则调整所述网络权值，包括：
88.步骤b10，若所述训练误差大于或等于所述预设阈值，则确定出当前网络权值；
89.当训练误差大于或等于预设阈值时，说明此时的网络权值还需进行调整，故首先需要获取当前网络权值。
90.步骤b20，利用共轭梯度算法得到与所述当前网络权值对应的当前梯度数据；
91.步骤b30，根据所述当前网络权值和所述当前梯度数据，调整所述网络权值。
92.本实施例中，可以利用共轭梯度算法来进行权值的调整。具体的，以当前网络权值作为迭代初始点，进行下列操作：1.计算该网络权值对应的梯度参数；2.求解一维搜索问题
minf(wk+λpk)，当λ≥0调用神经网络模型，输入当前迭代点wk，得到学习率λk，令w
k+1
＝wk+λkpk；其中，wk为当前网络权值，pk为当前网络权值对应的梯度，λ为步长因子，w
k+1
为调整后的网络权值；3.不断调整网络权值直至上述训练误差小于预设阈值时停止调整操作，得到目标高原隧道围岩分级模型，否则转4；4.如果k＝n-1，令w0＝wk+1，k＝0，转1，否则转5，其中，n为训练数据的数量；5.确定出对应的共轭因子，该共轭因子可以通过polak-ribiere法来计算，然后基于该共轭因子更新梯度；6根据更新后的梯度输出权值或者转2继续后续处理，直至训练误差满足要求。
93.其中，共轭梯度法(conjugate gradient method)在解决线性问题以及非线性问题时具有良好的性能表现，这种方法的收敛速度快，稳定性好。共轭梯度法介于牛顿法与最速下降法之间，是一种对梯度法的修正方法。共轭梯度法是在梯度法的基础上对搜索方向进行了优化，它将前一点的梯度乘以相应的系数加到该点的梯度上，得到一个新的搜索方向。共轭梯度法每次的各搜索方向是相互共轭的，数据的每次迭代方向都朝负梯度方向进行。它将前一个点的梯度与现在点的梯度结合，用线形组合形式构建更优的搜索方向。相较于梯度下降法，共轭梯度法的收敛速度快，不需要额外的参数，需要的储存空间也较小。
94.最后，需要补充说明的是，本实施例中不仅可以通过训练数据对模型进行关于权值调整的训练，如上所述，本实施例中对于获取到的围岩样本数据还会分组得到多组验证数据，其目的在于调整模型中隐含层的数量。可以理解的，在用训练数据进行训练时，模型为了可以更好的适应这些训练数据，可能会导致过度拟合，也就是说，上述训练得到的目标高原隧道围岩分级模型对于这些训练数据的契合度肯定是最好的，但是如果换了其他数据最后的效果可能就难以保证了，故为了提高模型的泛化能力，还需要利用验证数据对模型的超参数进行优化，得到对应的验证误差，然后确定出使得验证误差最小的模型隐含层数量，得到最终的目标高原隧道围岩分级模型。
95.本实施例中，通过选取可以更好表征高原隧道围岩复杂环境的围岩样本数据，利用一套全新的、更能反应高原地区围岩性质的参数标准对原始神经网络模型进行训练，基于训练得到的输出值对原始神经网络模型进行权值调整，以得到可以对高原隧道围岩进行准确分级的目标高原隧道围岩分级模型。
96.进一步的，作为一个实施例，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型之后，所述方法还包括：从多组所述围岩样本数据中得到多组测试数据；将多组所述测试数据作为所述目标高原隧道围岩分级模型的输入值，得到对应的测试围岩等级值输出值；根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测。
97.在上述目标高原隧道围岩分级模型正式投入使用之前，为了进一步测试该模型的精度和泛化能力，本实施例中还可以利用上述分组得到的测试数据对目标高原隧道围岩分级模型进行测试。具体的，将这些测试数据输入目标高原隧道围岩分级模型，得到对应的测试围岩等级值输出值，然后，根据测试围岩等级值输出值和对应的围岩等级值，得到测试误差，不难理解，如果该测试误差小于预设阈值，则说明此时的目标高原隧道围岩分级模型已经可以满足实际需求。
98.本实施例中，对上述得到的目标高原隧道围岩分级模型进行进一步测试，可以确
保所得模型的精度和泛化能力，从而有利于在后续对高原隧道围岩进行准确分级。
99.进一步的，作为一个实施例，所述根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测之后，所述方法还包括：获取待测围岩数据；将所述待测围岩数据输入完成精度检测的所述目标高原隧道围岩分级模型，得到所述待测围岩数据对应的围岩等级值。
100.在完成上述训练和测试操作后，目标高原隧道围岩分级模型的精度和泛化能力可以满足实际需求，故此时即可利用该模型进行实际的高原隧道围岩分级操作。具体的，首先获取待测围岩数据，该待测围岩数据可以是人工输入的新的围岩数据，也可以是保存在数据库中尚未处理的历史围岩数据，然后将该待测围岩数据输入目标高原隧道围岩分级模型，即可得到对应的围岩等级值。
101.本实施例中，利用上述得到的目标高原隧道围岩分级模型对高原隧道围岩进行分级检测，一方面减少了人工操作，节省了人力物力财力；另一方面由于上述目标高原隧道围岩分级模型是基于与高原隧道围岩密切相关的围岩数据训练得到的，所以利用该模型进行分级操作的准确性更高。
102.基于同一发明构思，本发明实施例还提供一种高原隧道围岩分级模型训练装置，参照图5所示，包括：
103.数据获取模块，用于获取多组围岩样本数据；其中，所述围岩样本数据包括对应围岩样本的质量指标等级、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数，且所述围岩样本数据标注有围岩等级值；
104.数据分组模块，用于将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；
105.模型训练模块，用于将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；
106.参数调整模块，用于根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。
107.需要说明的是，本实施例中的关于高原隧道围岩分级模型训练装置的各实施方式以及其达到的技术效果可参照前述实施例中高原隧道围岩分级模型训练方法的各种实施方式，这里不再赘述。
108.此外，在一实施例中，本技术还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述方法实施例中方法的步骤。
109.在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
110.在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
111.作为示例，可执行指令可以但不一定对应于文件系统中的文件，可被存储在保存
其它程序或数据的文件的一部分，例如，存储在超文本标记语言(html，hyper text markup language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
112.作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
113.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
技术特征：1.一种高原隧道围岩分级模型训练方法，其特征在于，所述方法包括：获取多组围岩样本数据；其中，所述围岩样本数据包括对应围岩样本的质量指标值、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数，且所述围岩样本数据标注有围岩等级值；将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型，包括：根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，得到对应的训练误差；判断所述训练误差是否小于预设阈值；若所述训练误差大于或等于所述预设阈值，则调整所述网络权值；返回执行所述将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值，并得到对应的新训练误差，直至所述新训练误差小于所述预设阈值，得到所述目标高原隧道围岩分级模型。3.根据权利要求2所述的方法，其特征在于，所述若所述训练误差大于或等于所述预设阈值，则调整所述网络权值，包括：若所述训练误差大于或等于所述预设阈值，则确定出当前网络权值；利用共轭梯度算法得到与所述当前网络权值对应的当前梯度数据；根据所述当前网络权值和所述当前梯度数据，调整所述网络权值。4.根据权利要求1所述的方法，其特征在于，所述获取多组围岩样本数据之前，所述方法还包括：针对所述围岩样本数据对应的围岩样本，确定所述围岩样本的岩石强度数据、所述围岩样本对应岩体的岩体纵波速度以及所述围岩样本对应岩块的岩块纵波速度；根据所述岩石强度数据，确定出所述围岩样本的单轴抗压强度作为所述抗压强度值，并根据所述岩体纵波速度和所述岩块纵波速度，得到所述完整性指数。5.根据权利要求4所述的方法，其特征在于，所述获取多组围岩样本数据之前，所述方法还包括：确定出所述围岩样本的结构面节理走向、节理倾向以及节理倾角；根据所述结构面节理走向、所述节理倾向以及所述节理倾角，得到所述节理方向评价值。6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型之后，所述方法还包括：
从多组所述围岩样本数据中得到多组测试数据；将多组所述测试数据作为所述目标高原隧道围岩分级模型的输入值，得到对应的测试围岩等级值输出值；根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测。7.根据权利要求6所述的方法，其特征在于，所述根据所述测试围岩等级值输出值和与所述测试围岩等级值输出值对应的围岩等级值，对所述目标高原隧道围岩分级模型进行精度检测之后，所述方法还包括：获取待测围岩数据；将所述待测围岩数据输入完成精度检测的所述目标高原隧道围岩分级模型，得到所述待测围岩数据对应的围岩等级值。8.一种高原隧道围岩分级模型训练装置，其特征在于，所述装置包括：数据获取模块，用于获取多组围岩样本数据；其中，所述围岩样本数据包括对应围岩样本的质量指标值、抗压强度值、完整性指数、节理方向评价值、地下水涌水量、地应力以及岩爆参数，且所述围岩样本数据标注有围岩等级值；数据分组模块，用于将多组所述围岩样本数据导入原始神经网络模型中，以使所述原始神经网络模型对多组所述围岩样本数据进行分组，得到多组训练数据；模型训练模块，用于将多组所述训练数据作为所述原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；参数调整模块，用于根据所述训练围岩等级值输出值和与所述训练围岩等级值输出值对应的围岩等级值，调整所述原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。9.一种高原隧道围岩分级模型训练设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高原隧道围岩分级模型训练程序，所述高原隧道围岩分级模型训练程序被所述处理器执行时实现如权利要求1至7中任一项所述的高原隧道围岩分级模型训练方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有高原隧道围岩分级模型训练程序，所述高原隧道围岩分级模型训练程序被处理器执行时实现如权利要求1至7中任一项所述的高原隧道围岩分级模型训练方法的步骤。
技术总结本发明公开了一种高原隧道围岩分级模型训练方法、装置、设备及介质，属于数据处理技术领域。该方法包括：获取多组围岩样本数据；将多组围岩样本数据导入原始神经网络模型中，以使原始神经网络模型对多组围岩样本数据进行分组，得到多组训练数据；将多组训练数据作为原始神经网络模型的输入值，得到对应的训练围岩等级值输出值；根据训练围岩等级值输出值和对应的围岩等级值，调整原始神经网络模型的网络权值，得到目标高原隧道围岩分级模型。本发明通过高原隧道围岩的围岩样本数据对原始神经网络模型进行训练，基于训练得到的输出值对原始神经网络模型进行权值调整，以得到可以对高原隧道围岩进行分级的目标高原隧道围岩分级模型。模型。模型。
技术研发人员：李曙光 任少强 徐建平 冀胜利 谢江胜 张云平 杨延勇 冯振宁 王兴立 赵小飞 徐立强 王杰 袁可 侯来民 王寅
受保护的技术使用者：中铁二十局集团有限公司
技术研发日：2022.07.01
技术公布日：2022/11/1
