A comparative study on machine learning approaches for rock mass classification using drilling data

目前，在钻爆隧道的岩石工程设计中，主要依赖工程师的观察评估。测量钻进时（MWD）数据是在隧道开挖期间收集的高分辨率传感器数据集，但其利用不足，主要用于地质可视化。本研究旨在将MWD数据自动转化为可操作的岩石工程指标，以便将数据与具体的工程行动联系起来，从而为隧道面前的地质挑战提供关键的决策支持。研究利用了来自15个隧道的50万个钻孔的大规模和地质多样化的数据集，引入了在实际隧道工程环境中准确分类岩体质量的模型。研究探索了传统的机器学习和基于图像的深度学习，将MWD数据分类为Q类和Q值，这些指标描述了岩体的稳定性，使用表格和图像数据。结果表明，在使用表格数据的基于树的模型集成中，K最近邻算法有效地分类岩体质量。在将岩体质量分类为Q类A、B、C、D、E1、E2时，它实现了交叉验证平衡精度为0.86，而在将E与其他类别进行二元分类时，它实现了0.95的平衡精度。使用每次爆破的MWD图像进行分类时，使用CNN实现了0.82的平衡精度。从表格MWD数据中回归Q值时，与分类相似的集成模型实现了交叉验证R2和MSE分别为0.80和0.18。回归和分类的高性能提高了对自动化岩体评估的信心。在独特数据集上应用先进的建模技术，展示了MWD数据在提高岩体分类准确性和推进数据驱动的岩石工程设计方面的价值，减少了手动干预。

本论文旨在自动化翻译MWD数据为可行的岩石工程指标，以提供岩石工程决策支持，进而改进现有的岩石工程设计。

论文使用机器学习和深度学习技术，将MWD数据分类为Q类和Q值，并通过回归模型预测Q值，进而实现自动化岩石质量评估。

论文利用了一个大型的、地质多样的数据集，采用传统的机器学习和基于图像的深度学习方法，分别对MWD数据进行分类和回归预测，取得了较高的准确率和性能表现。实验结果表明，自动化岩石质量评估可以提高岩石工程设计的准确性和效率。

最近的相关研究包括：1.《基于深度学习的岩石质量分类研究》；2.《岩石工程中的机器学习方法研究进展》；3.《基于机器学习的岩石质量评估方法研究》等。