来源：期刊VIP网 时间：
作者：赵思光;
单位：中国铁路经济规划研究院有限公司;
摘要：当前，基于凿岩台车钻进参数的围岩智能分级技术已在工程中得到初步应用，但如何收集足量高质量的带围岩级别标签的样本一直是该技术面临的关键问题。基于此，考虑掌子面围岩非均一特征，研究建立一种隧道围岩智能分级样本自动化标注方法。首先通过K-Means方法，将带围岩级别标签的初始样本集每个掌子面钻进参数样本分为6组，排序后只保留占比最高的前三组数据，用于数据提纯，提升样本集质量；然后参照自学习方法，利用已标注的样本集建立分类模型，依次选择一定数量的聚类样本进行标注，并选择置信度高的样本来更新模型，如此迭代，实现模型性能的不断提高和样本的自动标注。研究结果显示：5 220份初始样本集中95%的样本通过聚类提纯数据后保留的数据点比例超过62.1%,典型样本的进给速度标准差减少29.8%～46.2%,但均值变化只有0.9%～13.7%,表明通过此方法可以在保留原数据整体特征的同时，减少数据离散性。此外，通过借鉴自学习方法对聚类样本进行标注，样本集扩充了3.7倍，且自标注样本的围岩级别多为原掌子面围岩级别或相邻围岩级别，累计占比98.8%,符合掌子面围岩级别的空间分布规律，表明自动化标注样本具有很好的可靠性。研究成果有利于进一步提升基于凿岩台车钻进参数的围岩智能分级技术的可推广性。
关键词：铁路隧道;;样本标注;;聚类分析;;自学习;;围岩分级;;钻进参数
基金资助：中国国家铁路集团有限公司科技研究开发计划项目(N2023G084,N2024G048);; 中国铁路经济规划研究院有限公司基金课题(2025YJJ10)
