Ye T, Li F, Li C, et al. Machine learning-FDEM-driven rapid identification and modeling of tunnel surrounding rock strength[J]. Tunnelling and Underground Space Technology, 2025, 166: 106932.

快速确定隧道工作面前方的围岩风化程度并预测岩体强度对于隧道工程科学设计和工程风险的主动管理具有重要意义。在这项工作中，一种融合了XRF测试-机器学习-FDEM方法的围岩强度识别与建模方法被提出，该方法利用XRF测试获取前方岩体地质信息并利用强化神经网络NRBO-BPNN构建起元素成分与岩石强度间的对应关系，进一步利用NSGA-II算法将元素信息量化为可供输入的FDEM数值参数，从而实现由地球化学信息到FDEM数值模型的跨越。以山东汶上县某花岗岩矿山隧洞为例验证了所提出方法的性能和泛化能力。结果表明，本文提出的方法能很好的预测多类风化花岗岩的强度，通过更多的现场XRF测试数据能不断提升该方法的预测精度和泛化能力。

方法框架

不同风化花岗岩元素成分差异(a) 单质 (b) 氧化物

中风化圆柱样品加载破坏过程

风化花岗岩隧洞位移变形模式