摘要：文中先是阐述了卷积神经网络的理论知识,介绍其拓扑结构；接着对目前卷积神经网络在隧道工程领域的应用进行了分析，这对我国“新基建”的推进有重要意义。
关键词：深度学习；卷积神经网络；隧道工程；自动识别
卷积神经网络算法(ConvolutionalNeuralNetworks，CNN）是包含卷积计算的具有深度结构的前馈型神经网络［1］，是深度学习的代表算法之一，也是机器学习的一个重要分支。隧道工程作为传统的基建工程，在当下智能化大数据飞速发展的时代,迫切需进行产业升级，卷积神经网络应用到隧道工程领域是中国新基建的重要一环。目前，卷积神经网络的应用已在该领域逐步开展，应用于地层识别、钻爆法岩质炮孔识别、隧道识别检测等方面。本文主要分为两大部分：第一部分阐述了了CNN的模型理论，第二部分介绍了目前卷积神经网络在隧道工程的应用，包括识别、检测。最后给出对CNN的总结与展望。
1卷积神经网络理论
1.1卷积神经网络概念
卷积神经网络是一类包含卷积计算且具有深度结构的神经网络，是当下流行的深度学习的最重要算法之一［2］。卷积神经网络与机器学习、一般人工神经网络、深度学习和卷积神经网络的关系如图1所示。卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受野，其二是权值共享，其三是pooling层，有效的减少了神经网络中存在大量的参数，存在容易发生过拟合、训练时间长的缺点从而缓解了模型的过拟合问题。与常规人工神经网络技术相比，CNN具有以下优点：共享卷积核，高效率处理高维数据；可以通过卷积层中的卷积核提取需要的特征。
1.2卷积神经网络拓扑结构
CNN特有结构包括卷积层、池化层、全连接层及输出层，使其具备了局部感知、权值共享的特性。其中，隐含层的卷积层、池化层是保证卷积神经网络特征功能实现的核心结构，理论较为复杂，下节具体阐述。全连接层的主要作用则是将上一层提取到的特征结合在一起然后进行分类。输出层作为卷积神经网络的最后一层，它的作用是对输入的一维向量进行分类。
1.3CNN卷积层、池化层理论
隐含层的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块。要理解“卷积运算”并非易事。首先，我们可以把卷积运算其视为图像处理中的“滤波器运算”。卷积运算的作用是提取获捕捉原输入数据的特征。假设输入的数据为一个m×n的矩阵X，卷积核为一个i×j工程。的W（i≤m，j≤n）。则运算的过程为：卷积核W中的每一个权值w分别和输入矩阵X中所对应的x相乘后再求和，卷积核计算公式如式1所示。（1）事实上，真正的卷积运算全过程是由很多运算组成：卷积核以一定间隔滑动，并对所覆盖区域进行运算得到输出y，直到遍历矩阵X。池化层的作用在卷积层的基础上，进一步提取特征。实际应用中一般采用最大池化层或平均池化层，前者以矩阵的最大值为特征值，后者以平均值为特征值。
2隧道工程领域CNN的应用
我国已成为修建隧道最多的国家，随之而来的是一系列的隧道塌方等难题。传统技术费时费力，故深度学习兴起后，CNN模型逐渐应用于山岭与城市隧道施工，常用于识别和检测。
2.1地层识别
岩渣地层自动识别是隧道施工中的重要组成部分，提前获取开挖层信息是隧道安全施工的必要条件。当隧道跨度大，地质条件多变，传统识别方法费时费力，并不能满足需求。将传统技术与CNN相结合不仅可以发展隧道施工技术，也可加大其在识别技术的应用［3］。一方面，可建立岩渣自动识别CNN模型，通过强大的识别功能来获取地层地质特性，判断前方有无塌方等风险；另一方面，采用CNN对掌子面进行评价具有耗时短的优点，使掌子面自动素描成为可能，具有良好的应用前景。
2.2岩质炮孔识别
钻爆法是山岭隧道的常用施工方法。使用率该方法开挖隧道时，相应岩性特征下炮孔数量、间距及分布和装药量等参数尚缺乏系统性理论支撑，容易隧道塌方等事故。一些学者可针对隧道炮孔参数的准确、快速获取及水平层状岩体隧道爆破参数［4］优化开展研究，通过现场炮孔图像采集及理论分析和现场试验等方法，实现了隧道炮孔［5］的自动化识别与位置定位，基于以上步骤可以获得炮孔数量及间距参数，实现了爆破参数的智能优化。
2.3隧道识别检测
目前，随着城市地下空间开发利用速度的加快，很多隧道面临着结构老化的风险，但我国对隧道的安全检测还停留在人工排查的水平上，导致检测结果不充分且效率低下。因此，采用基于CNN技术自动、有效、高速识别地铁隧道裂缝，迅速成为主要应用方向之一。
3结论
本文主要阐述了CNN的相关概念、拓扑结构及其在隧道工程领域的应用。将来面对隧道施工中的实际问题，可以结合实测进一步提高CNN应用的精确性，从而不断推进隧道工程的产业升级。
参考文献
［1］高震宇.基于深度卷积神经网络的图像分类方法研究及应用［D］.合肥：中国科学技术大学，2018.
［2］刘万军，梁雪剑，曲海成.不同池化模型的卷积神经网络学习性能研究［J］.中国图像图形学报，2016，21（9）：1178-1190.
［3］黄科.TBM施工岩渣自动识别技术研究［D］.石家庄：石家庄铁道大学，2019.
［4］刘春，王宝军，施斌等.基于数字图像识别的岩土体裂隙形态参数分析力法［J］.岩土工程学报，2008（09）：1383-1388.
［5］张万志.岩质隧道炮孔图像识别算法及光面爆破参数优化研究［D］.济南：山东大学，2019.
作者：张杨杨 赵烜 李亮金 汪子建 马纪元 单位：中国矿业大学力学与土木工程学院