基于随钻测量数据预测隧道围岩体积断裂强度的半监督深度学习框架

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Semi-supervised deep learning framework for predicting volumetric fracture intensity of tunnel surrounding rock using measurement while drilling data

　　

• 基于多分支提取网络的约束卷积堆叠自编码器，实现了从MWD数据对P32的半监督预测。• 新型相邻钻孔约束损失利用地质相似性和距离衰减效应，超越了传统损失函数。• 分组融合策略整合了MWD数据和辅助数据，精度优于展平或拼接策略。

1. 引言

钻爆法仍然是隧道施工中最广泛使用的技术。研究表明，开挖过程中围岩的不稳定和破坏主要受构造面重力滑移及单个岩块运动的控制，而完整岩石材料的应力致灾相对较少（Whittaker et al., 1992, Zhang and Zhao, 2014）。岩体通常被概念化为由节理、裂隙和断层等构造面相交形成的离散岩块组合。这些不连续面的空间分布和特征在决定岩体的强度和变形行为方面起着关键作用（Baghbanan and Jing, 2008, Zhao et al., 2015）。因此，构造面的发育程度对于评估隧道围岩的稳定性至关重要。

隧道开挖过程中常见的不稳定现象包括掌子面坍塌、顶板掉块和侧帮破坏。其中，潜在滑移区的形成受多种不连续面的相互作用影响，尤其是岩体表面的离散裂隙和褶皱（Brideau et al., 2009, Zhang et al., 2024）。目前，隧道工程中的构造面数据主要通过地质编录、取芯钻孔和高级物探勘探获取。岩质量指标、岩体质量分级和基岩质量指标等综合岩体分类系统被广泛用于评价隧道岩体条件（Deere, 1988, Khodadad-Zadeh et al., 2022, Wang and He, 2023）。然而，由于岩体的显著各向异性，常规地质调查的稀疏采样往往无法有效地全面捕捉整体地质状况（Saricam and Ozturk, 2018, Zheng et al., 2018, Junaid et al., 2024）。为解决这一问题，研究者提出了一个称为Pij指数的多维裂隙评价体系（图1）。其中，体积裂隙强度（P32），定义为单位体积岩石中不连续面的总表面积（Dershowitz and Herda, 1992, Dershowitz et al., 1998），被认为是最具代表性的裂隙丰度指标之一。它常被用于裂隙岩体的数值模拟和稳定性分析。从工程角度来看，提前建立区域P32预测，可以为在岩体暴露前动态优化开挖设计提供关键的先见之明。

图1. 裂隙表征的多维Pij指数体系。

在隧道施工过程中，开挖活动暴露出大量地质信息，如岩性、裂隙模式和地下水条件。裂隙检测方法一般分为接触式和非接触式技术。接触式方法，如使用游标卡尺和地质罗盘进行人工编录，劳动强度大、存在安全风险，且在掌子面直接应用时效率低下。相比之下，非接触式方法利用基于图像或三维点云的技术，结合机器视觉或深度学习算法，自动识别和分析掌子面上的裂隙（Riquelme et al., 2014, Pan et al., 2024, Han et al., 2016）。然而，隧道区段开挖完成后，由于重力效应，无支护的拱顶和拱腰区域特别容易发生掉块和坍塌，比掌子面本身更为危险。传统的裂隙测量技术无法直接获取开挖面前方这些关键区域的裂隙指标。

钻时测量（MWD）提供了一种有前景的替代方案。从预开挖钻孔中获取的数据为开挖前的围岩条件提供了间接但有价值的信息。近期研究表明，MWD数据可以有效预测各种岩体特性，如力学强度、完整性和围岩质量（Zhang et al., 2023, Zhao et al., 2024, Hansen et al., 2024, Liu et al., 2020, Bai et al., 2023, He et al., 2020）。近期研究探索了基于MWD的多分支和层级融合策略用于隧道预测（Wang et al., 2026）。半监督学习也越来越多地应用于地下特征表征，以缓解标注地质数据稀缺的问题，应用包括利用常规测井数据进行复杂岩相识别和裂隙识别（Dong et al., 2024, Dong et al., 2020）。相关研究还进一步证明了半监督和数据驱动方法在利用钻孔或地下数据进行地质表征和裂隙识别方面的潜力（Wang et al., 2026, Wang et al., 2024, Wu and Kong, 2025）。然而，相邻钻孔区域之间空间变化的地质关系很少被明确地纳入无监督学习目标中。虽然多钻孔MWD可以提供开挖前岩体条件的即时信息，但多杆MWD序列与对应P32之间的区域映射关系尚未建立。此外，在预测隧道拱顶区域的P32值时，虽然开挖边界附近可获得标注的MWD数据，但大量未标注MWD数据的潜力仍基本未被利用。给定区域内多杆MWD数据与其对应P32之间的映射关系尚未建立。因此，开发基于MWD数据的P32预测方法，以实现开挖区域潜在风险区域的早期识别，具有重要的工程价值。

现有的地下表征半监督学习方法已展示了未标注测井或钻孔数据在缓解地质标签稀缺方面的潜力。然而，相邻钻孔区域之间空间变化的地质关系很少被明确地纳入无监督学习目标中。同时，传统的多源学习通常依赖于异构特征的直接拼接或级联融合，这可能限制特征交互或引入融合顺序依赖性。因此，仍需要一种框架，既能同时利用未标注MWD数据中的空间地质相关性，又能有效融合异构多源特征。

为克服上述局限性，本研究提出了一种半监督学习框架，称为CCSAE-MBEN，用于区域P32预测。该框架集成了在未标注MWD数据上训练的约束卷积堆叠自编码器（CCSAE），用于无监督地质特征提取，以及标注数据上训练的多分支提取网络（MBEN），用于监督预测。在该框架内，引入了相邻钻孔约束损失（NBCL），以纳入相邻钻孔区域间距离依赖的地质相似度，并开发了一种分组融合策略，以渐进式整合同质和异构特征。通过全面的消融实验评估了这些组件的贡献。此外，还研究了无监督学习约束和MWD序列长度对预测性能的影响。本研究的具体目标如下：

（1）通过整合周边孔MWD数据、源自三维激光点云的区域P32统计值以及岩体内部钻孔的未标注MWD数据，构建混合标注/未标注数据集。

（2）开发由NBCL引导的CCSAE，通过纳入相邻钻孔区域间的空间相关性，从未标注MWD数据中提取地质相关特征。

（3）开发多分支提取和分组融合网络，以整合异构的MWD、爆破和施工信息，用于区域P32预测。

2. 框架

在隧道工程中，基于力学数据的地质识别面临着数据集不完整和高标注数据缺乏的重大挑战。为应对大量凿岩台车钻孔数据与有限地质标注之间的显著不平衡，本研究提出了一种半监督学习框架。该方法包括三个关键阶段：（1）数据选择与处理，（2）数据集构建，（3）模型开发与训练。该框架整合了无监督（CCSAE）和半监督（CCSAE-MBEN）学习组件，如图2所示。

（1）原始数据收集

图2. P32预测的半监督学习框架。

流程始于异构多源现场数据的汇编，整合实时钻机信号（MWD）、施工操作日志和无支护隧道表面的高分辨率三维激光扫描剖面。

（2）参数选择

数据集包括力学数据、施工参数和无支护隧道表面的三维激光扫描数据。鉴于MWD数据与P32裂隙指数之间的空间相关性，周边孔的MWD数据与对应的区域P32值配对作为标注样本。同时，辅助孔和切割孔的MWD数据被视为未标注样本。

（3）数据处理

在预处理过程中，每个钻孔的MWD信号被划分为四个钻孔阶段（Wang et al., 2024）。对于多孔分析，由于第四阶段的数据地质相关性有限，予以排除。其余阶段保留用于后续训练和建模。

（4）数据集建立

未标注数据集通过将两个相邻隧道段的MWD数据与区域间中心距离作为输入配对构建，以MWD信号本身作为目标。这种结构便于通过自监督学习提取地质模式。

标注数据集包括周边孔MWD数据、爆破参数和施工参数作为输入。输出为从三维点云数据中统计得出的区域P32值。所有输入和输出特征均经过归一化处理。标注和未标注数据集分别构建，服务于不同的训练目标。

（5）模型训练

为捕捉空间相邻区域间的地质一致性，使用CCSAE模型在未标注数据集上训练一个无监督地质特征提取器。该提取器学习反映岩体特征的潜在表示，无需标签监督。随后，使用标注数据集开发半监督预测模型。该模型基于MBEN，通过专门的特征提取器适应不同类型的输入特征。它整合了预训练的CCSAE模块，以增强预测P32值时的泛化能力和性能。

3. 方法

本节提出了一种基于半监督学习的P32预测方法，集成了CCSAE和MBEN。CCSAE模块在未标注数据集上训练，提取捕捉岩体地质特征的潜在表示。该无监督学习过程由专门设计的NBCL引导，纳入了相邻钻孔间的地质相似性和空间距离衰减。随后，CCSAE-MBEN框架在标注数据集上训练以预测P32值。

3.1 特征提取相关模块

3.1.1 约束卷积堆叠自编码器

在钻爆隧道施工中，岩石凿岩台车的操作产生大量实时MWD数据，这些数据固有地包含关于岩性、力学特性和构造特征（节理、裂隙、断层）的有价值信息。然而，在P32参数预测的背景下，非周边孔的MWD数据通常缺乏显式标签，因为对应的暴露岩体无法直接观测。尽管缺乏真值标注，但先前的研究表明，未标注MWD数据保留了丰富的地质特征，可以利用无监督学习技术有效挖掘（Wang et al., 2026）。例如，我们的初步调查成功通过对相邻钻孔收集的MWD数据进行相似性分析，揭示了局部岩体不连续面的地质特征。然而，单根钻杆的MWD数据本质上代表线性采样，空间分辨率有限，无法完全表征区域岩体的三维非均质性。为克服这一局限性，我们提出了一种无监督的多钻孔数据融合方法，利用钻孔间的地质相关性。该方法通过构建跨区域地质特征关联模型，实现了对区域岩体裂隙强度的更准确表征。

堆叠自编码器（SAE）是一种经典的无监督学习架构，在从未标注数据中逐步提取潜在低维表示方面表现出卓越的能力，在降维和特征提取方面表现优异（Yu and Mooney, 2023, Yu et al., 2022, Yu et al., 2021）。借助局部感受野和权重共享特性，卷积神经网络（CNN）可以高效捕捉数据中的空间相关特征，在特征提取方面显著优于传统方法。基于这些优势，开发了CCSAE模型（图3）。编码器由多个串联的CNN模块组成，每个模块包含ReLU激活函数、批归一化（BatchNorm）和二维卷积层（Conv2D）。解码器采用镜像架构，由反卷积模块（DeCNN）组成，每个模块包含转置卷积层（ConvTranspose2D）、BatchNorm和ReLU，确保重建特征与输入数据的维度匹配。

图3. CCSAE模型架构。

监督学习受益于输入-输出映射来指导参数优化，而无监督学习缺乏这种标签驱动的约束，可能提取出物理上无关或难以解释的特征。为解决这一问题，近期研究提出了将数据驱动约束函数纳入训练过程以进行调控（Wang et al., 2026）。基于相邻钻孔MWD数据的相似性假设，当前方法通过约束特征空间距离来增强局部不连续面的识别能力。

然而，单炮孔MWD数据仅能反映沿线性路径的局部信息，多炮孔协同分析则能有效刻画区域岩体的空间非均匀性。因此，本研究提出了一种新颖的NBCL，以支持多炮孔分析，同时纳入相邻区域间的空间关系。(1) 区域重建误差项（第一项和第三项）通过最小化同一区段内多炮孔MWD数据的重建误差，该项确保特征提取的保真度。(2) 跨域特征相似项（第二项）考虑到地质相似性随距离增加而减弱，我们引入了一种融入距离因子的空间加权特征相似度度量，以动态调节相邻区域间的地质关联强度——为相近区段的特征相似度赋予更高权重，为更远区段赋予更低权重，从而增强局部地质特征的相似性。CCSAE以NBCL作为目标函数进行训练。训练完成后，编码器参数被冻结并部署为地质特征提取器，为后续的P32预测模块提供鲁棒且信息丰富的输入。NBCL的计算公式如下：

(1) NBCL = (1/m)∑_{i=1}^{m}(xi,1 ? x?i,1) + kc·(1/m)∑_{i=1}^{m}(fi,1 ? fi,2 / Di,1-2) + (1/m)∑_{i=1}^{m}(xi,2 ? x?i,2)

其中，m为相邻区段的样本量，xi,1为区段#1中炮孔的MWD数据，x?i,1为xi,1的重建值，xi,2为区段#2中炮孔的MWD数据，x?i,2为xi,2的重建值，fi,1为从xi,1中提取的特征，kc为跨区域特征相似项的加权系数，fi,2为从xi,2中提取的特征，Di,1-2为两区段间的中心距离。

**3.1.2 用于多炮孔特征提取的特征金字塔网络**

特征金字塔网络（FPN）是一种基于深度学习的多尺度特征融合框架，通过分层特征复用有效解决了目标检测和语义分割中的尺度敏感性问题（Lin et al., 2017）。标准FPN架构由三个主要组件构成：自底向上路径、自顶向下路径和横向连接。在传统FPN实现中，较高级别的特征图（空间分辨率较小）被上采样并通过逐元素相加与对应的较低级别特征融合。这种融合策略使生成的特征图能够同时保留高级语义上下文和低级空间细节。然而，随着FPN中网络深度的增加，高级语义特征的提取往往会稀释原始的初级特征，这可能损害自顶向下传播过程中关键输入信息的传递。为解决这一局限性，本文提出了一种改进的特征金字塔融合增强网络（FPFEN）模型（图4），在自底向上路径的最后一层引入了带有跳跃连接的注意力机制。在注意力门（AG）模块中，C4特征经过1×1卷积并与C1特征进行尺寸对齐，随后通过Softmax归一化生成注意力图。AG模块的输出作为增强的P4特征。

[下载：下载高分辨率图像（269KB）下载：下载全尺寸图像]
图4. 用于多炮孔特征提取的FPFEN模块架构。

FPFEN的自底向上主干网络采用ResNet架构，其中C1到C2的残差块分别由[1,2,2]个单元组成。相邻输出特征图保持2×尺度比，确保一致的多尺度表示。在自顶向下路径中，网络对高级特征进行2×上采样，随后与对应的低级特征进行横向融合。所提出的FPFEN产生的多尺度输出特征（P2、P3、P4）既保留了浅层细粒度的空间信息，又蕴含了深层丰富的语义信息，从而为下游地质预测任务提供鲁棒且具有判别性的特征表示。

**3.2 基于分组融合的层级特征融合**

特征融合是深度学习和计算机视觉中的核心技术，旨在通过整合来自不同数据源的互补信息，构建更具判别性和鲁棒性的复合表示。该过程涉及从各种输入中提取的多个特征向量的聚合与压缩，同时保留共享语义和模态特有信息，从而增强下游任务的泛化能力和计算效率。多源数据的常见融合策略包括扁平融合和级联融合（图5）。

(1) 扁平融合

[下载：下载高分辨率图像（205KB）下载：下载全尺寸图像]
图5. 多模态特征的融合策略。

当输入特征被归一化到公共尺度且维度较低时，各特征向量可以被展平并直接拼接以形成高维复合表示。该方法保留了原始特征的完整性，并允许在不同模态间进行直观的融合。然而，扁平融合存在维度灾难问题，因为生成的特征空间随输入数量呈指数级增长。此外，异构特征之间的语义不一致性可能导致融合干扰，从而降低模型性能。

(2) 级联融合

级联融合通常适用于特征源具有明确层级关系的情况。在该方法中，特征按预定义的顺序依次融合并进行降维，与特征的重要性或抽象程度的层级相对应。然而，该方法对融合顺序较为敏感，可能导致刚性且不灵活的特征交互。此外，过早的降维可能导致细粒度语义信息的丢失，从而限制融合特征的表达力。

为了从数据中提取丰富的多维度特征，我们使用了多个专用特征提取器，如卷积神经网络（CNN）、长短期记忆（LSTM）网络和深度神经网络（DNN），以捕获同一输入的层级表示。当处理由同质提取器（即在跨模态中使用相同类型的特征提取器）处理的高维多源数据时，上述扁平融合和级联融合策略可能就足以满足基本的集成任务。然而，直接拼接融合构成了一种"硬融合"方法，特征在未发生任何相互交互的情况下被合并。相比之下，级联融合虽然能够在一定程度上实现信息交换，但对融合顺序高度敏感，可能导致刚性且次优的特征集成。这两种传统方法都倾向于稀释各特征提取器的独特优势，使它们在涉及复杂特征层级或跨模态语义的场景中效果较差。

为了克服这些局限性，本研究提出了一种由特征提取器特性引导的分组融合策略，涉及特征解耦后重组的两步过程，如图6所示。该策略由两个关键阶段组成：

(1) 局部特征交互

[下载：下载高分辨率图像（163KB）下载：下载全尺寸图像]
图6. 分组融合策略。

该阶段涉及对同质提取器产生的特征进行初步融合（例如CNN生成的多层空间特征），同时保留提取器特有的归纳偏置和优势。

(2) 全局特征集成

在该阶段，利用注意力机制或基于图的神经网络在不同特征类型之间（例如CNN的空间特征和LSTM的时间特征）进行跨模态交互。这些模块动态调整融合权重，实现自适应集成，从而最小化信息丢失并控制维度增长。

这种"分而治之，然后协作"的两阶段架构有效避免了直接异质融合引入的干扰，同时通过渐进式特征学习保留了多尺度语义信息。所提出的策略为复杂数据环境中的特征工程提供了一种新颖的解决方案，既克服了传统融合技术的局限性，又利用了多样化特征提取器的互补优势。

**3.3 用于多任务学习的多分支提取网络**

为了实现P32的准确识别，必须综合考虑隧道施工参数、MWD参数和炮孔参数。由于这些数据源之间存在显著的非均匀性，包括物理属性、时间特性和数据维度的差异，传统的单流特征提取网络，如CNN、LSTM和Transformer编码器，通常针对特定特征类型进行设计，往往无法捕获稳健预测所需的多模态信息的全部范围（Wang et al., 2026）。为解决这一局限性，本研究提出了一种多分支特征提取与分组融合框架（图7），由三个关键组件组成：多分支提取网络、特征融合模块以及用于单任务预测的塔网络。

[下载：下载高分辨率图像（486KB）下载：下载全尺寸图像]
图7. 多分支提取网络架构。

该架构采用了针对各数据模态特性定制的结构多样化特征提取器，使模型能够有效学习多源异构输入。

对于多钻孔的MWD数据，框架集成了以下模块：
(1) 在无标签数据上预训练的编码器模块，用于提取与地质相关的特征；
(2) FPFEN，用于捕获沿钻孔轴向的多尺度空间与语义特征；
(3) DNN，用于全局特征集成。

对于施工数据，使用了两个模块：
(1) Transformer编码器，用于捕获时间依赖关系并反映随时间变化的施工动态；
(2) 额外的DNN，用于提取代表整体施工过程的上下文特征。

该框架在多个尺度上策略性地部署DNN，以管理空间分辨率与语义深度之间的权衡。低级特征提供更精细的空间分辨率但语义信息较少，而高级特征捕获更丰富的语义但往往丢失空间细节。对于爆破设计参数，采用不同深度的DNN来提取不同抽象层级的层级表示，从而增强多尺度特征学习。

特征融合组件采用分组融合策略。在融合阶段，CNN类特征（FPFEN输出）和DNN类特征首先各自在其类别内进行同质融合，随后与Transformer导出的时间特征进行跨模态融合，生成全面的特征向量。基于融合后的特征向量，根据预测任务数量建立任务特定的塔网络，使各任务预测能够实现差异化的特征应用。在P32预测任务的模型实例化中，三个连续预测目标为：P32均值、方差和偏度系数。CCSAE-MBEN模型的损失计算如下：

(2) Loss_all = βa·Loss_A + βb·Loss_B + βc·Loss_C

其中，Loss_A、Loss_B和Loss_C分别表示任务A、B和C的平滑L1损失，对应P32的均值、方差和偏度。βa、βb和βc为其对应的加权系数，满足βa + βb + βc = 1。

**3.4 模型评估指标**

本框架中使用的运行指标和损失函数分为新提出的机制和适配的基线组件，它们在不同训练阶段应用以确保结构透明性：

(1) 无监督训练：NBCL是本研究中新提出的原创创新。受岩土工程空间连续性的驱动，NBCL严格用于训练无监督学习模块（CCSAE）。

(2) 半监督训练：平滑L1损失借鉴自先前文献。它被用于量化半监督模型训练过程中的性能表现并指导梯度反向传播。具体而言，三个独立预测任务（P32的均值、方差和偏度）的回归损失分别使用平滑L1损失计算，随后通过式(2)聚合为总联合目标损失。

为评估模型在预测任务上的性能，采用以下指标：平均绝对误差（MAE）、均方误差（MSE-L）和决定系数（R2）。上述模型评估指标的计算公式如下：

(3) SmoothL1(x, y) = (1/n)∑_{i=1}^{n}{(yi ? ?i)2/2, if |yi ? ?i| < 1; |yi ? ?i| ? 0.5, otherwise}

(4) MSE-L = (1/m)∑_{i=1}^{m}(xi ? x?i)

(5) MAE = (1/n)∑_{i=1}^{n}|yi ? ?i|

(6) R2 = ∑_{i=1}^{n}(?i ? yi)2 / ∑_{i=1}^{n}(?i ? ?i)2

其中，n为批量大小或样本量，yi为真实值，?i为平均值，?i为预测值。

**4. 数据集构建**

本节介绍基于高速公路隧道工程项目的数据获取、筛选和预处理流程。创建了两个不同的数据集：无标签数据集和带标签数据集，每个数据集都有明确定义的输入和输出参数。

**4.1 项目概述**

羊夹窝铺隧道位于中国北京与河北省交界处，是首都环线高速公路的重要路段。该隧道采用分离式双管设计，左、右隧道长度分别为5,103 m和5,054 m。线路主要穿越Ⅲ级和Ⅳ级围岩，Ⅴ级围岩占总长度的不足10%（图8(a)）。这一分布反映了整体中低稳定性的地质环境。

[下载：下载高分辨率图像（803KB）下载：下载全尺寸图像]
图8. 项目信息概览与数据收集处理。

在隧道掘进过程中，进行了全面的数据收集，包括工程日志、地质调查报告、设计文档、各掘进循环的运行记录以及3D激光扫描数据。3D扫描专门用于捕获暴露岩体的表面裂隙信息，作为计算P32的依据。原始3D点云数据由FARO Focus 150激光扫描仪采集，分辨率设为1/16，质量系数为4x。在这些参数下，测量误差被严格控制在约1 mm/10 m的范围内。

由于这种毫米级的硬件不确定性比岩体结构特征和区域P32计算域小了多个数量级，其对模型整体预测误差的影响可忽略不计，确保了真实值数据库的可靠性。为了确保开挖岩面原始形态的准确保留（该形态可能会因爆破后的清渣作业而发生改变），本项目采用了“先扫描，后清渣”的工作流程（图8(d)）。在这种方法中，出渣后立即进行3D激光扫描，而清渣作业则故意推迟到数据采集完成之后。这一策略有效地保留了裂隙的真实分布和暴露岩体的结构特征。

4.2. 参数选择与数据处理
本研究主要使用MWD数据，并辅以爆破参数和施工参数，以实现P32值的准确预测。整合多源辅助参数的动机在于，针对开挖引起的应力场和执行误差提供关键的边界约束，从而减少环境噪声并提高预测的可解释性。此外，本研究有意采用半监督方法，以利用岩内炮孔（辅助孔和掏槽孔）中海量未标记的MWD数据（这些数据缺乏显式标注），克服了真实值P32标签只能从可见边界表面统计得出的严重数据稀缺问题。参数选择和数据处理的流程如图9所示。基于无支护隧道的扫描数据，计算与P32标记部分相对应的MWD数据。MWD数据被分为有标记数据集和无标记数据集，具体的参数处理策略如下：

(1) 施工参数
下载：下载高分分辨率图像
下载：下载全尺寸图像
图9. 多源数据采集与预处理的一体化工作流程。

隧道开挖会显著改变掌子面前方的应力场，其影响范围通常延伸至隧道直径的3到5倍。凿岩台车的钻孔过程受到岩石强度、岩体节理发育程度和原位应力的影响。因此，在基于MWD数据预测P32时，必须特别注意该关键区域内的施工参数。关键的隧道施工参数包括支护参数和几何参数。支护参数包括初期支护刚度（SPS）和开挖长度（EL）。几何参数包括隧道跨度、隧道高度、横截面积和覆岩深度。为了平衡计算成本与精度，隧道沿纵向被划分为分辨率为隧道跨度0.1倍的区段。这种离散化确保了特征提取的物理合理性，同时保持了计算可行性。

(2) 爆破参数
由于凿岩台车的潜在定位误差和人工操作偏差，实际钻孔角度和位置可能与设计的炮孔布置不同。虽然总体爆破参数（包括各类炮孔的数量、平均间距和掏槽角）主要影响爆破质量，但这些参数未纳入P32预测的输入中。对于使用多个炮孔MWD数据进行P32预测的情况，考虑两类几何参数：
1) 多个炮孔的全局相对几何参数
多个钻杆的全局相对几何参数包括钻杆长度（DRL）、左间距（LS）、右间距（RS）、外偏角（ODA）、X位置和Y位置。
2) MWD截取的炮孔段落的局部空间关系
为了评估MWD截取的炮孔段落中的局部空间关系，采用两种指标来表征相邻周边孔的配置。平行对齐偏差：量化为点到面的距离（点A2到由点A1、B1和B2构成的平面的距离）。相对间距：由对应周边孔之间的纵向间距表示（A1-B1和A2-B2的距离）。

(3) MWD参数
1) 有标记数据
凿岩台车钻孔操作期间记录的钻孔参数包括距离参数（钻进深度）、压力参数（冲击压力、旋转压力、给进压力和水压）、速度参数（钻进速度和转速）以及流量参数（水流速率）。其中，钻进速度和转速是主要的响应参数。由于地层非均质性导致在相同输入条件下响应参数波动，引入了机械比能（MSE）以从能量角度对钻孔过程进行统一评估（Wang et al., 2026）。为了解决由不平整隧道掌子面引起的不一致性，不同炮孔的MWD数据在统一的绝对坐标系中使用滑动窗口进行对齐。这确保了MWD采样窗口与P32计算域之间的精确空间对应关系。
2) 无标记数据
围岩的关键部分表现出地质相似性，这意味着相邻部分的MWD数据具有提取地质特征的潜力（Yu et al., 2022）。在基于MWD的P32预测中，周边孔的MWD数据作为有标记数据，而其他炮孔的数据保持无标记状态。值得注意的是，周边孔几乎是平行的，且空间间距相似。为了在选择无标记数据时保持数据集的一致性，选择具有与周边孔类似配置的平行排列孔（如辅助孔和掏槽孔）作为MWD数据来源。有标记和无标记的MWD数据均使用滑动窗口方法进行分段。每个无标记数据集由两个相邻部分的MWD数据和MSE数据以及它们之间的部分质心距离组成。无标记数据库条目的生成受到约束，即设置了相邻部分质心之间相对距离的阈值。

(4) P32参数
P32统计分布值是使用从无支护隧道表面获取的3D激光点云数据计算得出的。计算过程包括以下步骤：
1) 数据对齐
首先将点云裁剪到开挖部分，并与MWD数据进行空间对齐，以确保P32计算区与MWD采样部分之间的对应关系。
2) 平面特征检测
使用CloudCompare软件，通过融合K-tree单元算法检测平面特征来识别节理和裂隙平面。对于每个检测到的不连续面，计算平面的参数，包括倾向、倾角、半径、中心点坐标（X, Y, Z）和法向量分量（NX, NY, NZ）。
3) P32计算
为每个点云顶点分配一个球形几何单元（半径可变）。对与球形体积相交的节理/裂隙圆盘面积进行求和。球形部分的P32值计算如下：
(7) ??32 = ??all/?? = (∑????=1????) / (4/3 ?? ??3)
其中，Aall是所选围岩部分内的节理裂隙总面积，V是所选岩体部分的体积，Ai是节理裂隙与所选部分的交集面积，r是球形调查部分的半径。
4) P32统计分析
为了表征裂隙的空间分布，计算每个定义区域的P32值的均值、方差和偏度。这些统计数据反映了围岩体中节理发育的密度、均匀性和不对称性。

4.3. 数据集构建
完整数据集被划分为两个子集用于模型训练：用于训练CCSAE模型的无监督数据集和用于训练CCSAE-MBEN模型的监督数据集。无监督模型的输入由来自多个钻孔的空间对齐MWD数据（两个相邻部分）和部分的质心几何距离组成，而输出由来自多个钻孔的空间对齐MWD数据（两个相邻部分）组成。半监督模型的输入包括多孔空间对齐的MWD数据、施工数据和爆破设计参数，而输出参数是部分预测P32值的均值（任务A）、方差（任务B）和偏度（任务C）。
无标记数据集是使用三个相邻钻孔的40厘米MWD数据段构建的，段间质心距离限制在0.5米到1.5米之间。这种配置产生了183,293个无标记样本。有标记数据集使用相同的段长度和钻孔配置构建，产生了19,655个有标记样本。这些数据集的输入和输出参数的统计特征如表1所示。在模型训练期间，数据按7.5:1.5:1的比例划分为训练集、验证集和测试集。为了防止由沿隧道纵向的空间自相关引起的潜在信息泄漏，执行了严格的空间分块策略，而不是随机分割。训练集和验证集由两个主要不同的连续区段编译而成：左洞里程ZK53+249.6到ZK53+713.4，右洞里程K53+703.6到K54+014.4。独立测试集从完全隔离的空间块中提取，具体涵盖里程ZK53+713.4到ZK53+951.6和K54+136.8到K54+220.0。至关重要的是，训练/验证和盲测块全面涵盖了Ⅲ级、Ⅳ级和Ⅴ级围岩。

表1. 模型训练中参数的统计信息。
组别 参数 单位 最大 平均 最小 标准差
输入 MWD参数 钻进速度 cm/min 30.000 3.028 0.001 1.298
输入 MWD参数 锤击压力 bar 164.000 138.927 45.000 16.902
输入 MWD参数 给进压力 bar 119.000 71.666 12.000 15.412
输入 MWD参数 旋转压力 bar 181.000 104.929 25.000 20.400
输入 MWD参数 转速 rpm 202.720 117.521 28.000 22.848
输入 MWD参数 水压 bar 80.000 63.450 25.000 15.572
输入 MWD参数 水流 L/min 103.000 73.702 0.000 9.466
输入 爆破参数 炮孔长度 m 4.988 4.840 3.501 0.122
输入 爆破参数 左距离 m 0.881 0.486 0.061 0.114
输入 爆破参数 右距离 m 0.881 0.489 0.059 0.114
输入 爆破参数 外偏角 ° 11.680 5.893 3.730 1.226
输入 爆破参数 X -1.000 0.702 0.008 0.277
输入 爆破参数 Y -1.000 0.701 0.186 0.232
输入 爆破参数 A1 m 1.947 0.650 0.312 0.192
输入 爆破参数 A2 m 1.947 0.637 0.311 0.184
输入 爆破参数 B1 m 1.945 0.646 0.310 0.192
输入 爆破参数 B2 m 1.945 0.634 0.309 0.184
输入 爆破参数 H1 m 0.022 0.004 7.95e-6 0.003
输入 爆破参数 H2 m 0.023 0.004 8.04e-6 0.003
输入 爆破参数 D1 m 4.780 2.586 0.480 1.146
输入 爆破参数 D2 m 4.780 2.561 0.480 1.145
输入 爆破参数 D3 m 4.780 2.533 0.480 1.150
输入 施工参数 掌子面宽度 m 19.778 18.839 16.338 1.485
输入 施工参数 掌子面高度 m 10.844 10.626 10.003 0.345
输入 施工参数 掌子面面积 m2 170.930 160.093 130.710 17.147
输入 施工参数 隧道深度 m 237.021 228.543 222.926 3.538
输入 施工参数 进尺 m 5.000 3.426 3.000 0.702
输入 施工参数 支护刚度 MPa 28.630 28.378 26.000 0.454
输入 施工参数 支护厚度 cm 24.000 22.800 16.000 1.956
输出 P32 均值 — 17.821 10.421 3.624 1.894
输出 P32 方差 — 17.965 5.137 0.001 3.529
输出 P32 偏度 — 1.906 0.071 -2.822 0.493

5. 应用与结果
利用第4节中通过空间分块策略建立和组织的混合数据库，本节系统地评估了所配置网络的实证性能。本节展示了所提出模型生成的P32预测结果，证明了其在复杂隧道环境中的有效性。进行了一项系统分析，以检查无标记数据集中的距离阈值和有标记数据集中的炮孔长度对CCSAE-MBEN模型性能的影响。此外，还进行了消融实验，以评估单个模型组件的贡献。

5.1. 模型性能分析
使用来自三个炮孔、每个段长为0.4米的钻孔数据来创建训练数据集。在无标记数据集中，段间距离阈值设置在0.6到0.8米之间。为了确保所提出模型和基准模型在超参数选择上的一致性，在此总结优化设置。对于CCSAE-MBEN框架，采用多目标布谷鸟搜索（MOCS）算法来优化无监督NBCL的缩放系数（kc）和三个P32预测任务的权重系数。MOCS配置包括30个巢穴，发现概率为0.25，莱维飞行指数为1.5，以及(kc)的搜索范围为0.01–0.50。与P32的均值、方差和偏度相对应的三个任务损失被用作优化目标，任务权重系数被约束为总和等于1。得出的参数为(kc = 0.10), (βa = 0.30), (βb = 0.32)和(βc = 0.38)。对于基准模型，包括支持向量回归（SVR）、随机森林（RF）、XGBoost和LightGBM，主要超参数使用网格搜索与5折交叉验证在训练数据集上进行优化。最终优化后的参数组合总结在表4中。独立测试集不参与超参数优化或模型选择。

CCSAE模型训练过程中的NBCL如图10所示。NBCL损失在最初20个训练周期内迅速下降，在60个周期后逐渐稳定，最终收敛到大约0.0008。任务A、B和C的总损失以及整个训练过程中的ABC综合损失如图10所示。在训练初期，任务B的学习率比任务A和C快。尽管这些任务共享潜在的关联，但它们独特的内在特征导致了不同的学习轨迹，即使在联合损失约束下也是如此。经过140次训练迭代后，ABC总损失以及任务A、任务B和任务C的损失分别稳定在8 × 10?4, 0.7 × 10?4, 0.7 × 10?4和0.5 × 10?4左右。
下载：下载高分辨率图像
下载：下载全尺寸图像
图10. CCSAE-MBEN模型的训练过程。

为了全面评估预测性能并量化评估指标的统计不确定性，R2、MAE和RMSE与基于自助法的95%置信区间一起报告，如图11所示。在独立测试集上进行3500次自助法重采样，使用配对的真实值和预测值作为重采样单元。在每次重复中，样本以有放回的方式随机抽取，同时保持原始测试集的大小，并重新计算相应的R2、MAE和RMSE值。经验95%置信区间使用百分位数法确定，取自助法分布的2.5%和97.5%百分位数分别作为置信下限和上限。CCSAE-MBEN框架在任务A、B和C上分别实现了0.91、0.90和0.87的R2值。相对较窄的置信区间表明在独立测试集上的性能估计存在有限的统计不确定性。总体而言，预测性能遵循任务A > 任务B > 任务C的顺序。从地质角度来看，P32均值反映了局部岩体区域内裂隙的整体发育密度，而方差和偏度则进一步表征了裂隙发育的空间变异性与不对称性。

任务 C 相对较低的预测精度可能与偏度对局部断裂聚集和非均匀不连续体分布的更大敏感性有关。因此，从任务 A 到任务 C 预测性能的下降表明，表征断裂强度高阶空间变化的难度逐渐增加。
下载：下载高分辨率图像 (562KB) 下载：下载全尺寸图像
图 11. 测试集中 P32 预测的性能。
本研究提出了一种 NBCL 方法，用于从 MWD 数据中进行地质特征的非监督特征提取。为评估 NBCL 对 CCSAE-MBEN 模型性能的贡献，实现了四种不同的损失函数（Huber、MAE、MSE-L 和 SmoothL1）作为 CCSAE 非监督学习的对比约束。CCSAE-MBEN 模型在任务 A、B 和 C 下采用每种损失函数的性能如图 12 所示。对于任务 A，CCSAE-MBEN 模型在测试集上的损失值分别为 0.12 (NBCL)、0.16 (Huber)、0.24 (MAE)、0.17 (MSE-L) 和 0.19 (SmoothL1)。对于任务 B，CCSAE-MBEN 模型在测试集上的损失值分别为 0.78 (NBCL)、0.83 (Huber)、0.91 (MAE)、1.22 (MSE-L) 和 1.06 (SmoothL1)。对于任务 C，CCSAE-MBEN 模型在测试集上的损失值分别为 0.033 (NBCL)、0.035 (Huber)、0.045 (MAE)、0.039 (MSE-L) 和 0.039 (SmoothL1)。值得注意的是，采用所提出的 NBCL 损失函数训练的 CCSAE 模型，在集成到 MBEN 框架后，在所有三个任务的验证集和测试集上均取得了持续优异的性能。这些结果表明 NBCL 在增强模型性能方面的有效性和鲁棒性。通过纳入地质相似性和空间相关性约束，NBCL 提供了更具信息量且符合领域认知的学习信号，在提取与岩体断裂预测相关的特征方面优于传统损失函数。
下载：下载高分辨率图像 (660KB) 下载：下载全尺寸图像
图 12. 不同损失函数下 CCSAE-MBEN 模型性能对比。
5.2 窗口大小与部分间距分析
数据参数对 CCSAE-MBEN 模型的影响主要在数据集构建层面观察到。具体而言，非监督数据集中 MWD 数据段之间的质心距离阈值，以及从两个数据集中提取的 MWD 数据段长度，都会显著影响模型性能。
为评估这些参数的影响，创建了两个实验数据集。在每种情况下，质心距离阈值或 MWD 段长被视为独立变量，而其他参数保持不变。
(1) 阈值对模型性能的影响
为评估非监督数据集中质心距离阈值的影响，在数据集创建期间配置了五个阈值范围：0.5–0.7 米、0.6–0.8 米、0.7–0.9 米、0.8–1.0 米和 0.9–1.1 米。每个 MWD 部分的段长固定为 0.4 米。由于不同的阈值设置会产生不同数量的数据样本，为了避免样本量偏差，所有实验中保持 190,000 条记录的恒定样本量。
CCSAE-MBEN 模型在不同阈值下的测试集和验证集性能如图 13 所示。阈值的变化影响提取特征的空间覆盖范围以及 NBCL 第二项中的距离加权。从非监督特征提取的角度来看，随着阈值的增加，模型性能逐渐下降。这是因为当质心距离变得太大时，NBCL 的距离敏感项的影响减弱。在所有任务（A、B 和 C）中，模型表现出一致的趨勢：性能最初提高，然后下降，最终稳定。在所有任务中，当阈值设置在 0.6 到 0.8 米之间时，模型取得最佳性能。
下载：下载高分辨率图像 (672KB) 下载：下载全尺寸图像
图 13. 不同阈值下 CCSAE-MBEN 模型性能对比。
作为背景，典型的切缝孔间距在 0.5 到 0.7 米之间，而辅助孔通常间距在 0.8 到 1.1 米之间。当阈值设置得太低时，相邻部分的 MWD 段倾向于过度重叠，有些情况下涉及三根钻杆仅映射到两个空间位置。这导致提取的特征过于相似，减少了由地质差异引入的可变性。随着阈值的增加，重叠减少，使模型能够更好地捕获由真实地质相似性引起的波动。这解释了为什么将阈值从 0.5-0.7 米增加到 0.6–0.8 米会提高模型性能。
(2) MWD 长度对模型性能的影响
为调查 MWD 段长对模型性能的影响，创建了一系列使用标记和无标记数据的数据集，段长设置为 20 厘米、30 厘米、40 厘米、50 厘米和 60 厘米。在创建非监督数据集期间，质心距离阈值固定在 0.6–0.8 米。与此同时，P32 统计指数的计算范围调整为匹配变化的段长。
模型在由长度确定的数据集上的性能如图 14 所示。MWD 长度对模型性能的影响在任务 A、B 和 C 中是一致的。从 20 厘米到 40 厘米，随着 MWD 段长的增加，模型性能得到提高。从 40 厘米到 60 厘米，观察到轻微下降，随后性能稳定。在所有三个任务中，最佳性能出现在 MWD 长度为 40 厘米时。随着 MWD 段长的增加，模型的特征提取模块捕获了更全面且与任务相关的地质特征，从而提高了预测性能。然而，超过一定长度（40 厘米）后，每个段内周围岩体的异质性显著增加。因此，计算出的 P32 统计指数倾向于反映全局地质变化，从而掩盖了与预测任务更相关的局部断裂特征。这种现象导致模型准确性降低，特别是对于依赖局部结构细节的指标。
下载：下载高分辨率图像 (553KB) 下载：下载全尺寸图像
图 14. 不同炮孔长度确定数据集下模型性能对比。
5.3 消融研究
为进一步评估 MBEN 架构中特征提取模块和特征融合策略的各自贡献，通过对模型关键组件进行系统性修改进行了消融研究。所得到的五个消融模型配置总结在表 2 中。在这些变体中，模型 M1、M2 和 M3 采用了不同的特征融合策略：分组融合、展平融合和级联融合。为评估 MBEN 中分支特定特征提取器的影响，基于 M3 对分支网络进行了额外的消融，得到了模型 M4 至 M6。
表 2. 不同模型的结构。
案例 | 多分支提取 | 融合方法
MWDs | 施工 | 爆破
M 1 | FPN/CCSAE/DNN | Transformer/DNN | DNN/DNN | 分组
M 2 | FPN/CCSAE/DNN | Transformer/DNN | DNN/DNN | 展平
M 3 | FPN/CCSAE/DNN | Transformer/DNN | DNN/DNN | 级联
M 4 | FPN/DNN | Transformer/DNN | DNN/DNN | 级联
M 5 | CCSAE/DNN | Transformer/DNN | DNN/DNN | 级联
M 6 | DNN | DNN | DNN | 级联
为全面评估不同特征提取和融合架构的影响，使用泰勒图比较了模型 M1–M6 的相关系数、标准差和中心均方根误差 (CRMSE)，如图 15 所示。在模型 M1–M3 中，预测性能在任务 A、B 和 C 中始终遵循 M1 > M3 > M2 的顺序，这表明分组融合策略提供了比展平或级联融合更有效的异质特征集成。这一结果对于当前的多源数据集特别相关，其中 MWD、施工和爆破参数描述了岩体响应和开挖条件的不同方面。通过首先集成由同构提取器生成的特征，随后进行跨模态融合，分组策略可以更好地保留不同特征类型的互补信息。对于模型 M3–M6，任务 A 的预测性能遵循 M3 > M5 > M4 > M6 的顺序，任务 B 遵循 M3 > M5 ≈ M4 > M6 的顺序，任务 C 遵循 M3 > M5 > M6 > M4 的顺序。包含 FPFEN 和 CCSAE 的模型总体表现更好，表明从 MWD 数据中提取的多尺度空间特征和与地质相关的表示为区域 P32 预测提供了互补信息。任务 C 中观察到的不同排名进一步表明，P32 的均值、方差和偏度对提取的特征表示具有不同的敏感性，其中偏度更容易受到局部和不对称断裂分布的影响。
下载：下载高分分辨率图像 (454KB) 下载：下载全尺寸图像
图 15. 不同结构下 CCSAE-MBEN 模型的性能。
为调查不同标记数据源的贡献，比较了包含不同 MWD、施工和爆破参数组合的四个数据集配置，如表 3 和图 16 所示。对于任务 A，预测性能遵循 AM1 > AM4 > AM2 > AM3 的顺序，而对于任务 B，顺序为 AM4 > AM1 > AM2 > AM3。对于任务 C，排名为 AM1 > AM4 > AM3 > AM2。总体而言，集成 MWD、施工和爆破信息的 AM1 在三个预测任务中取得了最佳或接近最佳的性能，尽管仅包含 MWD 的配置 AM4 在任务 B 中表现略好。
表 3. 具有不同数据源的数据集。
案例 | MWDs | 施工 | 爆破
AM 1 | √ | √ | √
AM 2 | √ | √ | —
AM 3 | √ | — | √
AM 4 | √ | — | —
下载：下载高分辨率图像 (445KB) 下载：下载全尺寸图像
图 16. 具有不同数据集的 CCSAE-MBEN 模型性能。
从工程角度来看，MWD 参数直接反映了钻探过程中围岩的力学响应，而施工和爆破参数提供了与开挖条件、炮孔几何形状和作业变化相关的互补信息。因此，纳入这些辅助参数为区分与地质条件相关的钻探响应变化与与施工和钻探配置相关的变化提供了额外的背景信息。然而，AM4 在任务 B 中的优异性能也表明辅助信息的贡献在不同的 P32 统计特征之间存在差异。这些结果表明，多源信息通常有利于区域 P32 预测，但其贡献取决于特定的统计目标。
5.4 不同模型的对比
为彻底评估所提出框架的预测性能，选择了四种广泛建立的机器学习模型作为基准模型，即 SVR、RF、XGBoost 和 LightGBM。这些模型优化后的超参数配置总结在表 4 中。
表 4. 不同模型的关键参数。
模型 | 任务 | 关键参数
XGBoost | A | n_estimators: 150, max_depth: 5, learning_rate: 0.05, subsample: 0.8
| B | n_estimators: 150, max_depth: 6, learning_rate: 0.03, subsample: 0.9
| C | n_estimators: 250, max_depth: 6, learning_rate: 0.03, subsample: 0.9
SVR | A | epsilon: 0.0067, C: 131.72, gamma: auto
| B | epsilon: 0.0012, C: 5.96, gamma: auto
| C | epsilon: 0.0050, C: 25.40, gamma: auto
RF | A | n_estimators: 200, max_depth: 8, min_samples_split: 6, min_samples_leaf: 4
| B | n_estimators: 300, max_depth: 10, min_samples_split: 4, min_samples_leaf: 4
| C | n_estimators: 400, max_depth: 10, min_samples_split: 4, min_samples_leaf: 2
LightGBM | A | n_estimators: 120, num_leaves: 31, learning_rate: 0.05, feature_fraction: 0.8
| B | n_estimators: 180, num_leaves: 45, learning_rate: 0.03, feature_fraction: 0.9
| C | n_estimators: 220, num_leaves: 45, learning_rate: 0.03, feature_fraction: 0.9
为评估三个独立的回归流（P32 的均值、方差和偏度），通过图 17 中的雷达图展示了独立的测试指标（R2 和 RMSE）。所提出的模型始终在所有单任务基线模型上取得压倒性的性能包络，在所有任务中均产生最高的 R2 和最低的 RMSE 值。对于主要表征流（任务 A），所提出的网络实现了 0.91 的 R2，优于传统基于树的集成模型（LightGBM 和 XGBoost），而基于核的 SVR 由于处理高维 MWD 交互的能力有限而表现出最弱的性能。尽管 LightGBM 提供了具有竞争力的基线结果，但其准确性在任务 B 和 C 中与所提出的网络相比有所下降。总体而言，所有任务上的综合模型能力按以下降序排列：所提出的模型 > LightGBM ≈ XGBoost > RF > SVR。
下载：下载高分辨率图像 (253KB) 下载：下载全尺寸图像
图 17. 不同模型在测试数据集上的性能。
所提出框架的系统性优越性在任务 B（方差）和任务 C（偏度）中更为明显，其中统计指标表现出更高的复杂性。这一性能得益于两个架构优势。首先，共享表示学习机制同时优化多个相关的流。这种多任务联合优化使 P32 均值、方差和偏度的潜在特征能够相互正则化，从而减轻高地质异质性下的过拟合。其次，与缺乏明确结构约束的基于树或核的基线模型不同，集成的邻居约束自编码器明确提取了符合领域认知的空间连续性，中和了空间自相关的破坏性影响，并确保在未见的隧道段中具有鲁棒的迁移能力。
6. 结论
本研究提出了一种半监督 CCSAE-MBEN 模型，用于预测隧道围岩的 P32。模型输出包括 P32 的均值、方差和偏度。进行了一系列消融实验以验证模型架构和数据集组成的有效性。主要结论总结如下：
(1) 所提出的 CCSAE-MBEN 模型对隧道围岩的 P32 相关参数表现出强大的预测能力。非监督学习和监督学习组件的集成显著提高了深度学习框架的整体性能。
(2) 用于训练 CCSAE 模块的所提出的 NBCL，与传统损失函数（如 Huber、MSE-L、MAE 和 Smooth L1）相比，带来了更大的性能提升。

这一成果归功于NBCL能够整合分段之间的地质相似性并应用基于距离的约束，从而提高了无监督特征提取的质量。（3）对于所分析的钻孔配置，延长MWD序列长度可将预测性能提升至最优尺度，但超过该尺度后，地质异质性的增加可能会降低局部裂隙特征的表征能力。此外，纳入辅助施工和爆破信息可以为P32预测提供补充性的上下文信息，尽管其对不同统计目标的贡献程度有所差异。（4）在多种多源特征融合策略中，分组融合方法优于展平融合和拼接融合技术。MBEN框架显著提升了模型性能，而FPFEN和CCSAE的引入进一步增强了从MWD数据中提取特征的能力。

上述结论应在本案例研究的范围内进行解读。当前框架是利用羊家窝铺隧道在研究地质条件、炮孔配置、施工参数和钻进系统下的数据进行开发和评估的。尽管采用空间上隔离的隧道段进行独立测试，但该模型在不同隧道、岩性、钻进设备和施工条件下的可迁移性尚未得到系统性验证。因此，所确定的最优MWD段长和邻近段距离应视为项目特定设置，而非普遍适用的参数。从工程角度来看，预测的P32分布可能为识别裂隙发育相对密集的区域提供补充性的超前开挖前信息；然而，其对支护优化和风险缓解的直接贡献仍有待前瞻性的现场验证。未来工作将集中于跨隧道和跨岩性验证、对不同钻进和传感系统的适应性调整、向其他与裂隙相关的Pij指标扩展，以及在实际施工条件下对框架的前瞻性评估。

作者贡献声明
王俊：撰写初稿、方法学、数据整理、概念化。
方圆：审阅与编辑、资金获取。
郑国力：验证、软件。
陈家瑶：可视化、软件。

王俊 | 方圆 | 郑国力 | 陈家瑶