Rock-mass classification in tunneling based on seismic velocities and tunnel- driving data using support vector machines

Abstract

The continuously increasing demand on safe and cost-efficient tunnel constructions worldwide has led to the development of seismic systems as a predictive tool ahead of tunneling. These seismic systems are either specialized for hard rock or soft rock excavations. In this study, the hypothesis is tested, if artificial intelligence approaches are capable to deduce automatically and in real time critical rock parameters out of seismic observations. The hypothesis is tested in hard rock environments, using combined geological and seismic observations of the Faido Adit (Gotthard Base Tunnel - Switzerland) and the Glendoe Tunnel (Hydro Electric Power Plant near Loch Ness - Scotland UK). The evaluation of geotechnical rock-mass behavior in hard rock is commonly based on a rock-mass classification. Especially, a fast assessment of the hard rocks´ bearing capacity is mandatory to quickly ascertain the required structural tunnel support. Therefore, a user-oriented geotechnical interpretation of seismic results in real time is tested. Within this study, a support vector machine (SVM) is applied to the discovery and automated prediction of relationships between seismic P- and S-wave velocities with heuristic rock-mass classification systems, such as the widely used Rock Quality Designation (RQD) index or the Rock Mass Rating (RMR) factor. The data available for this task were acquired during two field surveys in hard rock using the Integrated Seismic Imaging System ISIS and geotechnical mapping of the rock mass. The first survey was carried out in the gneisses of the Faido Adit, which is part of the Gotthard Base Tunnel in Switzerland. Seismic velocity data from a 2-D tomography with a cells size of 0.5 m in direction of the excavation along a 448 m long seismic profile have been used. The second seismic survey took place along a 300-m long profile in quartz schists and quartz-mica schists in the headrace tunnel of the Glendoe Hydro Electric Power Plant in the Scottish Highlands. The Glendoe Tunnel was excavated with a tunnel-boring machine (TBM), such that adaptations had to be made to the seismic setup of the TBM-integrated seismic measurements. These adaptations let to a 1-D tomography with a cell size in tunnel direction of 4 m and therefore, to a considerably reduced resolution in the available seismic velocity data, compared to the Faido Adit data set. Thus, the SVM approach was applied separately to the two data sets. As there may exist some direct or indirect link between rock-mass classes and tunnel-driving parameters, such as the thrust force, the penetration rate, the cutter-head torque and the cutter- head speed, these properties were included in the data base of the Glendoe Tunnel survey. The tunnel-driving parameters exhibit a much higher spatial resolution than the seismic data, such that their information content was first explored by training and testing a SVM solely on this data with a resolution of 1 m. In both data sets, 3 RQD classes and 2 RMR classes were distinguished. Two fundamentally different results are achieved during rock- mass classification based on the data sets from the Faido Adit and the Glendoe Tunnel: 1\. Based on high-resolution seismic data from the Faido Adit, the classification of RQD or RMR classes proofed feasible. 2\. Based on either tunnel-driving data, or else tunnel-driving and seismic data combined, from the Glendoe Tunnel with lower resolution, the RQD and RMR classification did not provide satisfying results. The variability in the rock-mass quality, expressed either as RQD or RMR, is extremely low for the Faido Adit, leading to strong proximity of most data samples to the class boundaries. The detection of patterns that link the rock-mass classes to the seismic velocities in the Faido Adit data set is therefore remarkable, especially for the small number of training samples available and despite a strong tendency to overfit. For the Glendoe Tunnel, the training and testing of the SVM reveals that the classes were not or poorly classified by the automated classification approach. The models based exclusively on tunnel-driving parameters show severe cases of overfitting and extremely low generalization ability. These results do not rule out that higher order correlations exist between tunnel-driving parameters and rock-mass classes in general, but no evidence on this has been discovered in this study. The additional use of seismic body-wave velocities in the Glendoe Tunnel has been inevitably accompanied by a significant reduction of the data set. Adding the seismic velocities to the data base did not influence the classification result positively. This let to the assumption that the data set is by far too small for a proper learning process, such that no rules were learned from the data set and the prediction failed in consequence. The quality and spatial resolution of the seismic observations is therefore crucial for the reliability of the prediction of rock-mass classes. The quality and cell size of the underlying seismic tomography strongly depends on the seismic layout during the data acquisition, such that the careful planning of the seismic survey can be determined as a key requirement for the success of a fast and automated rock-mass classification and the detection of hazardous zones in the rock mass. Nevertheless, even with the limited size of the available data sets, it was possible to show that SVMs are a powerful tool in real time expert systems for geotechnical applications. It has been proven within this study that it is possible to predict rock-mass classes out of high resolution seismic data with high accuracy.

Die Entwicklung speziell auf den Tunnelbau abgestimmter seismischer Systeme zielt darauf ab, den stetig wachsenden Ansprüchen an die Sicherheit im Tunnelbau, bei gleichzeitiger Kostenreduktion, gerecht zu werden. Diese seismischen Methoden sind auf die speziellen Anforderungen im Hart- oder Lockergestein angepasst. In der vorliegenden Arbeit wird die Hypothese getestet, dass Methoden der Künstlichen Intelligenz genutzt werden können, um automatisiert und zeitnah kritische Gesteinsparameter aus seismischen Beobachtungen abzuleiten. Zur Überprüfung dieser Hypothese wurden seismische und geologische Daten aus zwei Feldeinsätzen in Hartgestein verwendet, und zwar aus dem Faido Zugangsstollen (Gotthard Basis Tunnel - Schweiz) und dem Glendoe Tunnel (Wasserkraftwerk am Loch Ness - Schottland). Besonders im Hartgestein erfolgt eine zeitnahe Einteilung der geotechnisch relevanten Eigenschaften meist über Systeme zur Gesteinsklassifikation. Die geotechnische Klassifikation von Gesteinen dient vor allem der Abschätzung der Standfestigkeit des Gebirges vor Ort, als wichtiger Voraussetzung zur Ermittlung des nötigen Ausbaus und damit für die Stabilität und Sicherheit des Tunnels. Da eine umfassende, anwendungsorientierte und zeitnahe, geotechnische Interpretation der im Hartgestein gewonnenen seismischen Daten bisher nicht gewährleistet ist, wurde in der vorliegenden Arbeit eine auf seismischen Daten basierende Routine zur automatischen und zeitnahen geotechnischen Gesteinsklassifikation mit Support Vektor Maschinen (SVMs) entwickelt. Der Ansatz wurde auf zwei verbreitete Systeme zur Gesteinsklassifikation angewendet: den Rock Quality Designation (RQD) Index und den Rock Mass Rating (RMR) Faktor. Datensätze aus zwei Feldeinsätzen im Hartgestein, die mit dem Integrated Seismic Imaging System ISIS durchgeführt wurden, standen hierfür zur Verfügung. Der erste Feldeinsatz erfolgte über eine Profillänge von 448 m in den Gneisen des, im Sprengvortrieb errichteten, Faido Zugangsstollens zum Gotthard Basis Tunnel (südliche Schweiz). Die seismischen Geschwindigkeiten entlang des Profils im Faido Zugangsstollens basieren auf einer 2D-Tomographie mit einer Zellgröße entlang der Tunnelachse von 0.5 m. Der zweite Feldeinsatz wurde in Quarzschiefern und Quarzglimmerschiefern entlang eines 300 m langen Profils im Triebwassertunnel des Wasserkraftwerkes Glendoe (schottisches Hochland) durchgeführt. Der Glendoe Tunnel wurde maschinell vorgetriebenen, wodurch entsprechende Anpassungen in der Geometrie der seismischen Datenakquisition nötig wurden. Diese Anpassungen führten zu einer verringerten Qualität und Auflösung der seismischen Daten, woraus eine 1D-Tomographie mit 4 m Zellgröße entlang der Tunnelachse berechnet wurde. Die Datensätze des Faido Stollens und des Glendoe Tunnels wurden daher getrennt evaluiert. Es wurde ein Zusammenhang zwischen Vortriebsparametern der Tunnelbohrmaschine, wie Vortriebspressenkraft, Penetration sowie Drehmoment und Drehzahl des Schneidrads, mit dem RQD und RMR angenommen. Die Vortriebsparameter wurden daher in den Ansatz zur automatischen Vorhersage von Gesteinsklassen integriert. Da die Vortriebsparameter eine sehr viel höhere Auflösung als die seismischen Daten besitzen, wurden diese über 1 m große Intervalle gemittelt und zuerst separat betrachtet. In beiden Feldstudien wurden drei RQD-Klassen, sowie zwei RMR-Klassen unterschieden. Zwei grundsätzlich verschiedene Ergebnisse wurden für die Gesteinsklassifikationen auf Grundlage der Daten aus dem Faido Zugangstollen oder dem Glendoe Tunnel erreicht: 1\. Basierend auf den höher aufgelösten seismischen Daten des Faido Zugangsstollens konnte eine erfolgreiche Gesteinsklassifikation sowohl für die RQD als auch für die RMR- Klassen vorgenommen werden. 2\. Basierend auf den niedriger aufgelösten Daten des Glendoe Tunnels konnten keine zufriedenstellenden Klassifikationsergebnisse erreicht werden. Dies gilt sowohl für eine getrennte Betrachtung von Vortriebsparametern mit einer höheren Auflösung von 1 m, als auch für den kombinierten Datensatz aus seismischen Daten und Vortriebsparametern mit einer Auflösung von 4 m. Die Variabilität des RQD und RMR im Datensatz des Faido Stollens ist gering. Die erfolgreiche Klassifikation ist daher, insbesondere trotz der geringen Anzahl von zur Verfügung stehenden Datenpunkten und einer deutlichen Tendenz des SVM-Models hin zu Überanpassung an die Trainingsdaten, bemerkenswert. Eine Analyse der Ergebnisse zum Glendoe Tunnel zeigte, dass die Klassen nicht oder sehr schlecht klassifiziert wurden. Die SVM-Modelle der RQD und RMR Klassifikation, die ausschließlich auf Vortriebsparametern basieren, zeigten extreme Anpassung an die Trainingsdaten und geringe Generalisationsfähigkeit. Diese Ergebnisse schließen zwar nicht aus, dass generell ein Zusammenhang zwischen Vortriebsparametern und Gesteinsklassen bestehen kann, in dieser Arbeit konnte dies jedoch nicht verifiziert werden. Der Einbezug der seismischen Geschwindigkeiten, mit einhergehender Reduktion der Datensatzgröße, ergab keine positive Beeinflussung des Ergebnisses. Dies lässt den Schluss zu, dass der Datensatz eine zu geringe Anzahl und Qualität an Datenpunkten aufweist, so dass keine Regeln für die Klassifikation aus den Daten abgeleitet werden konnten und eine Vorhersage in der Konsequenz nicht möglich ist. Die Qualität und räumliche Auflösung der Tomographie ist daher entscheidend für die Aussagekraft einer Vorhersage von Gesteinsklassen. Dies hängt stark von der Anordnung der Quellen und Empfänger während der seismischen Datenakquisition ab. Eine umsichtige Planung der Datenakquisition ist daher unerlässliche wichtige Voraussetzung für eine erfolgreiche automatisierte Gesteinsklassifikation. Trotz einer stark limitierten Größe der zur Verfügung stehenden Datensätze konnte gezeigt werden, dass SVMs als mächtiges Werkzeug in einem Expertensystem für geotechnische Fragestellungen genutzt werden können. Es konnte in dieser Arbeit gezeigt werden, dass eine genaue Vorhersage von Gesteinsklassen, basierend auf hochauflösenden seismischen Messungen, möglich ist.