隧道施工中地质超前预警是一项很重要的环节,及时的了解前方地质信息会对施工产生很大的帮助。如果提前知道前方有地质风险,可以提前做好准备,避免出现人员伤亡和设备损坏,从而避免耽误工程进度。文章以EH引水工程超特长隧道TBM施工为背景,隧道延绵几百公里,使用十八台TBM分区间施工。到目前为止TBM投入数量世界第一,TBM单洞掘进里程世界第一。隧道跨度大,地质条件多变,传统的超前地质预警费时费力,在超特长隧道施工中不能满足需求。因此,课题着力于以岩渣作为对象研究岩渣自动识别技术,以深度学习的方式建立岩渣自动识别模型,通过不同的岩渣图样反映前方地质信息,以此来判断前方地质有无塌方、断层等风险。岩渣中包含了很多的地质信息,将这些信息提取出来就可以预测地质变化。文章以EH引水工程中SS标段的岩渣作为研究对象,结合TBM的设计参数和地质资料,对岩渣的统计理论做了总结。以标段中某个断层破碎带TBM出渣的具体情况对岩渣的理论统计做了验证。结果显示此段的岩渣中岩块的含量在90%左右,岩片的含量在5%左右,符合V类围岩对应的岩渣统计规律。另外某段III类围岩的出渣结果是岩块占20%左右,岩片占80%左右,符合岩渣的统计规律。在岩渣的统计规律的前提下,对岩渣自动识别技术进行研究。利用卷积神经网络设计图像识别的深度学习模型,利用图像处理技术对样本集样本进行处理。针对块状和片状岩渣的分类问题,使用8层的预训练卷积神经网络模型,通过梯度下降算法、稀疏表示、提前终止、dropout等方法对模型进行优化。训练结果,在测试集上的准确率达到92.6%,并能成功的识别出岩块和岩片,但是在风险预警方面效果不明显。为了更快更准确的实现地质信息预警,使用迁移学习的方法将模型应用在新的分类问题上。实验证明,迁移学习可以使网络更快的收敛,在测试集上的预测准确率达到92.7%。经过实际工程图像验证,可以成功将岩渣区分为有风险和无风险两类。