《1、 引言》
1、 引言
在隧道开挖和地下采矿工程中，经常遭遇岩溶、断层和蚀变带等不良地质[1‒3]。如果没有及时和准确地识别不良地质，则在隧道开挖过程中极易诱发塌方[4‒5]、突水突泥[6‒7]和隧道掘进机（TBM）卡机[8‒11]等地质灾害和事故，而在地下采矿工程中则容易引起岩爆[12‒13]、突水[14‒15]和煤爆[16‒17]等。因此，准确有效地识别不良地质对于隧道和采矿安全高效施工至关重要[18‒21]。
地质分析法是识别与预测隧道掌子面前方岩层类型和性质的最常用方法。然而，传统的地质分析法，如立体投影和地质编录，大多依赖于地质学家在工程地质、水文地质、岩溶地质和构造地质方面的知识和经验，定性地识别掌子面前方不良地质的类型和性质。因此，这些方法往往具有很强的主观性，特别是在地质构造复杂和隧道埋深较大的情况下，极易出现误判和漏判。此外，地质学家在隧道内长时间工作也是一项挑战，特别是在开挖里程超过10 km的TBM隧道中，地质专家单次往返时间可能超过5 h。有时，当遇到列车调度或隧道积水时，开展隧道内地质分析则可能需要更长的时间，这妨碍了对不良地质的及时识别。针对这些问题，本研究提出了一种基于矿物异常分析的隧道内不良地质快速识别方法。本方法将传统的基于地质学家经验的定性识别转变为少人化和定量化的数据分析，提高了隧道内不良地质识别的有效性、及时性和准确性。
受构造应力的影响和断裂构造地球化学作用的驱动，次生矿物在断层、蚀变带和岩溶等不良地质影响区富集，它们的成分与原岩不同，这种现象被称为矿物异常。表1为矿物在火成岩、沉积岩和变质岩中的分布情况[22]。有些矿物通常存在于特定岩石中，如沉积岩中的黏土矿物，变质岩中的石墨和闪石等。因此，当在火成岩中发现黏土、石墨和滑石等矿物（通常存在于变质岩和沉积岩中）时，这就被视为矿物异常，是由特定的地质作用造成的。
《表1》
表1 矿物在火成岩、沉积岩和变质岩中的分布情况[]
断层应力导致裂隙的广泛发育，而裂隙则是流体迁移和积聚的有利通道。风化作用和流体淋滤作用导致大多数断层带内富集黏土矿物[23‒26]，且通常越靠近断层核部，黏土矿物越富集[27]（图1）。黏土矿物的形成机制包括原岩中长石和云母等矿物的溶解以及黏土矿物之间的相互转化。当围岩为花岗岩时，在酸性流体的淋滤作用下，次生黏土矿物可能为高岭石和蒙脱石[28]。当围岩或断层带内流体富镁时，次生黏土矿物可能为绿泥石。当围岩为碎屑云母或碱性长石时，次生黏土矿物可能为伊利石或伊利石-蒙脱石混层[29]。
《图1》
图1 断层带矿物异常的简化图（修改自参考文献[
气-水热液与围岩相互作用，导致硅酸盐、碳酸盐和硫酸盐矿物在蚀变带的影响区内富集。在气-水热液的迁移过程中，其物理化学条件在空间和时间上不断变化，导致热液活动从中心向外转移。蚀变矿物通常具有明显的分带现象，离中心越近，矿物组合越简单，高温蚀变矿物越多；而离中心越远，矿物组合越复杂，中低温蚀变矿物越多。例如，在灯火寨隧道中，越靠近花岗岩和凝灰岩的侵入接触带，围岩的蚀变程度越高。石英、钾长石和斜长石等原岩矿物较少，而高岭石和蒙脱石等次生矿物较多[30‒31]。福建省凉山隧道发生了大规模泥砂涌出，辉绿岩脉和周围的侵入花岗岩被蚀变成以伊利石和蒙脱石为主的黏土矿物[32]。隧道开挖至大型岩溶洞穴附近，矿物异常现象通常表现为伴有铁锈染或充满黏土的裂缝[33]。
总之，不良地质影响区矿物的转化和富集特征与不良地质的演化高度相关。矿物的异常特征可以作为不良地质的识别标志。在地质异常理论的基础上，本研究利用寻找异常的思路，提出了一种基于矿物异常分析的不良地质识别方法。通过地质统计学方法提取矿物异常特征后，建立基于矿物异常分析的不良地质识别方法。本方法已在花岗岩开挖的隧道中得到验证和应用。本研究旨在改进不良地质的识别水平，将其从定性分析提高至定量分析，将传统的基于地质学家经验定性识别转变为少人化和定量化的数据分析，从而提高隧道内不良地质识别的有效性、及时性和准确性。
《2、 基于矿物异常分析的不良地质识别方法》
2、 基于矿物异常分析的不良地质识别方法
《2.1 识别原理》
2.1 识别原理
受构造应力和断裂构造地球化学作用的影响，不良地质影响区存在矿物异常。矿物异常是地质异常的一种，围岩矿物成分和含量可作为识别不良地质的定量化标志。因此，在地质异常理论和建立隧道围岩矿物信息序列特征的基础上，利用地质统计分析方法提取和分析矿物异常，可以实现不良地质的识别。
《2.2 矿物异常特征的提取方法》
2.2 矿物异常特征的提取方法
矿物异常特征提取的前提是确定岩石的矿物成分和含量。本研究使用Terra便携式X射线衍射（XRD）仪测试岩石样本的矿物成分和含量。该仪器使用Co Kɑ辐射，X射线管电压为30 kV，电流为0.3 mA，扫描步长为0.05°，扫描范围为5°~55°。将岩石样品研磨成粒度小于150 μm的粉末并过筛，然后将15 mg样品装入样品室，在获得XRD图谱后，使用XPOWER软件分析矿物成分和含量。
提取异常特征的主要任务是确定矿物异常的阈值。当特定标志矿物的含量超出某一阈值时，则认为矿物分布异常。矿物异常可通过矿物含量的增加或减少来确定，这与矿物异常的上限或下限相对应。数据探索分析技术（EDA）基于稳健的非参数统计，不要求矿物含量数据遵循正态分布或对数正态分布。该技术利用固有的原始数据模型来识别异常值，并引入了一种简单有效的图形技术箱形图（图2）[34‒36]。本方法简单实用，适用于隧道工程中围岩的矿物异常分析。
《图2》
图2 EDA箱型图。Qmin：矿物含量的最小值；Qmed：矿物含量的中值；Qmax：矿物含量的最大值；Q1：上四分位数；Q2：下四分位数；Quif：上内限；Qlif：下内限；iqr：四分位数间距。
根据矿物含量箱形图，确定围岩矿物异常阈值的计算方法如下：
（1）对一组矿物含量数据进行排序，以确定最小值Qmin、中值Qmed和最大值Qmax。
（2）中值将矿物含量数据分成两部分：Qmin-Qmed和Qmed-Qmax。
（3）计算四分位数间距，iqr = Q1-Q2，也称为内发散，其中，Q1为上四分位数，Q2为下四分位数。
（4）计算上内限和下内限。上内限为Quif = Q1 + 1.5iqr，下内限为Qlif = Q2-1.5iqr。
（5）计算矿物异常阈值。根据EDA技术，超过内限值的值为异常值。因此，异常值的下限为C1 = max(Qlif, 0)，异常值的上限为
《2.3 识别流程》
2.3 识别流程
根据识别原理和矿物异常阈值提取方法，隧道内不良地质识别流程如图3所示。
《图3》
图3 不良地质识别方法的流程图。
（1）综合分析隧道地质勘察资料，包括地形地貌、地层位置、岩性组成、水文地质和构造地质条件等，确定不良地质可能存在的里程范围。
（2）按照隧道实际开挖里程，不断对开挖段的围岩矿物成分和含量进行取样分析，确定围岩矿物信息的序列特征。
（3）根据已建立的开挖段围岩矿物信息序列特征，分析矿物数据的背景值，形成围岩矿物数据的背景样本。
（4）利用EDA对矿物数据进行分析，确定开挖段背景样本的矿物异常阈值。
（5）获取并评估新开挖里程的岩石矿物数据。如果矿物含量在异常界限之内，则矿物分布正常，将其归入背景样本，动态扩充矿物数据背景样本。
（6）如果矿物含量超出异常界限，则矿物分布异常。这时就需要根据地质勘察资料和实际开挖揭露情况来判断是否开挖至岩性变化带：
·如果隧道开挖到了岩性变化带，则当前的矿物数据样本不再适用，需要重新开始步骤（1）~（5）；
·如果隧道没有开挖到岩性变化带，则认为矿物分布异常。分析围岩矿物异常特征，进行不良地质的识别和开挖验证。
《3、 工程验证与应用》
3、 工程验证与应用
《3.1 工程地质条件》
3.1 工程地质条件
研究区属于阿勒泰山南坡剥蚀丘陵区，地势总体北低南高，地形起伏较小，基岩大多裸露，主要为荒漠地貌。研究区在区域构造上处于阿尔泰褶皱系和准噶尔—北天山褶皱系内，主要受额尔齐斯挤压带和准噶尔优地槽褶皱带及准噶尔坳陷带的控制。隧道出露的地层岩性主要有石炭系、泥盆系凝灰岩夹凝灰角砾岩和华力西期花岗岩。研究区隧道主洞长19.8 km，TBM掘进段长度为17.6 km，钻爆法开挖段长2.2 km，平均埋深428 m。
隧道沿线有F37、F38、F39和F40四个次级断层。如图4所示，研究区域的起止里程为142 + 000‒143 + 200，隧道围岩为华力西期花岗岩。钻孔ZK63揭露了一条次级断层F37，走向和倾角为50°NW∠50°。在隧道142 + 650‒142 + 920范围内采集了128个岩石样品。部分样品的XRD衍射图谱见图5。围岩的矿物主要有石英、斜长石、钾长石、绿泥石、角闪石、云母和浊沸石（所有矿物种类的缩写见附录A中的表S1，根据衍射峰的高度和面积计算出的所有矿物含量的数据见附录A中的表S2）。
《图4》
图4 研究区域的地质概况。ZK63：钻孔编号。
《图5》
图5 围岩样本的XRD谱图（Co Kα）。cps：每秒计数。
《3.2 建立初始背景样本并确定异常阈值》
3.2 建立初始背景样本并确定异常阈值
根据第2.3节中的识别流程，首先确定矿物背景样本。图6为142 + 650‒142 + 750范围内围岩矿物数据的箱型图。该段里程范围内的围岩矿物数据可作为初始矿物背景样本。其中，斜长石的含量最高，约为70%~80%，石英的含量约为10%~20%，其他矿物的含量大多低于10%。斜长石的矿物数据比较分散，含量差异较大，而其他矿物数据比较集中，有利于识别异常值。钾长石、绿泥石和云母的含量相对集中在较低的范围内，许多岩石样本不含这些矿物，这表明它们是不稳定的。
《图6》
图6 里程142 + 650‒142 + 750范围内岩石样本的矿物含量箱型图。Ms：云母。
利用EDA计算了初始矿物背景样本的最小值（Qmin）、最大值（Qmax）、下四分位数（Q2）和上四分位数（Q1）。据此计算出四分位数间距iqr、异常下限（
《表2》
表2 根据40个初始背景样本确定的矿物异常阈值
《3.3 隧道142 + 750‒142 + 810里程范围的矿物异常评估》
3.3 隧道142 + 750‒142 + 810里程范围的矿物异常评估
利用第3.2节确定的矿物异常阈值，对隧道142 + 750‒142 + 810里程范围内岩石样本的矿物异常进行了评估。岩石样本的矿物含量如图7所示。
《图7》
图7 隧道142 + 650‒142 + 810里程范围内样品的矿物含量。（a）石英；（b）斜长石；（c）钾长石；（d）绿泥石；（e）角闪石；（f）云母。
从与初始矿物异常阈值的比较中可以看出，142 + 750‒142 + 800里程范围内岩石中石英、斜长石和云母等矿物的含量都在异常阈值之内。相比之下，只有142 + 769处的一组绿泥石含量超出了异常阈值，而角闪石在142 + 770‒142 + 785处出现轻微的负异常。因此，本研究认为在142 + 750‒142 + 800范围内没有明显的矿物异常。在142 + 805里程附近，钾长石显示出明显的正异常，而角闪石显示负异常。因此，本研究认为在142 + 750‒142 + 800范围内岩石矿物的分布没有异常，可将其纳入背景样本中，以便对背景样本进行扩充和调整。142 + 800‒142 + 810里程范围内岩石矿物含量表现出异常。
《3.4 背景样本扩充和异常阈值调整》
3.4 背景样本扩充和异常阈值调整
根据3.3节的矿物异常评估结果，矿物含量在142 + 750‒142 + 800范围内未出现异常。将这部分数据与初始矿物背景样本相结合，根据59个背景样本的矿物含量计算出异常阈值，如表3所示。如图8所示，本研究比较了初始背景样本和第一次背景样本扩充后的矿物异常阈值。石英、斜长石、云母、钾长石和绿泥石的异常上限和下限差别不大，表明这些矿物在142 + 650‒142 + 750和142 + 750‒142 + 800范围内的分布相当稳定。角闪石的异常下限从0.71降至0，而上限则从7.10升至7.51。这可能是由于断层影响区内热液蚀变的不均一性，导致一些样品中的角闪石大量分解，释放出Fe和Ca。与此相反，角闪石在一些样品中没有发生转化，仍然保持较高的含量。
《表3》
表3 根据59个背景样本确定的矿物异常阈值
《图8》
图8 初始和首次调整后的矿物异常阈值对比。
《3.5 隧道142 + 800‒142 + 920里程范围的矿物异常评估》
3.5 隧道142 + 800‒142 + 920里程范围的矿物异常评估
利用第3.4节中首次调整的异常阈值，对隧道142 + 800‒142 + 920里程范围岩石样本的矿物含量进行了异常评估。如图9所示，根据第一次调整后的矿物异常阈值，142 + 800‒142 + 830岩石中的石英、钾长石和云母呈正异常，斜长石呈负异常。142 + 840‒142 + 860段的钾长石和绿泥石呈正异常，斜长石呈负异常。石英含量范围变化大，有些高于异常上限，有些低于异常下限。
《图9》
图9 142 + 650‒142 + 920范围内岩石样本的矿物含量。（a）石英；（b）斜长石；（c）钾长石；（d）绿泥石；（e）角闪石；（f）云母；（g）绿帘石；（h）浊沸石。
在上述矿物异常范围内的岩石样本中检测到许多次生矿物，如绿帘石和浊沸石。与142 + 750‒142 + 800范围内的绿帘石和浊沸石相比，142 + 800‒142 + 850范围内绿帘石的连续出现和142 + 840‒142 + 860范围内相对较高的浊沸石含量表明，142 + 800‒142 + 860范围内存在明显的矿物异常。同时，在142 + 810岩石样本中没有检测到 角闪石。虽然第一次调整后没有超过异常界限值，但角闪石含量明显低于之前的范围，这也证明了该隧道范围内存在矿物异常。在142 + 885‒142 + 905中，除了石英、钾长石和云母之外，斜长石也出现了负异常。在142 + 860‒142 + 920范围内的岩石样本中只含有较低的绿帘石和浊沸石，在142 + 885里程处也检测到了这两种矿物。
《3.6 不良地质识别与工程验证》
3.6 不良地质识别与工程验证
按照2.3节提出的识别流程，基于矿物异常分析的不良地质识别方法，逐步识别和验证F37断层。
《3.6.1. 里程142 + 800‒142 + 830识别及开挖验证》
3.6.1. 里程142 + 800‒142 + 830识别及开挖验证
首先，在142 + 800里程处开始出现矿物异常。异常评估的结果是钾长石为正异常，角闪石为负异常。根据地质异常理论，从里程142 + 800开始，隧道进入F37断层影响区。隧道142 + 800‒142 + 830里程范围内的岩石矿物异常显示为石英、钾长石和云母正异常。同时，斜长石的含量大大降低，绿帘石的含量开始增加。在一定的温度和压力条件下，角闪石等铁镁质矿物在绿泥石化过程中会释放出Fe和Ca，斜长石在富含Fe和Ca的热液的变质作用下可形成绿帘石[37]。反应式可表示如下：
2NaAlSi3O8 [albite] + 2Ca2+ + Fe3+ + 3H2O
石英的正异常可能与斜长石的绿帘石化有关，热液中的SiO2和原硅酸盐矿物分解出来的SiO2通过再沉淀机制形成脉体，此外钾长石和云母含量的增多可能分别与钾长石化以及斜长石的绢云母化有关。
自里程142+800后，围岩的稳定性逐渐开始变差，隧道拱顶出现轻微掉块现象，如图10（a）所示，里程142+815处可以观察到明显的绿帘石化现象，里程142+818处的围岩裂隙增多且发育小型岩脉[图10（b）]。
《图10》
图10 里程142+810‒830围岩宏观特征。（a）里程142+815处绿帘石化花岗岩；（b）里程142+818发育小型岩脉。
《3.6.2. 里程142 + 830‒142 + 860识别及开挖验证》
3.6.2. 里程142 + 830‒142 + 860识别及开挖验证
随着隧道的继续开挖，里程142+830‒142+860的围岩仍保持之前明显的矿物异常现象，即斜长石仍表现为负异常，钾长石和绿泥石表现为正异常，同时围岩中检测到较多的次生矿物浊沸石。此段围岩中基本不含角闪石矿物，因此认为该段角闪石可能全部蚀变成绿泥石，造成流体中富含Fe和Ca，斜长石在富含Ca的热液流体作用下可转化为浊沸石[38]。其转化反应式可能如下：
CaAl2Si2O8 [anorthite] + 2H4SiO4
2NaAlSi3O8 [albite] + Ca2+ + 4H2O
对该段隧道围岩进行开挖验证，发现里程142+843处存在小型蚀变岩脉，围岩裂隙发育[图11（a）]。里程142+848.6处隧道受断层影响剧烈，拱顶的围岩破碎坍塌严重，可能是受断层发育影响形成的破碎带[图11（b）]。里程142+855处花岗岩大面积被蚀变成浊沸石，表明该处气-水热液交代蚀变作用强烈，围岩稳定性较差[图11（c）、（d）]。
《图11》
图11 隧道里程142+830‒860围岩宏观特征。（a）142+843处小型蚀变岩脉；（b）142+848.6处隧道拱顶坍塌严重；（c）142+855处大量蚀变脉体；（d）142+855处浊沸石化花岗岩。
《3.6.3. 里程142 + 860‒142 + 920识别及开挖验证》
3.6.3. 里程142 + 860‒142 + 920识别及开挖验证
在里程142+860‒142+880范围内斜长石、钾长石轻微超出异常界限，142+862处围岩较完整[图12（a）]。里程142+880‒900围岩中斜长石负异常，钾长石、石英正异常，在里程142+885位置检测到少量绿帘石和浊沸石，故推断此处的矿物异常也是受发育断层的影响，围岩发生热液蚀变所致，而里程142+900‒920的围岩斜长石、钾长石和石英含量也基本恢复正常，未超出异常界限。里程142+900以后，围岩矿物未再出现明显异常，隧道内围岩逐渐完整，可知目前隧道也逐渐远离断层F37 [图12（b）]。
《图12》
图12 隧道里程142+860‒920围岩宏观特征。（a）142+862处围岩；（b）142+910处围岩。
《3.7 整体识别结果》
3.7 整体识别结果
F37断层的整体识别结果如图13所示。本研究以142 + 650‒142 + 750的围岩矿物数据为初始背景样本，根据数据探索分析技术计算出初始矿物异常阈值。经过初次矿物异常评估，发现142 + 750‒142 + 800范围内的岩石矿物含量没有超过异常阈值。本研究将这部分矿物数据纳入背景样本，并调整了异常阈值。随着隧道的挖掘，矿物异常的评估工作继续进行。结果显示，斜长石、钾长石、绿泥石、绿帘石和浊沸石矿物在142 + 800‒142 + 860范围内存在明显异常。大量的角闪石已转化为绿泥石，并释放出铁和钙，进而导致长石蚀变为绿帘石和浊沸石。在某些里程，岩石中的蚀变矿物含量超过了60%，隧道142 + 800‒142 + 860里程范围靠近断层核部，围岩破碎，裂隙发育，拱顶坍塌严重，矿物异常程度最高。在142 + 860‒142 + 900范围内，矿物异常程度减弱。在142 + 900里程之后，斜长石、绿泥石、绿帘石和浊沸石的矿物含量恢复正常，隧道内的围岩也逐渐变得完整。
《图13》
图13 断层F37整体识别结果。
上述实际工程验证表明，围岩的矿物异常与隧道内F37断层的出露位置有特殊的相关性。矿物异常程度越大，围岩的蚀变程度（破碎、裂缝发育和稳定性差）就越严重，隧道就越接近断层核部。
《4、 讨论》
4、 讨论
《4.1 识别方法的适用性和准确性》
4.1 识别方法的适用性和准确性
本文建立的基于矿物异常分析的不良地质识别方法可有效确定隧道是否正在进入受不良地质影响的区域，所提出的方法还能识别和预测隧道是在逐渐接近还是远离不良地质。该识别方法的原理是不断获取隧道内岩石的矿物成分和含量，然后使用地质统计方法评估其是否异常。因此，无论隧道是采用钻爆法还是TBM法开挖，只需不断采集隧道内的岩石样本，获得矿物成分和含量的序列特征，并进行异常评估，这样就可以快速识别不良地质。到目前为止，这种方法对隧道施工没有任何影响。这种方法不需要由具备特殊专业知识和丰富经验的地质学家或工程师实施，只需要具备分析矿物测试结果和异常现象的能力即可。
不同规模的不良地质会对周围地质体造成不同程度的改变。例如，大尺度的断层带和蚀变带可显著改变周围地质体的地球化学性征和矿物成分，从而导致范围广泛的地质异常。因此，大尺度不良地质造成的地质异常很容易识别。当不良地质体的影响范围较小时，如整个蚀变带的宽度小于1 m [图14（a）]，异常特征就很小，在这种情况下，识别明显的矿物异常就很困难。本文提出的基于矿物异常分析的不良地质识别方法取决于对围岩中矿物异常的判断，因此，不良地质的规模将极大地影响本方法的准确性。不良地质规模越大，围岩中反映的矿物异常越明显，本方法的识别精度也就越高。反之，当不良地质规模较小，地质异常不明显时，鉴定方法的准确性就会降低，甚至无效。不过，轻微的不良地质对隧道施工的影响很小，一般来说，隧道掘进机可以通过符合要求的挖掘和支护方法安全快速地通过不良地质。
《图14》
图14 难以识别和可能被误判的矿物异常现象。（a）花岗岩和辉绿岩脉接触带发育的小型绿泥石化蚀变；（b）花岗岩体内穿插的辉绿岩脉。
根据地质异常理论，不良地质的演化必须以矿物异常的存在为基础。然而，矿物异常并不一定意味着存在不良地质。例如，当采集的矿物数据来自岩脉时，也会出现矿物异常[图14（b）]，在这种情况下，其变化是由于岩石中的结晶分异而非不良地质造成的，围岩只表现出矿物类型和含量的差异，而不具备原岩矿物向黏土或蚀变矿物的转化过程。因此，也可以通过矿物异常的特征来判断异常是否由不良地质引起。本方法适用于以钻爆法或 TBM 法开挖的隧道，尤其适用于识别存在矿物异常的大型不良地质，如断层、蚀变带和岩溶。相比之下，这种方法不适用于识别无矿物异常的不良地质，如高地应力引起的岩爆等。
本研究使用地质统计方法来分析和提取矿物异常信息。因此，岩石样本的数量和代表性是进行异常分析和准确识别不良地质的前提条件。在隧道等地下工程中，很难获得整个地质体的完整数据，地质数据主要是根据特定的取样规则在地质体沿线或地表采集的样品中获得的[39]。在本研究中，根据隧道的里程变化连续采集岩石样本，然而，无论是正常围岩区还是不良地质影响区，都应在工程现场采集尽可能多的岩样。样本数据越多，越能反映不良地质体及周边围岩的矿物变化，识别效果越好。此外，还应考虑不良地质影响区内样本的代表性，因为不同颜色和结构的岩石样本可能反映不同的矿物异常模式，缺少代表性样本可能无法反映所有矿物的异常信息[40]，从而导致不良地质识别结果不准确。
《4.2 识别方法的进一步改进方向》
4.2 识别方法的进一步改进方向
本研究所提出的识别方法的基础是不良地质影响区内存在矿物异常。不良地质影响区的矿物异常特征往往复杂多变，影响矿物异常的地质作用包括表层风化、热液蚀变和流体淋滤。大多数学者认为，不良地质影响区往往富含黏土矿物，如高岭石、蒙脱石和伊利石；或蚀变矿物，如绿泥石、蛇纹石和滑石[23‒26]。通常，这些指示矿物不会单独出现，而是以多种组合的形式出现，这进一步增加了利用矿物异常识别不良地质类型和性质的难度。控制不良地质影响区矿物异常特征的地质因素有岩性、流体成分、应力、温度和压力条件等。在今后的研究中，还应结合大量工程案例，分析不良地质影响区矿物异常的规律和模式，为基于矿物数据异常分析的不良地质识别方法提供先验知识，进一步提高该识别方法的准确性和有效性。
本研究使用便携式X射线衍射仪进行矿物成分和含量分析，X射线衍射分析技术具有耗时、费力和成本高的弊端。然而，高光谱技术具有快速、无损分析岩石矿物的优势，已广泛应用于钻孔岩芯编录和矿物填图，可以更好地替代X射线衍射分析技术[41‒44]。因此，未来的研究方向是如何在隧道潮湿、光照不足、灰尘干扰等条件下提高高光谱技术在矿物测试中的准确性。此外，本研究中背景样本的扩充主要依靠人工调整，尚不能实现矿物异常分析过程中背景样本的实时动态扩充和阈值的实时分析。因此，今后的研究重点是优化背景样本的动态扩充方法，开发匹配的数据分析处理软件，实现背景样本和阈值的实时动态扩充和分析。此外，通过人工智能与大数据分析技术的结合，以及未来隧道内矿物自动检测设备的发展，将减少人工分析的需求，最终实现基于矿物异常分析的无人化和智能化不良地质识别。
《5、 结论》
5、 结论
本研究提出了一种基于矿物异常分析的不良地质识别方法。本方法以地质异常理论为基础，将矿物异常作为不良地质的识别标志，以矿物类型和含量作为不良地质识别的定量化指标，主要结论如下：
（1）本方法利用EDA技术计算矿物异常阈值，然后对矿物异常进行评估，并根据矿物异常的特征识别不良地质。建立了背景样本的动态扩充流程，并通过调整异常阈值实现了矿物异常的动态评估。
（2）本方法已在开挖的花岗岩隧道中得到验证和应用。根据原岩矿物斜长石和角闪石的异常减少，以及蚀变矿物绿泥石、绿帘石和浊沸石含量的异常增加，成功识别出断层F37。当隧道进入不良地质影响区时，本方法可及时预警，并可识别隧道是在逐渐接近还是远离断层。
（3）本方法适用于采用钻爆法或TBM开挖的隧道，尤其适用于识别断层和蚀变带等大型不良地质。
（4）本方法将隧道内不良地质的识别水平从定性分析转变为定量分析。
京公网安备 11010502051620号
