在高原隧道工程领域持续拓展的背景下，伴随着隧道长度与埋深的递进式增长，工程不可避免地穿越多个地质及构造单元。当前，针对超长深埋高原隧道，尚无一套成熟且可投入实际应用的围岩快速分级系统。基于此，本研究在充分调研其围岩禀赋特性，以及全面梳理现有常用围岩分级方法的基础上，开展针对超长深埋高原隧道围岩分级方法的深入探究，并紧密结合具体工程实际确定指标的定量化结果，提出使用AHP-PCA-熵权法和机器学习算法来尝试构建一套适配于超长深埋高原隧道的围岩分级方法。主要研究结论如下：

（1）通过深入剖析现行规范里围岩分级方法的适用性与局限性，并综合考量常用围岩分级方法所涵盖的各类因素，同时紧密结合超长深埋高原特有的地质环境要素，最终确立了由岩石强度参数、岩体节理裂隙特征参数、结构面发育特征参数、地下水状态、地应力、岩爆、高温和开挖扰动8个核心要素构成的超长深埋高原隧道围岩分级影响因素体系。对于8个影响因素，提出了17个衡量指标。由隧道超前地质预报获取指标数据，共选取了200组数据用作本文的数据支撑。

（2）提出使用AHP-PCA-熵权法作为超长深埋高原隧道围岩分级的方法，确定每个影响因素其权重大小，根据其权重大小进行以百分制的赋分，制定其评分表，并将围岩划分为五个等级。权重大小从大到小依次为：地应力、结构面发育特征参数、岩体节理裂隙特征参数、地下水状态、岩石强度参数、岩爆、开挖扰动和高温。通过AHP-PCA-熵权法对数据进行处理后得到其分级评分，在200组数据中，匹配度为77.5%。

（3）使用5种常用围岩分级方法对超长深埋高原隧道围岩分级进行了实例验证，结果发现，在200组数据中，BQ法正确率为47%；Q法正确率为65.5%；RMR法正确率为60%；RMi法正确率为69%；HC法正确率为69.5%。

（4）对200组原始隧道围岩分级数据进行处理，使用PCA将数据降到6维，并将其作为新的输入变量，与原始的围岩等级标签共同构建了降维后的机器学习训练数据集。对基础模型与使用贝叶斯优化方法优化后的模型进行训练评估，从预测效果、指标分析和PR曲线分析3个方面评估5个模型的适用性分析，并发现XGBoost和GradientBoosting模型优势明显。

（5）在超长深埋高原隧道中，经过常用围岩分级方法、AHP-PCA-熵权法和机器学习算法在超长深埋高原隧道的围岩分级应用对比，结果显示，首先应选择经过贝叶斯优化后的GradientBoosting模型，其次为GradientBoosting、XGBoost（BayesOpt）、XGBoost、AHP-PCA-熵权法、SVC（BayesOpt）、HC法、RMi法、DecisionTree、Q法、SVC、RMR法、DecisionTree、BQ法、LogisticRegression（BayesOpt）和LogisticRegression模型。

Under the background of continuous expansion in plateau tunnel engineering, with the progressive increase of tunnel length and burial depth, projects inevitably traverse multiple geological and structural units. Currently, there lacks a mature and practically applicable rapid surrounding rock classification system specifically for ultra-long deep-buried plateau tunnels. Addressing this gap, this study conducts an in-depth investigation through comprehensive analysis of inherent characteristics of surrounding rock formations and systematic review of existing classification methodologies. By integrating specific engineering practices for quantitative determination of indicators, we propose a novel surrounding rock classification framework combining AHP-PCA-entropy weight method with machine learning algorithms. This methodology aims to establish an optimized classification system specifically adapted to the unique geological conditions of ultra-long deep-buried plateau tunnels, with particular attention to index quantification and algorithmic integration for enhanced accuracy and practical applicability in complex geological settings. Key findings include:

（1）Through systematic analysis of engineering geological characteristics and critical assessment of current classification standards, we identify eight core influencing factors for surrounding rock classification in ultra-long deep-buried plateau tunnels: rock strength parameters, joint-fracture characteristics, structural plane development, groundwater conditions, ground stress, rockburst potential, high-temperature effects, and excavation disturbance. These factors are quantified through 17 measurable indicators derived from tunnel geological prediction data, supported by 200 datasets.

（2）A hybrid AHP-PCA-entropy weight method is proposed for classification, determining factor weights and establishing a 100-point scoring system with five rock grades. Weight rankings are: ground stress > structural plane development > joint-fracture characteristics > groundwater > rock strength > rockburst > excavation disturbance > high temperature. Application of this method achieves 77.5% consistency across 200 datasets.

（3）Comparative validation using five conventional classification methods reveals accuracy rates of 47% (BQ), 65.5% (Q-system), 60% (RMR), 69% (RMi), and 69.5% (HC) on the same dataset.

（4）Dimensionality reduction (to 6 principal components) is performed on original data to construct an optimized training dataset with original classification labels. Model evaluations through Bayesian-optimized algorithms demonstrate superior performance of XGBoost and Gradient Boosting models in prediction accuracy, metric analysis, and PR curve characteristics.

（5）In the ultra-long and deeply buried plateau tunnel, through the comparison of the application of common surrounding rock classification methods, the AHP-PCA-entropy weight method and machine learning algorithms in the surrounding rock classification of the ultra-long and deeply buried plateau tunnel, the results show that the GradientBoosting model after Bayesian optimization should be selected first. Followed by GradientBoosting, XGBoost (BayesOpt), XGBoost, AHP-PCA-entropy weight method, SVC (BayesOpt), HC method, RMi method, DecisionTree, Q method, SVC, RMR method, DecisionTree, BQ method, LogisticRegression (BayesOpt) and LogisticRegression models

[1] 张良. 高原隧道围岩快速分级综合评价及其应用研究[D]. 西安：西安建筑科技大学,2022.

[2] 杜恒. 侵蚀地貌公路隧道施工坍塌风险分析[J]. 大众科技, 2023, 25(03): 29-32.

[3] 孟尧尧. 高地应力深埋隧道围岩力学特性及稳定性研究[D]. 西安：西安工业大学, 2019.

[4] 方智淳. 高地应力软硬互层隧道变形机理与控制技术研究[D]. 石家庄：石家庄铁道大学, 2023.

[5] 郑可跃, 施成华, 娄义黎, 等. 深部高地应力隧道开挖卸荷围岩能量计算方法及演化机制[J]. 岩土力学, 2025, 46(01): 165-77.

[6] 耿招, 黄纲领, 雷安平. 深埋特长隧道地应力反演与围岩稳定性分析[J]. 路基工程: 1-7.

[7] Zhou R M, Weng X L, Li L, et al. Excavation-induced deformation and stress responses of a highway tunnel in fault fracture rock zone with high geo-stress: a case study of Xiangjunshan tunnel[J]. Environ Earth Sci, 2024, 83(5): 14.

[8] 高新强, 杨腾杰, 戴尚坤, 等. 深埋高地应力TBM隧道岩爆倾向性影响因素分析[J]. 铁道工程学报, 2024, 41(11): 59-65.

[9] 赵勇, 田源, 常帅鹏, 等. 高原深埋钻爆隧道即时型岩爆综合防控技术及应用[J]. 隧道建设(中英文), 2024, 44(12): 2293-306.

[10] 周航, 张广泽, 赵晓彦, 等. 深部极高地应力花岗岩隧道岩爆破坏特征及成因机理研究[J]. 工程地质学报, 2024, 32(03): 1098-111.

[11] Han H Y, Fukuda D, Liu H Y, et al. Combined finite-discrete element modellings of rockbursts in tunnelling under high in-situ stresses[J]. Comput Geotech, 2021, 137: 22.

[12] 陈洪. 温度影响下隧道穿越活动断裂带围岩稳定性研究[D]. 济南：山东大学, 2023.

[13] 陈斌. 高温高压隧道节理围岩卸荷效应与变形破坏机制研究[D]. 重庆：重庆交通大学, 2023.

[14] 田四明, 王伟, 唐国荣, 等. 川藏铁路隧道工程重大不良地质应对方案探讨[J]. 隧道建设(中英文), 2021, 41(05): 697-712.

[15] 曾美婷. 高地应力—高地温耦合作用下深部围岩分区破裂特性研究[D]. 重庆：重庆交通大学, 2023.

[16] Luo Z L, Li J M, Tang S B, et al. Numerical Studies on Rockbursts in Tunnels with High In Situ Stresses and Geothermally Rich Areas[J]. Appl Sci-Basel, 2022, 12(10): 20.

[17] 许崇帮, 陈洋, 杜驹, 等. 高地应力软岩隧道变形规律及控制措施研究[J]. 公路, 2025, 70(02): 467-73.

[18] 刘旭锋, 潘鹏志, 徐鼎平, 等. 高地应力隧道层状围岩大变形研究进展[J]. 地下空间与工程学报, 2024, 20(S2): 1007-20.

[19] Zhu M Z, Yang Y G, Gao F, et al. Analytical Solution of Tunnel Surrounding Rock for Stress and Displacement Based on Lade-Duncan Criterion[J]. Adv Civ Eng, 2018, 2018: 7.

[20] Wang R, Liu Y Y, Deng X H, et al. Analysis on Loose Circle of Surrounding Rock of Large Deformation Soft-Rock Tunnel[J]. Adv Civ Eng, 2020, 2020: 11.

[21] 姚军, 王睿, 夏道洪, 等. 隧道围岩分级研究进展综述[J]. 公路, 2021, 66(08): 367-72.

[22] GBJ86-1985.锚杆喷射混凝土支护技术规范[S]. 北京：中国标准出版社, 1986.

[23] JTJ026-1990.公路隧道设计规范[S]. 北京：人民交通出版社, 1990.

[24] GB50218-1994.工程岩体分级标准[S]. 北京：中国标准出版社, 1994.

[25] 王明年, 刘大刚, 刘彪, 等. 公路隧道岩质围岩亚级分级方法研究[J]. 岩土工程学报, 2009, 31(10): 1590-4.

[26] TB10003-2016.铁路隧道设计规范[S]. 北京：中国铁道出版社,2017.

[27] 李永志, 王华, 刘盛, 等. 山岭隧道围岩动态分级研究[J]. 路基工程, 2021, (03): 171-5.

[28] 申艳军, 吕游, 李曙光, 等. 隧道围岩分级方法研究进展及“人工智能+”应用动态[J]. 隧道建设(中英文), 2023, 43(04): 563-82.

[29] 张峰瑞, 姜谙男, 赵亮, 等. 基于DE-BP模型隧道围岩的动态分级[J]. 沈阳工业大学学报, 2021, 43(01): 105-12.

[30] 唐晓松, 何佳, 王永甫. 围岩分级方法的分析与问题讨论[J]. 产业与科技论坛, 2022, 21(12): 51-2.

[31] 王鸣涛, 李静, 吴波. 上软下硬地层隧道围岩分级方法研究综述[J]. 福建建筑, 2016, (06): 77-82.

[32] 韩永琦. 用TSP预报数据划分铁路隧道围岩级别[J]. 铁道工程学报, 2017, 34(02): 71-5.

[33] GB50487-2008.水利水电工程地质勘察规范[S].北京：中国计划出版社, 2008.

[34] 吴敏, 黄智, 刘大刚. 基于BQ值修正的岩溶隧道围岩分级方法研究与应用[J]. 高速铁路技术, 2020, 11(06): 1-5.

[35] 罗文超, 王军伟. 基于钻进参数的围岩分类指标优化研究[J]. 工程勘察, 2022, 50(10): 19-23+30.

[36] 李曙光, 申艳军, 谢江胜, 等. 高原山岭隧道围岩分级方法适宜性评价及初步优化思路[J]. 铁道建筑技术, 2023, (08): 33-5+58.

[37] 张广泽, 沈维, 徐学渊, 等. 隧道深孔勘察资料综合分析与围岩分级应用[J]. 铁道工程学报, 2023, 40(08): 12-7+61.

[38] 王坛华. 一种改进的公路岩质隧道围岩分级方法[J]. 厦门理工学院学报, 2023, 31(03): 67-73.

[39] Wu S L, Chen J H, Wu M Q. Study on stability classification of underground engineering surrounding rock based on concept lattice-TOPSIS[J]. Arab J Geosci, 2020, 13(10): 9.

[40] Xue Y G, Tao Y F, Qiu D H, et al. Analysis of an Underground Water-Sealed Oil Storage Cavern: a Method of Surrounding Rock Classification Considering Hydrological Conditions[J]. Pol J Environ Stud, 2021, 30(3): 2369-79.

[41] Liu B, Wang J S, Yang S L, et al. Forward prediction for tunnel geology and classification of surrounding rock based on seismic wave velocity layered tomography[J]. J Rock Mech Geotech Eng, 2023, 15(1): 179-90.

[42] 赵思光, 王明年, 童建军, 等. 基于模型分级概率的围岩亚级智能分级方法研究[J]. 铁道学报: 1-11.

[43] 马元. 一种新的长大埋深隧道围岩分级方法研究[J]. 铁道勘察: 1-7.

[44] 李永志, 王付利, 阳斌, 等. 基于AHP-熵权模糊综合评价的隧道围岩分级模型研究[J]. 水利与建筑工程学报, 2024, 22(05): 82-6+118.

[45] 张茹, 吕游, 张泽天, 等. 深地工程多维信息感知与智能建造的发展与展望[J]. 煤炭学报, 2024, 49(03): 1259-90.

[46] 叶明, 吴根生, 于洪伟, 等. 基于TBM贯人度等级矩阵的围岩分类预测方法[J]. 现代隧道技术, 2024, 61(S1): 205-14.

[47] Dong Z K, Yu H W, Tian G S, et al. Data visualization strategy for predicting rock mass classification with TBM key rock-fragmentation parameters☆[J]. Transp Geotech, 2025, 51: 11.

[48] Wu F, Yao C, Cong L L, et al. Pore-scale gas-water flow in rock: Visualization experiment and simulation[J]. Open Geosci, 2020, 12(1): 532-46.

[49] Yang G, Li T B, Ma C C, et al. Intelligent rating method of tunnel surrounding rock based on one-dimensional convolutional neural network[J]. J Intell Fuzzy Syst, 2022, 42(3): 2451-69.

[50] Liu F X, Yang M, Ke J. Prediction method of TBM tunnel surrounding rock classification based on LSTM-SVM[J]. Adv Mech Eng, 2024, 16(5): 15.

[51] 杨欣. 工程建设对高山峡谷地区地质灾害评价影响研究[D]. 成都：西华大学, 2023.

[52] 王衍飞. 昌都地区孜拉山交通廊道地温场分布及隧址区地热模拟研究[D]. 成都：西南交通大学, 2021.

[53] 张广泽, 贾哲强, 冯君, 等. 铁路隧道双指标高地应力界定及岩爆大变形分级标准[J]. 铁道工程学报, 2022, 39(08): 53-8+65.

[54] 张世殊. 水利水电深部工程地质勘察技术现状与发展趋势[J]. 岩石力学与工程学报: 1-28.

[55] 陈佳耀. 基于机器视觉多维表征的岩石隧道工作面围岩分级与安全评价[D].上海：同济大学, 2022.

[56] 赵强. 铁路隧道断面参数对围岩稳定性的影响及其对围岩基本质量指标修正方法研究[D]. 成都：西南交通大学, 2022.

[57] 徐博, 谢慈航, 吴莹. 隧道围岩分级方法研究综述[J]. 隧道建设(中英文), 2023, 43(S1): 25-36.

[58]申艳军, 徐光黎, 朱可俊. RMi岩体指标评价法优化及其应用[J]. 中南大学学报(自然科学版), 2011, 42(05): 1375-83.

[59] 姚为民. 基于改进GSI量化体系破碎围岩变形控制技术要点分析[J]. 江西建材, 2024, (02): 146-8.

[60] 申艳军, 徐光黎, 宋胜武, 等. 高地应力区水电工程围岩分类法系统研究[J]. 岩石力学与工程学报, 2014, 33(11): 2267-75.

[61] 谌蛟, 赵栋. TSP203在打营隧道塌方后超前地质预报中的应用[J]. 北方交通, 2016, (09): 48-52.

[62] 安邦. 隧道竖向无充填溶腔的探测及其对围岩稳定性影响分析[D]. 成都：成都理工大学, 2020.

[63] 伍小刚, 李天斌, 张中, 等. 传统瞬变电磁法的改进及其在隧道超前地质预报中的应用[J]. 水文地质工程地质, 2021, 48(01): 163-70.

[64] 胡春林, 刘有余. 岩体工程特性、隧道围岩分级和地质超前预报技术探讨[J]. 现代技术陶瓷, 2022, 43(Z1): 451-60.

[65] 段林娣, 宋成辉. 应用BP神经网络进行隧道围岩快速分级[J]. 中国安全科学学报, 2010, 20(02): 41-5+177.

[66] 谢和平, 王栋, 王哲威, 等. 川藏铁路深埋隧道围岩灾变分析与思考[J]. 工程科学与技术, 2022,054(002):1-20.

[67] 彭建兵, 崔鹏, 庄建琦. 川藏铁路对工程地质提出的挑战[J]. 岩石力学与工程学报, 2020, 39(12): 2377-89.

[68] 李晓通. 广州地铁砂卵石地层盾构施工变形及对邻近建筑物的影响研究[D]. 兰州：兰州交通大学, 2020.

[69] 邹桃红, 常雅轩, 陈鹏, 等. 基于AHP-PCA熵权组合模型的吉林省生态环境脆弱性动态评价[J]. 中国生态农业学报(中英文), 2023, 31(09): 1511-24.