基于无监督机器学习的数据驱动岩体分类：解决现有系统中钻探数据局限性

岩体分类系统对于全球地下工程的稳定性和风险评估以及支护和挖掘设计至关重要。然而，这些系统主要在1970年代开发，缺乏对现代高分辨率数据和先进统计技术的访问，限制了其作为决策支持系统的有效性。我们概述了这些局限性，并描述了如何基于钻探数据构建数据驱动系统来克服这些问题。通过提取隧道剖面中每米段落中数千个MWD数据值的统计信息，作为岩体特征，我们演示了可以形成良好定义的聚类，作为各种分类系统的基础。采用表示学习，通过非线性流形学习技术（UMAP）和线性主成分分析（PCA）来降维48值向量，以增强聚类。无监督机器学习方法（HDBSCAN、层次聚类、K-means）对数据进行聚类，通过多目标贝叶斯优化优化超参数。通过添加额外特征来改善核心MWD数据的聚类，结合领域知识。我们对这些聚类进行结构化和关联分析，包括岩石类型和品质，并分析关键MWD参数的累积分布，以确定聚类是否在实质性地区分岩体。MWD数据能够形成明确的岩体聚类，表明基于这种客观、数据驱动的方法构建分类系统具有巨大的潜力，能够最大程度地减少人为偏见。