Abstract
The rock mass rating (RMR) system is a widely used tool for assessing rock quality and recommending support, relying on six parameters: rock quality designation, uniaxial compressive strength, groundwater conditions, discontinuity spac-ing, condition, and orientation. The conventional RMR classification system necessitates the presence of all parameters. This study introduces a machine learning (ML) approach utilizing the random forest (RF) algorithm to predict rock mass classification with a reduced set of easily accessible parameters. A synthetic database of RMR parameters was generated to train the RF model, with Bayesian optimization applied to refine key settings such as learning rate, ensemble cycles, and maximum splits. The ML model was validated for accuracy and reliability through several performance metrics. Predictions of the proposed ML model using data from 41 real-world field cases demonstrate a high accuracy of 100%. With the advantages of the artificial intelligence (AI), the proposed ML model maintained over 90% accuracy even when key parameters such as discontinuity length, separation, or infilling were unavailable. This AI-powered approach offers a significant improvement over traditional methods, providing superior accuracy, adaptability, and reliability for rock quality assessment and support recommendations.
Keywords Rock mass classification · Rock mass rating · Random forest · Rock quality designation · Machine learning
Bulletin of Engineering Geology and the Environment (2025) 84:612
https://doi.org/10.1007/s10064-025-04585-5
一、研究背景與動機
傳統的 RMR（Rock Mass Rating）岩體分類系統需六大參數，常仰賴大量現地調查，耗時、昂貴且部分參數主觀性高。
本研究希望透過 機器學習（ML）— 隨機森林（RF） 建立一套：
- 可用較少且容易取得的參數
- 仍能準確預測岩體品質（RMR）
- 並能處理缺少部分參數的情況
二、方法設計
1. 建構「合成資料庫」
因真實完整的 12 項 RMR 參數不易收集，本研究依據文獻範圍，系統性生成 932,400 組資料，涵蓋以下 12 參數：
- UCS、RQD、節理間距、節理長度、開口、粗糙度、充填、風化、地下水、節理走向-傾角影響、工程類型、傾角
2. 隨機森林模型建立
- 使用 12 項參數作為輸入，總 RMR 作為輸出
- 使用 Bayesian optimization（貝氏最佳化） 微調三個關鍵超參數：
- Ensemble 數量（最佳為 477）
- Learning rate（最佳為 0.37）
- Maximum splits（最佳為 120）
3. 模型驗證
模型在訓練與測試上均表現出極高精度：
- R² = 0.99
- RMSE = 1.12×10⁻²
- WMAPE = 1.42×10⁻²
- NS = 0.99
三、重要參數分析
模型利用 Out-of-Bag（OOB）分析得出：
- 最重要的兩項參數：RQD（參數2）與地下水條件（參數9）
- RQD 重要性：50.24
- 地下水條件重要性：39.06
表示這兩者對 RMR 評分的影響最關鍵。
四、缺參數的模型表現
作者構建 13 種模型，每次移除其中一個參數以測試影響：
結果亮點：
- 模型1（全部參數）準確率：100%
- 模型5（無節理長度）仍達 100%
- 模型6、7、8（缺開口/粗糙度/充填）仍達 90%↑
- 模型9（缺風化）仍有 87.8%
→ 表示 RF 模型即使缺少部分參數仍能維持高準確度，極具工程應用彈性。
五、實際案例驗證
資料來自美國、澳洲、希臘、義大利、印度、中國、伊朗等 41 筆樣本。
模型1 與 模型5 完全預測正確（41/41）。
模型6–9 也保持 87.8–92.7% 的準確率。
六、研究結論
- RF + Bayesian optimization 可大幅提升 RMR 預測效能。
- 即使 **缺乏部分節理參數（如長度、粗糙、開口）**仍可維持高準確度。
- RQD 與地下水條件是最具影響力的參數。
- 提供一種省時、具實務價值的 AI 輔助岩體評估方法。
- 未來建議加入 不確定性分析 與針對實際噪音資料的強化訓練。