1.一种隧道岩溶发育程度智能评价方法，其特征在于，包括：采集岩溶区域的多源地质数据和水化学参数，并对多源地质数据和水化学参数进行预处理，获得多源融合数据集；通过多源融合数据集计算地质分形维数和水化学分形维数，并生成岩溶发育分形评价综合指数；将岩溶发育分形评价综合指数输入至强化学习模型，并利用深度确定性策略梯度算法动态确定隧道岩溶重点探测区域；获取重点探测区域内的数据，并利用生成对抗网络进行降噪和高维融合处理，构建岩溶区域的三维介质分布模型；基于三维介质分布模型和岩溶发育分形评价综合指数，进行岩溶区域风险等级分类，并建立地质风险区域预测模型；其中，生成岩溶发育分形评价综合指数的方法包括：利用多源融合数据集中的多源地质数据和水化学参数，建立岩溶发育区域的多维特征矩阵 ，其中， 为地质空间坐标， 为采集时间；将多维特征矩阵按照地质数据维度划分为多个等间隔网格，并基于网格化结果利用盒计数法计算多源地质数据的地质分形维数 ， ，其中， 为网格中包含特征区域的盒子数， 为网格单元的尺度；从多维特征矩阵中提取水化学参数的时间序列，并映射到对应的空间坐标；对每个时间序列，计算累计偏差 和标准差 ，并拟合获得赫斯特指数 ，计算获得水化学参数的水化学分形维度 ， ；生成岩溶发育分形评价综合指数 ， ，其中， 和 为根据历史数据验证确定的权重系数。
2.根据权利要求1所述的一种隧道岩溶发育程度智能评价方法，其特征在于，多源地质数据包括电磁场数据、弹性波速场数据及电流场数据，水化学参数包括pH值、矿化度及主要离子浓度；对数据进行预处理的方法包括：对采集的多源地质数据进行校验，剔除异常值和不完整数据，并通过滤波处理和小波变换对多源地质数据进行去噪；利用梯度增强算法对边界特征进行细化；对水化学参数进行完整性检查并剔除异常值，利用插值法填补缺失数据后进行归一化处理；对多源地质数据和水化学参数进行空间坐标对齐，将水化学参数映射至多源地质数据的空间网格中，形成统一的多源融合数据集。
3.根据权利要求1所述的一种隧道岩溶发育程度智能评价方法，其特征在于，隧道岩溶重点探测区域的确定方法包括：定义强化学习的状态空间、动作空间和奖励函数；构建强化学习模型的策略网络 ，并确定其优化目标 ，其中， 为策略网络的参数， 为策略网络生成的状态分布， 为对基于当前策略的状态分布的期望值， 为状态；构建强化学习模型的价值网络 ，并确定其优化目标 ，其中， 为折扣因子， 为价值网络的参数， 为对经验回放池中四元组 的期望值， 为即时奖励， 为动作；构建包含样本四元组 的经验回放池，其中， 为新的状态；从经验回放池中随机批量抽取样本，再使用优化目标函数优化更新参数 ，其中， 为软更新系数， 为目标策略网络的参数， 为目标价值网络的参数；通过更新后的策略网络确定当前状态 的最优动作 ， 为探测设备在每个方向上的位移增量；更新探测设备的位置 ，将新位置对应的分形评价综合指数加入状态 ，循环迭代，直到满足探测停止条件；探测设备的所有历史位置即为隧道岩溶重点探测区域。
4.根据权利要求3所述的一种隧道岩溶发育程度智能评价方法，其特征在于，定义强化学习的状态空间为隧道岩溶区域的分形评价综合指数分布及探测设备当前所在位置，探测设备状态 ，其中， 为空间坐标 的岩溶发育分形评价综合指数， 为探测设备当前所在的空间位置；定义动作空间为探测设备的移动方向和步长，动作 ，其中， 为探测设备在每个方向上的位移增量；确定强化学习的奖励函数 ，其中， 为强调目标区域重要性的权重系数， 为惩罚路径长度的权重系数， 为当前动作的路径长度。
5.根据权利要求1所述的一种隧道岩溶发育程度智能评价方法，其特征在于，构建岩溶区域的三维介质分布模型的方法包括：获得隧道岩溶中间探测区域中每个探测点对应的多源融合数据集，并映射到三维空间网格中，形成初始三维特征矩阵 ；构建生成对抗网络模型，并确定其对抗损失函数 ，其中， 为判别器对特征矩阵 的判别结果， 为判别器对生成器 输出的特征矩阵的判别结果， 为从真实数据分布中采样的特征矩阵的期望， 为真实数据分布， 为生成器生成的数据分布；确定生成器的重建误差 ；生成器损失函数 ；判别器损失函数 ； 为生成器重建误差的权重系数， 为L2范数；对判别器和生成器进行迭代训练，优化损失函数直至生成器损失函数和判别器损失函数收敛；更新判别器参数 ；更新生成器参数 ；其中， 为判别器的学习率， 为生成器的学习率；将初始三维特征矩阵输入至生成器并输出降噪特征矩阵 ，并进行多维特征融合获得三维特征矩阵 ；采用体绘制技术生成岩溶区域的三维介质分布模型 ，其中， 为将特征矩阵映射为三维模型的体绘制算法函数。
6.根据权利要求1所述的一种隧道岩溶发育程度智能评价方法，其特征在于，进行岩溶区域风险等级分类的方法包括：构建风险输入矩阵 ，其中， 为三维介质分布模型， 为岩溶发育分形评价综合指数；提取局部介质梯度 和分形综合指数的局部变化率 ；确定空间点 的风险因子 ，其中， 和 为根据历史数据确定的权重系数；确定风险因子的多个风险等级阈值 ；构建用于对风险因子进行动态分类的深度残差网络，并确定损失函数 ，其中， 为空间点的数量， 为风险等级的数量， 为第 个空间点的真实风险等级， 为分类网络对第 个空间点的预测风险等级；使用风险因子矩阵作为输入，真实风险等级标签作为输出，训练深度残差网络直至损失函数收敛，获得风险等级分类模型；将空间点的风险因子输入风险等级分类模型，计算每个点属于各个风险等级的概率，并使用最大概率准则对每个空间点进行风险等级分类，获得最终风险等级 。
7.根据权利要求6所述的一种隧道岩溶发育程度智能评价方法，其特征在于，建立地质风险区域预测模型的方法包括：综合实时监测数据和历史风险分布数据，建立动态风险评价体系， ，其中， 为当前时间 的风险等级分布， 为风险等级分类模型输出的最终风险等级， 为历史风险等级分布， 为实时数据权重；将多个时间步的风险等级分布表示为时间序列 ，其中， 为时间窗口长度；并获取时间序列的评价风险等级和风险波动率；将时间序列、最终风险等级、评价风险等级和风险波动率作为模型输入至时空卷积网络模型，训练获得地质风险区域预测模型 ；通过最终风险等级修正预测数据，获得最终预测风险等级 ，其中， 为地质风险区域预测模型 预测的风险等级， 为修正系数。
8.一种隧道岩溶发育程度智能评价设备，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
