CN104121845B - 一种岩体位移预测方法 - Google Patents

Abstract

本发明公开了一种岩体位移监测装置及岩体位移预测方法，所述监测装置包括：锚固体、定位环、电感调频式位移传感器和保护部件；所述电感调频式位移传感器包括铁芯和螺管线圈；所述定位环外周面与所述岩体固定连接，且该定位环具有一穿孔，所述锚固体穿过所述穿孔与所述铁芯可拆卸连接；所述保护部件与所述螺管线圈固定连接；本发明充分利用作为围岩支护手段的锚杆结构，安装过程简单、位移监测数据的传输和查看实时方便，同时通过位移预测进化极限学习机模型预测岩体位移数据，具有超前性，充分有效利用了位移监测数据对岩体位移进行预测，便于现场人员充分了解岩体位移的变化趋势，在工程上具有一定的指导意义。

Description

一种岩体位移预测方法

技术领域

本发明涉及一种岩体位移监测装置及岩体位移预测方法。

背景技术

20世纪60年代以来，施工中新奥法被逐步推行，新奥法是指应用岩体力学理论，以维护和利用围岩的自承能力为基点，采用锚杆和喷射混凝土为主要支护手段，及时的进行支护，控制围岩的变形和松弛，使围岩成为支护体系的组成部分，并通过对围岩和支护的量测、监控来指导隧道施工和地下工程设计施工的方法和原则；同时，隧道监控和量测得到了广泛应用，并取得了长足的发展；传统的收敛位移计、多点位移计、压力计等位移监测手段需要通过人员到现场进行量测和采集数据，监测信息比较滞后、浪费人力、工作效率低。

随着传感器技术的不断进步，隧道监测设备的使用由获取单一信息的人工监测向多元信息的自动化监测发展，目前，对于自动监测的研究已取得了一定的进步，自动监测方法也获得了部分应用，但现有技术中的自动监测方式具有造价昂贵、易被破坏、安装过程繁琐等问题，以及位移测量数据的传输和查看不能保证实时、监测不便，同时有效利用位移测量数据对岩体位移进行预测便于现场人员充分了解岩体位移的变化趋势，在工程上具有一定的指导意义。

发明内容

本发明针对以上问题的提出，而研制一种可重复利用、安装方便快捷的岩体位移监测装置，以及快速预测岩体位移趋势的岩体位移预测方法。

本发明的技术手段如下：

一种岩体位移监测装置，包括：锚固体、定位环、电感调频式位移传感器和保护部件；所述电感调频式位移传感器包括铁芯和螺管线圈；所述定位环外周面与所述岩体固定连接，且该定位环具有一穿孔，所述锚固体穿过所述穿孔与所述铁芯可拆卸连接；所述保护部件与所述螺管线圈固定连接；

进一步地，所述锚固体、定位环和电感调频式位移传感器埋设于所述岩体的锚孔内；所述保护部件为保护盖，该保护部件覆盖于所述锚孔上，并通过膨胀螺栓与所述岩体固定；

进一步地，所述锚固体和定位环埋设于所述岩体的锚孔内；所述保护部件为保护套，其外壁与支护所述岩体的钢拱架连接，所述螺管线圈置于所述保护部件内；

进一步地，所述锚固体的用来连接锚固头的一端与所述铁芯连接，另一端通过锚固剂与岩体连接；

进一步地，所述锚固体、定位环、电感调频式位移传感器和保护部件共同构成监测部分；

所述岩体位移监测装置还包括：

连接所述电感调频式位移传感器，用于接收所述电感调频式位移传感器传输过来的岩体位移数据并存储的数据采集箱；

进一步地，所述岩体位移监测装置还包括：

连接所述数据采集箱，用于将所述数据采集箱存储的岩体位移数据发送给用户终端的数据发射箱。

一种利用上述岩体位移监测装置的岩体位移预测方法，所述岩体位移预测方法包括如下步骤：

步骤1：每隔预设时间间隔通过所述岩体位移监测装置获取被监测岩体断面各位移监测点的岩体位移数据，执行步骤2；

步骤2：随时间推移，分别针对每一位移监测点，形成M个依次排列的历史位移时间序列，每一历史位移时间序列中包含当前位移监测点对应的预设数量位移数据，且最后一个历史位移时间序列中的最后一个位移数据对应的获取时间点与当前时间点之间具有预设时间间隔，执行步骤3；

步骤3：随时间推移，分别针对每一位移监测点，构建以第h-1个历史位移时间序列作为输入，以第h个历史位移时间序列作为输出的样本集，其中2≤h≤M；多个位移监测点对应多个样本集，执行步骤4；

步骤4：将每一样本集划分为训练样本集和测试样本集两个部分，执行步骤5；

步骤5：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体，通过所述差异进化算法随机生成初始种群，执行步骤6；

步骤6：计算出当前种群的各个体的适应值，执行步骤7；

步骤7：判断当前种群的个体是否满足进化结束条件，是则执行步骤9，否则执行步骤8；

步骤8：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤6；

步骤9：输出当前种群中适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量，执行步骤10；

步骤10：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机对各训练样本集进行训练和学习，获得不同位移监测点各自的位移预测进化极限学习机模型，执行步骤11；

步骤11：分别以各位移监测点的最后一个历史位移时间序列作为输入，通过各位移监测点对应的位移预测进化极限学习机模型输出各位移监测点的未来位移时间序列，返回步骤2；

进一步地，所述步骤6具体包括如下步骤：

针对当前种群的不同个体，通过极限学习机对各训练样本集分别进行训练和学习，获得不同位移监测点各自的位移预测极限学习机模型；

分别利用各位移监测点的测试样本集对不同位移监测点各自的位移预测极限学习机模型进行测试，针对每一位移监测点均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，其中j为测试样本集中位移获取的时间点顺序、取值为1,2…,n，x_j为通过位移预测极限学习机模型获得的第j个时间点的位移预测值，x_j′为测试样本集中第j个时间点获取的位移数据值；

进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值；

进一步地，所述步骤1具体包括如下步骤：

步骤11：将被监测岩体断面周围各位移监测点安装的锚杆上所具有的锚固头拆卸；

步骤12：针对每一位移监测点，将电感调频式位移传感器安装于锚杆具有的锚固体上；

步骤13：连接所述电感调频式位移传感器与数据采集箱，以及连接所述数据采集箱和数据发射箱；

步骤14：数据采集箱每隔预设时间间隔接收各位移监测点的电感调频式位移传感器传输过来的岩体位移数据并存储；

步骤15：数据发射箱将所述数据采集箱存储的岩体位移数据实时发送给用户终端。

进一步地：

在步骤11之前还包括如下步骤：在被监测岩体断面周围各位移监测点安装包括锚固体和锚固头的锚杆；

所述电感调频式位移传感器可拆卸回收，并可安装于与当前被监测岩体断面间隔一定距离的断面周围进行重复利用。

由于采用了上述技术方案，本发明提供的一种岩体位移监测装置及岩体位移预测方法，本发明充分利用作为围岩支护手段的锚杆结构，以及利用电感调频式位移传感器、数据采集箱和数据发射箱，实现岩体位移数据的自动化监测和传输，解决了传统的位移监测手段监测信息比较滞后、浪费人力、以及工作效率低的问题，同时改变了埋入式位移计的监测方式，极大降低了自动化位移监测的成本，且实现了电感调频式位移传感器的动态拆卸和在爆破条件下的保护，安装过程简单、位移监测数据的传输和查看实时方便，同时通过位移预测进化极限学习机模型预测岩体位移数据，具有超前性，充分有效利用了位移监测数据对岩体位移进行预测，便于现场人员充分了解岩体位移的变化趋势，在工程上具有一定的指导意义；采用通过差异进化算法进化后的极限学习机算法，实现过程简单高效，提高了预测的准确性。

附图说明

图1是现有技术中的锚杆安装示意图；

图2、图3是本发明所述监测部分的结构示意图；

图4是本发明所述监测部分在断面周围的安装示意图；

图5是本发明所述监测装置的结构示意图；

图6是本发明所述岩体位移预测方法的流程图；

图7是本发明所述步骤1的方法流程图；

图8是本发明所述进化极限学习机建立过程；

图9是本发明位移预测进化极限学习机模型的示意图；

图10是利用本发明所述岩体位移预测方法得到的未来位移时间序列和历史位移时间序列的数据对比示意图；

图中：1、岩体，2、锚固体，3、锚固头，4、锚孔，5、膨胀螺栓，6、定位环，7、电感调频式位移传感器，8、保护部件，9、连接线，10、钢拱架，11、 监测部分，12、断面，13、掌子面，14、数据采集箱，15、数据发射箱，17、固定钢筋，61、穿孔，71、铁芯，72、螺管线圈。

具体实施方式

如图2、图3和图5所示的一种岩体位移监测装置，其特征在于包括：锚固体2、定位环6、电感调频式位移传感器7和保护部件8；所述电感调频式位移传感器7包括铁芯71和螺管线圈72；所述定位环6外周面与所述岩体1固定连接，且该定位环6具有一穿孔61，所述锚固体2穿过所述穿孔61与所述铁芯71可拆卸连接；所述保护部件8与所述螺管线圈72固定连接；进一步地，所述锚固体2、定位环6和电感调频式位移传感器7埋设于所述岩体1的锚孔4内；所述保护部件8为保护盖，该保护部件8覆盖于所述锚孔4上，并通过膨胀螺栓5与所述岩体1固定；所述电感调频式位移传感器7的连接线9穿过所述保护盖与所述电感调频式位移传感器7相连接；进一步地，所述锚固体2和定位环6埋设于所述岩体1的锚孔4内；所述保护部件8为保护套，其外壁与支护所述岩体1的钢拱架10连接，所述螺管线圈72置于所述保护部件8内；进一步地，所述锚固体2的用来连接锚固头3的一端与所述铁芯71连接，另一端通过锚固剂与岩体1连接；进一步地，所述锚固体2、定位环6、电感调频式位移传感器7和保护部件8共同构成监测部分11；所述岩体位移监测装置还包括：连接所述电感调频式位移传感器7，用于接收所述电感调频式位移传感器7传输过来的岩体位移数据并存储的数据采集箱14；进一步地，所述岩体位移监测装置还包括：连接所述数据采集箱14，用于将所述数据采集箱14存储的岩体位移数据发送给用户终端的数据发射箱15；所述用户终端包括电脑、手机等电子设备。

如图4、图5、图6和图7所示的一种利用上述所述的岩体位移监测装置的岩体位移预测方法，包括如下步骤：

步骤1：每隔预设时间间隔通过所述岩体位移监测装置获取被监测岩体断面各位移监测点的岩体位移数据，执行步骤2；

步骤2：随时间推移，分别针对每一位移监测点，形成M个依次排列的历史位移时间序列，每一历史位移时间序列中包含当前位移监测点对应的预设数量位移数据，且最后一个历史位移时间序列中的最后一个位移数据对应的获取时间点与当前时间点之间具有预设时间间隔，执行步骤3；

步骤3：随时间推移，分别针对每一位移监测点，构建以第h-1个历史位移 时间序列作为输入，以第h个历史位移时间序列作为输出的样本集，其中2≤h≤M；多个位移监测点对应多个样本集，执行步骤4；

步骤4：将每一样本集划分为训练样本集和测试样本集两个部分，执行步骤5；

步骤5：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体，通过所述差异进化算法随机生成初始种群，执行步骤6；

步骤6：计算出当前种群的各个体的适应值，执行步骤7；

步骤7：判断当前种群的个体是否满足进化结束条件，是则执行步骤9，否则执行步骤8；

步骤8：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤6；

步骤9：输出当前种群中适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量，执行步骤10；

步骤10：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机对各训练样本集进行训练和学习，获得不同位移监测点各自的位移预测进化极限学习机模型，执行步骤11；

步骤11：分别以各位移监测点的最后一个历史位移时间序列作为输入，通过各位移监测点对应的位移预测进化极限学习机模型输出各位移监测点的未来位移时间序列，返回步骤2；

进一步地，所述步骤6具体包括如下步骤：

针对当前种群的不同个体，通过极限学习机对各训练样本集分别进行训练和学习，获得不同位移监测点各自的位移预测极限学习机模型；

分别利用各位移监测点的测试样本集对不同位移监测点各自的位移预测极限学习机模型进行测试，针对每一位移监测点均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，其中j为测试样本集中位移获取的时间点顺序、取值为1,2…,n，x_j为通过位移预测极限学习机模型获得的第j个时间点的位移预测值，x_j′为测试样本集中第j个时间点获取的位移数据值；

进一步地，所述进化结束条件为当前种群中某一个体的适应值小于预设值；

进一步地，所述步骤1具体包括如下步骤：

步骤11：将被监测岩体断面周围各位移监测点安装的锚杆上所具有的锚固头3拆卸；

步骤12：针对每一位移监测点，将电感调频式位移传感器7安装于锚杆具有的锚固体2上；

步骤13：连接所述电感调频式位移传感器7与数据采集箱14，以及连接所述数据采集箱14和数据发射箱15；

步骤14：数据采集箱14每隔预设时间间隔接收各位移监测点的电感调频式位移传感器7传输过来的岩体位移数据并存储；

步骤15：数据发射箱15将所述数据采集箱14存储的岩体位移数据实时发送给用户终端；

进一步地：

在步骤11之前还包括如下步骤：在被监测岩体断面周围各位移监测点安装包括锚固体2和锚固头3的锚杆；

所述电感调频式位移传感器7可拆卸回收，并可安装于与当前被监测岩体断面间隔一定距离的断面周围进行重复利用；进一步地，所述一定距离内的电感调频式位移传感器7共用一数据采集箱14。

图1示出了现有技术中的锚杆安装示意图，如图1所示，锚杆是岩体加固的杆件体系结构，其布设于锚孔4内，包括锚固体2和锚固头3两部分，一般情况下锚固体2与锚固头3通过螺纹连接。当进行岩体位移监测时，拆卸锚固头3，并将电感调频式位移传感器7与锚固体2通过螺栓安装；当所述电感调频式位移传感器7拆卸后，可以重新安装锚固头3，进而恢复锚杆功能。

电感调频式位移传感器7是现有技术中测量土壤和岩体变形的一种技术手段，其一般包括铁芯71、螺管线圈72、以及LC振荡电路等集成电路，锚固体2前端与铁芯71连接，末端通过锚固剂与围岩深部固定，螺管线圈72与保护部件8固定连接，当隧道开挖时围岩表面将向洞内变形，与围岩深部产生相对位移，锚固体2连接铁芯71在外力作用下，与螺管线圈72产生相对位移，位移量的变化引起螺管线圈72电感量的变化，LC振荡电路等集成电路将所述电感量的变化转换成频率，并得出岩体位移量，数据采集箱14每隔预设时间间隔通过电感调频式位移传感器7的连接线9接收岩体位移量，并通过数据发射箱15实时发送给电脑、手机等用户终端，进而获取岩体位移数据。

图2、图3分别示出了本发明所述监测部分的结构示意图，其中的保护部件采用不同的结构，如图2所示，所述保护部件8为保护盖，该保护部件8覆盖于所述锚孔4上，并通过膨胀螺栓5与所述岩体1固定；如图3所示，所述保护部件8为保护套，其外壁与支护所述岩体1的钢拱架10连接，所述螺管线圈72置于所述保护部件8内，并可通过固定钢筋17与所述保护部件8相连接，通过保护部件的结构，能够避免爆破开挖抛掷岩石造成电感调频式位移传感器损坏，同时也可保证电感调频式位移传感器不被初衬时喷射的混凝土所覆盖。

图4示出了本发明所述监测部分在断面周围的安装示意图，实际应用时可以多个断面的各位移监测点同时进行位移监测，首先在第一个断面12附近的各位移监测点安装监测部分11和数据采集箱14，紧接着的两个断面12均安装有监测部分11，且上述三个断面12的监测部分11均通过连接线9连接至第一个断面12的数据采集箱14，即一定距离内的电感调频式位移传感器7共用一数据采集箱14，这里的一定距离可以为第一个断面与第三个断面的间距；数据发射箱15的安装位置有两种，一种是所述数据发射箱15与所述数据采集箱14是集成一体的，待监测完毕后由数据发射箱15将岩体位移数据发送给用户终端，另一种是所述数据发射箱15置于岩体洞口的位置，直接与用户终端连接传输监测到的岩体位移数据；数据采集箱14可以根据预设时间间隔如采样时间自动接收电感调频式位移传感器7传输过来的岩体位移数据并存储，所述数据发射箱15可以通过无线方式(通过天线连接无线网络)或互联网络方式(通过Internet网络)将岩体位移数据实时发送给用户终端；同时，当前断面12周围安装的电感调频式位移传感器7可拆卸回收，并可安装于与当前断面12间隔一定距离的断面12周围进行重复利用。

本发明能够自动在线监测岩体位移变化，并且通过位移预测进化极限学习机模型预测岩体位移数据，具有超前性，便于提前知道岩体位移的变化趋势；采用通过差异进化算法进化后的极限学习机算法，实现过程简单高效，提高了岩体位移的准确性，便于现场施工人员及时了解岩体位移的变化状态，

在步骤5之前还包括对极限学习机算法进行初始化设置，包括设置极限学习机的隐含层节点数、设置差异进化算法的种群数量、进化代数、交叉因子CR和放大因子F。

极限学习机(ELM)是继BP神经网络和支持向量机之后的一种新的单隐层前向神经网络(single-hidden-layer feed forward neural networks-SLFNs)， 其特点是结构简单、泛化性能强、学习速度快、并且避免了局部极小、迭代次数过多等问题，极限学习机的数学模型如下：

对于N个不同学习样本(x_i,y_i)∈Rⁿ×R^m(i＝1,2,…,N)、具有L个隐含层节点、隐含层激活函数为g(x)的单隐藏层前馈神经网络，第i个样本输出值可采用如下的公式表示：

$o_i=\underset{j=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{j}g(a_j\·x_i+b_j)---\left(1\right)$

式(1)中，o_i为第i个样本的输出值，α_j＝[α_j1，α_j2，…，α_jn]^T，表示输入层到隐含层的连接权值；b_j＝[b_j1,b_j2,…，b_jm]^T表示隐含层节点的偏移量，β_j＝[β_j1,β_j2,…，β_jm]^T表示隐含层第i个节点到输出层的连接权值，g(x)为激活函数；

所述网络若以零误差逼近训练样本，则：

$y_i=o_i=\underset{j=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{j}g({\mathrm{\α}}_j\·x_i+b_j)---\left(2\right)$

式(2)可以简记为：

Hβ＝Y(3)

其中， 这里的a_j、b_j、β_j的含义与式(1)中的含义相同，H为神经网络隐含层输出矩阵，H(x_i)为H的第i行向量，H的第j列为输入变量x₁,x₂,…,x_N时第j个隐含层对应的输出。

极限学习机的学习算法一般包括以下三个步骤：

①确定隐含层节点(神经元)个数，设定输入层与隐含层之间的连接权值a和隐含层节点的偏移量b；

②选择一个无限可微的函数作为隐含层节点的激活函数，进而计算隐含层输出矩阵H；

③计算输出层权值β，上述过程极限学习机通过随机设置隐含层到输入层的权值和偏移量，可对输出层权值产生唯一解，若隐含层节点足够多，理论上可 逼近任何连续函数。

差异进化算法(DE)是一种新型直接寻优算法，具有较好的全局收敛属性，假设需优化N个参数，则首先产生维数为N的Np个向量，Np称为种群规模，每个向量即一组潜在解，称为个体；对每一个个体向量按照目标函数进行计算，作为适应值，根据适应值大小按照差异进化算法的规则循环迭代，逐渐接近最优解，差异进化算法的迭代规则包括产生初始种群、变异操作、交叉操作和选择操作；差异进化算法(DE)的原理和步骤如下：

令第G代种群中向量的个数为NP，第G代中向量可以表示为x_i,G，i＝1,2,…,NP,每个向量个体包含D个分量，DE算法过程如下：

1)产生初始种群：在D维空间里随机产生满足自变量上下界约束的NP个染色体,公式如下：

$\begin{array}{cc}{x}_{ij}\left(0\right)={\mathrm{rand}}_{ij}(0,1)& (x_{ij}^U-x_{ij}^L)+x_{ij}^L\end{array}---\left(4\right)$

i＝1,2,…,NP；j＝1,2,…,D.

式中分别为第j个分量的上界和下界，rand_ij(0,1)是[0，1]之间的随机数。

2)变异操作：在DE算法中，缩放种群中任意两个目标向量个体之间的差值并叠加到种群中的第3个向量个体上，形成新的变量，此过程称为变异。对于第G代每个目标向量，其变异向量第j分量为：

v_i,j(G+1)＝x_r1j(G)+F(x_r2j(G)-x_r3j(G)) (5)

式中下标r1,r2,r3为[1，NP]中的随机整数且互不相同，F为缩放因子，用来调节向量差异的步长幅值，在0～2内取值。公式(5)是基本的变异模式，被称作DE/rand/1模式；随着该公式的改变，尚能形成其它模式，如DE/best/1、DE/best/2、DE/rand/2等。

3)交叉操作：将目标向量x_i,G与变异向量v_i,G+1按照如下规则杂交，生成新的试样向量u_i,G+1:

式中r_j∈[0,1]为与向量第j个分量对应的随机数；CR∈[0,1]为杂交概率常数；rn_i为在1，2，…，D中随机挑选一个整数，以确保变异向量V_i(G+1)中，至少有一个分量被试样向量u_i(G+1)采用。

4)选择操作：采用贪婪搜索方法进行选择操作。将试样向量u_i(G+1)与目 标向量x_i(G)比较，如果u_i(G+1)对应较小的目标函数值，则选择向量u_i(G+1)；反之如果，x_i(G)对应较小的目标函数值，则保留向量x_i(G)。

本发明将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的优化变量，同时以训练预测误差作为差异进化算法的适应值，同时根据随时间推移不断变化的位移时间序列，构造具有代表性的样本集，该样本集包括训练样本集和测试样本集，然后设定差异进化算法的参数包括种群数量、进化代数、交叉因子CR和放大因子F，并随机产生初始种群，每个个体对应极限学习机的输入层权值和隐含层偏移量，进行训练，获得输出权值，进而获得极限学习机的拓扑结构，分别利用各位移监测点的测试样本集对不同位移监测点各自的位移预测极限学习机模型进行测试，针对每一位移监测点均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，当适应值不小于预设值(进化结束条件)，预设值可以取0，差异进化算法进行变异、交叉和选择等迭代操作，直到满足进化结束条件，此时当前种群中适应值最优的个体即作为最佳输入层权值和隐含层偏移量，然后训练获得输出层权值；

图9是本发明位移预测进化极限学习机模型的示意图，假设每一历史位移时间序列中包含m个位移数据，即预设数量为m,最后一个历史位移时间序列为{z_i,z_i+1,z_i+2,…z_i+m-1}(最接近当前时间点的历史位移时间序列)，则以该历史位移时间序列作为位移预测进化极限学习机模型的输入，输出未来位移时间序列为{z_i+m,z_i+m+1,…,z_i+m+n-1}，进一步的，时间推移预设时间间隔，与当前时间点具有预设时间间隔的下一时间点对应的历史位移时间序列为{z_i+1,z_i+2,z_i+3…z_i+m}，则以该历史位移时间序列作为位移预测进化极限学习机模型的输入，输出未来位移时间序列为{z_i+m+1,z_i+m+2…,z_i+m+n}。

采用历史位移时间序列得到未来位移时间序列，即寻找在某时间点之前的位移时间序列与该时间点的位移之间的关系，即z_i+m＝f(z_i,zi+1,…z_i+m-1)，其中z_i是第i个时间点监测到的岩体位移数据，f是一个非线性函数，表示位移时间序列历史数据与未来数据之间的非线性关系，根据极限学习机理论，上述的非线性对应关系可以通过极限学习机算法对若干组实际监测的数据样本集进行学习获得，并通过公式(3)求解，基于岩体位移时间序列的预测方法，由于其特有的复杂性，多数情况下历史位移时间序列和未来位移时间序列之间的映射函数f不可能为一个线性函数，而是一个非线性函数，传统的统计和预测模型不能很 好的适应非线性，而极限学习机(ELM)是继BP神经网络和支持向量机之后提出的一种新的单隐层前向神经网络，利用极限学习机构造时间序列模型，具有结构简单、泛化性能强、学习速度快、且能够避免局部极小、迭代次数过多等问题，但普通极限学习机算法存在如下问题：训练时输入层权值矩阵和隐含层偏差是随机产生的，将会造成网络不稳定，从而影响整个极限学习机预测效果；输入层权值和隐含层偏差是极限学习机算法拓扑结构的重要部分，如何选取是影响其预测性能的关键；本发明通过差异进化算法对极限学习机算法的输入层权值和隐含层偏差进行优化，进而改进训练算法；

如图8所示，本发明进化极限学习机模型的建立过程包括如下步骤：

①确定训练样本和测试样本；

②产生初始种群；

③极限学习机参数取值；

④极限学习机学习预测；

⑤适应值计算；

⑥适应值是否满足要求，是则终止，否则执行步骤⑦；

⑦变异操作；

⑧交叉操作；

⑨选择操作，返回步骤③。

在利用进化极限学习机进行位移时间序列预测时，为了充分利用最新的信息，提高预测准确性，采用滚动预测方式，即用于构建样本集的历史位移时间序列是最接近当前时间点的岩体位移监测数据，通常采用最接近当前时间点的m个位移监测数据替代之前的最接近上一时间点的m个位移监测数据，来作为最后一个历史位移时间序列。

下面具体说明本发明所述岩体位移预测方法具体应用的实例，通过该实例对其实施过程和效果进行说明：以某隧道为例，首先通过本发明所述岩体位移监测装置每隔预设时间间隔获取待测断面各位移监测点的岩体位移数据，并形成M个依次排列的历史位移时间序列，按照历史位移时间序列构建样本集，构造25组样本，采用前20组作为训练样本集，后5组作为测试样本集，设置差异进化算法(DE)参数NP＝50，ITERATION＝60，按照前述预测方法获得位移预测进化极限学习机模型，然后将某一位移监测点的最接近当前时间点的历史位移时间序列作为输入，预测该位移监测点下一时间点的岩体位移，随着该位 移监测点下一时间点位移监测数据的获取，利用新获得的位移监测数据加入，去掉历史最老的(最早采集时间点对应的)位移数据，形成M个依次排列的历史位移时间序列，每一历史位移时间序列中包含m个位移数据，新获得的位移数据与其前面m-1个位移数据形成新的最后一个历史位移时间序列，可以再进行学习训练和更下一时间点的预测。如此滚动预测下去，获得对应的未来位移时间序列和历史位移时间序列的数据对比如图10所示，图10中的位移数据获取时间点之间间隔2天，预测最大误差为11.5％，符合工程要求。

本发明提供的一种岩体位移监测装置及岩体位移预测方法，本发明充分利用作为围岩支护手段的锚杆结构，以及利用电感调频式位移传感器、数据采集箱和数据发射箱，实现岩体位移数据的自动化监测和传输，解决了传统的位移监测手段监测信息比较滞后、浪费人力、以及工作效率低的问题，同时改变了埋入式位移计的监测方式，极大降低了自动化位移监测的成本，且实现了电感调频式位移传感器的动态拆卸和在爆破条件下的保护，安装过程简单、位移监测数据的传输和查看实时方便，同时通过位移预测进化极限学习机模型预测岩体位移数据，具有超前性，充分有效利用了位移监测数据对岩体位移进行预测，便于现场人员充分了解岩体位移的变化趋势，在工程上具有一定的指导意义；采用通过差异进化算法进化后的极限学习机算法，实现过程简单高效，提高了预测的准确性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种利用岩体位移监测装置的岩体位移预测方法，所述岩体位移监测装置包括：锚固体(2)、定位环(6)、电感调频式位移传感器(7)和保护部件(8)；所述电感调频式位移传感器(7)包括铁芯(71)和螺管线圈(72)；所述定位环(6)外周面与所述岩体(1)固定连接，且该定位环(6)具有一穿孔(61)，所述锚固体(2)穿过所述穿孔(61)与所述铁芯(71)可拆卸连接；所述保护部件(8)与所述螺管线圈(72)固定连接，其特征在于，所述岩体位移预测方法包括如下步骤：

步骤1：每隔预设时间间隔通过所述岩体位移监测装置获取被监测岩体断面各位移监测点的岩体位移数据，执行步骤2；

步骤2：随时间推移，分别针对每一位移监测点，形成M个依次排列的历史位移时间序列，每一历史位移时间序列中包含当前位移监测点对应的预设数量位移数据，且最后一个历史位移时间序列中的最后一个位移数据对应的获取时间点与当前时间点之间具有预设时间间隔，执行步骤3；

步骤3：随时间推移，分别针对每一位移监测点，构建以第h-1个历史位移时间序列作为输入，以第h个历史位移时间序列作为输出的样本集，其中2≤h≤M；多个位移监测点对应多个样本集，执行步骤4；

步骤4：将每一样本集划分为训练样本集和测试样本集两个部分，执行步骤5；

步骤5：将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体，通过所述差异进化算法随机生成初始种群，执行步骤6；

步骤6：计算出当前种群的各个体的适应值，执行步骤7；

步骤7：判断当前种群的个体是否满足进化结束条件，是则执行步骤9，否则执行步骤8；

步骤8：使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作，得到新的子代种群，针对所得到的新的子代种群和其父代种群，执行选择操作，选择两代种群中适应值优秀的个体作为下一代种群，返回步骤6；

步骤9：输出当前种群中适应值最优的个体，并获得相应的最优的输入层权值和隐含层偏移量，执行步骤10；

步骤10：利用所述最优的输入层权值和隐含层偏移量，通过极限学习机对各训练样本集进行训练和学习，获得不同位移监测点各自的位移预测进化极限学习机模型，执行步骤11；

步骤11：分别以各位移监测点的最后一个历史位移时间序列作为输入，通过各位移监测点对应的位移预测进化极限学习机模型输出各位移监测点的未来位移时间序列，返回步骤2。

2.根据权利要求1所述的岩体位移预测方法，其特征在于所述步骤6具体包括如下步骤：

针对当前种群的不同个体，通过极限学习机对各训练样本集分别进行训练和学习，获得不同位移监测点各自的位移预测极限学习机模型；

分别利用各位移监测点的测试样本集对不同位移监测点各自的位移预测极限学习机模型进行测试，针对每一位移监测点均获得测试误差(x_j-x_j′)，通过适应值函数获得适应值E(x)，其中j为测试样本集中位移获取的时间点顺序、取值为1,2…,n，x_j为通过位移预测极限学习机模型获得的第j个时间点的位移预测值，x_j′为测试样本集中第j个时间点获取的位移数据值。

3.根据权利要求1所述的岩体位移预测方法，其特征在于所述进化结束条件为当前种群中某一个体的适应值小于预设值。

4.根据权利要求1所述的岩体位移预测方法，其特征在于所述步骤1具体包括如下步骤：

步骤1.1：将被监测岩体断面周围各位移监测点安装的锚杆上所具有的锚固头(3)拆卸；

步骤1.2：针对每一位移监测点，将电感调频式位移传感器(7)安装于锚杆具有的锚固体(2)上；

步骤1.3：连接所述电感调频式位移传感器(7)与数据采集箱(14)，以及连接所述数据采集箱(14)和数据发射箱(15)；

步骤1.4：数据采集箱(14)每隔预设时间间隔接收各位移监测点的电感调频式位移传感器(7)传输过来的岩体位移数据并存储；

步骤1.5：数据发射箱(15)将所述数据采集箱(14)存储的岩体位移数据实时发送给用户终端。

5.根据权利要求4所述的岩体位移预测方法，其特征在于：

在步骤1.1之前还包括如下步骤：在被监测岩体断面周围各位移监测点安装包括锚固体(2)和锚固头(3)的锚杆；

所述电感调频式位移传感器(7)可拆卸回收，并可安装于与当前被监测岩体断面间隔一定距离的断面周围进行重复利用。