CN104182622B - 基于极限学习机的隧道施工中的反馈分析方法及其装置 - Google Patents
基于极限学习机的隧道施工中的反馈分析方法及其装置 Download PDFInfo
- Publication number
- CN104182622B CN104182622B CN201410394843.4A CN201410394843A CN104182622B CN 104182622 B CN104182622 B CN 104182622B CN 201410394843 A CN201410394843 A CN 201410394843A CN 104182622 B CN104182622 B CN 104182622B
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- population
- rock
- evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于极限学习机的隧道施工中的反馈分析方法及其装置,所述反馈分析方法,包括如下步骤:利用最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型;获取隧道施工过程中所揭露的围岩分类影响因素;以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果;监测并获得隧道的围岩位移;根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移,利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;本发明可快速得到围岩分类结果和围岩力学参数,预测准确、精度高。
Description
技术领域
本发明涉及一种隧道施工中的反馈分析方法及其装置,具体为一种基于极限学习机的隧道施工中的反馈分析方法及其装置。
背景技术
隧道是修建于地下的隐蔽工程,地质体不确定性和复杂性使隧道设计和施工存在盲目性,容易造成支护成本浪费或导致围岩塌方灾害,因此利用围岩揭露信息和监测信息对围岩进行反馈分析具有重要意义。
隧道施工中的反馈分析是地质体从黑箱向灰箱转化的必要过程,是进行隧道支护方案动态调整的前提。首先从定性角度,可以通过开挖揭露出的信息反馈确定围岩类别,其次从定量角度,可以进一步通过力学反分析获得围岩参数,为隧道施工过程中的数值模拟计算提供基础,隧道反分析过程本质上是复杂优化问题,针对传统优化方法的局限性,现有技术中,研究人员将遗传算法、神经网络、卡尔曼滤波算法、差异进化算法和粒子群算法等引入到隧道工程反分析中,尽管使得反馈分析的实现取得了不少成果,但由于遗传算法和神经网络等算法比较复杂、三维模型计算耗时太长、同时隧道施工围岩分类和反分析受到施工进度的制约,因此总体上隧道施工分析仍主要依靠人为经验,具有较大的随意性。所以,研究新的反馈分析方法并加以应用,具有重要的工程价值和学术意义。
发明内容
本发明针对以上问题的提出,而研制一种基于极限学习机的隧道施工中的反馈分析方法及其装置。
本发明的技术手段如下:
一种基于极限学习机的隧道施工中的反馈分析方法,包括如下步骤:
步骤1:构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ,执行步骤2;
步骤2:将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分,执行步骤3;
步骤3: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4;
步骤4:计算出当前种群的各个体的适应值,执行步骤5;
步骤5: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7,否则执行步骤6;
步骤6: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4;
步骤7: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8;
步骤8:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型,执行步骤9;
步骤9:获取隧道施工过程中所揭露的围岩分类影响因素,执行步骤10;
步骤10:以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果,执行步骤11;
步骤11:监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量,执行步骤12;
步骤12:根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;
所述步骤12具体包括如下步骤:
步骤120:通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体,执行步骤121;
步骤121:分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数,执行步骤122;
步骤122:利用目标函数获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S,执行步骤123;
步骤123:将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,判断该适应值是否小于预设值,是则执行步骤125,否则执行步骤124;
步骤124: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121;
步骤125:输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr);
进一步地,所述步骤1具体为:
收集隧道施工过程中的地质参数,建立以围岩分类影响因素为输入,围岩级别为输出的围岩分类的样本集Ⅰ;
按照隧道所处地质条件和隧道设计尺寸建立相应的三维数值模型,针对建立的所述三维数值模型,通过改变围岩力学参数来获得围岩位移数据的方式,建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ;
进一步地,采用正交设计方法建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ;
进一步地,所述步骤4具体为:
针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;
采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值;
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:
所述围岩分类影响因素包括:围岩回弹强度、岩体完整性、地下水参数、岩体结构面、拱顶沉降位移、以及围岩收敛位移量;
所述围岩力学参数包括:弹性模量、泊松比、粘聚力和内摩擦角;
所述围岩位移数据包括:收敛位移、拱顶沉降位移、围岩应力和岩石内部位移。
一种实施上述所述隧道施工中的反馈分析方法的装置,包括:
样本构建单元,用于构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ;
样本划分单元,用于将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分;
差异进化算法单元,用于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,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,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;
计算单元,用于计算出当前种群的各个体的适应值;
判断单元,用于判断当前种群的个体是否满足进化结束条件;
输出单元,用于当当前种群的个体满足进化结束条件时,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;
进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型;
获取单元,用于获取隧道施工过程中所揭露的围岩分类影响因素;
围岩分类单元,以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果;
监测单元,用于监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量;
和围岩力学参数反演单元,根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;
所述围岩力学参数反演单元包括:
第一代种群生成模块,用于通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体;
子代种群生成模块,用于当由目标函数得出的适应值不小于预设值时,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;
围岩位移输出模块,用于分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数;
目标函数值获取模块,用于利用目标函数 获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S;
判断模块,用于将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,并判断该适应值是否小于预设值;
和输出模块,用于当由目标函数得出的适应值小于预设值时,输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr);
进一步地,所述计算单元包括:
极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;
和适应值获取模块,用于采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值;
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。
由于采用了上述技术方案,本发明提供的基于极限学习机的隧道施工中的反馈分析方法及其装置,通过进化极限学习机模型,结合差异进化算法,建立了隧道施工从围岩分类到围岩参数识别的反馈分析方法,能够根据隧道施工过程中的围岩揭露信息,结合围岩监测信息,可以快速得到围岩分类结果和围岩力学参数,预测准确、精度高,训练过程和参数确定相对简单。
附图说明
图1是本发明所述反馈分析方法的流程图;
图2是本发明所述步骤12的方法流程图;
图3是本发明所述装置的结构框图;
图4是本发明进化极限学习机模型建立过程;
图5是本发明所述围岩分类极限学习机模型的示意图;
图6是本发明所述围岩参数识别极限学习机模型的示意图;
图7是按照隧道所处地质条件和隧道设计尺寸所建立的三维数值模型的示意图;
图8是监测位移和数值计算位移对比的示意图;
图9是各围岩位移参数敏感度对应的示意图;
图10是原设计方案和利用本发明反馈分析方法后的调整方案对应的隧道沿轴向沉降位移对比的示意图。
具体实施方式
如图1所示的一种基于极限学习机的隧道施工中的反馈分析方法,包括如下步骤:
步骤1:构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ,执行步骤2;
步骤2:将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分,执行步骤3;
步骤3: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;所述个体为一组潜在解,可以用数组表示;个体数量根据种群规模人为设置,执行步骤4;
步骤4:计算出当前种群的各个体的适应值,执行步骤5;
步骤5: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7,否则执行步骤6;
步骤6: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4;
步骤7: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;所述适应值最优的个体即指的是适应值最小的个体,执行步骤8;
步骤8:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型,执行步骤9;
步骤9:获取隧道施工过程中所揭露的围岩分类影响因素,执行步骤10;
步骤10:以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果,执行步骤11;
步骤11:监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量;所述围岩位移包括收敛位移、拱顶沉降位移、围岩应力和岩石内部位移,执行步骤12;
步骤12:根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;
如图2所示,所述步骤12具体包括如下步骤:
步骤120:通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体,执行步骤121;
步骤121:分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数,执行步骤122;
步骤122:利用目标函数获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S,执行步骤123;
步骤123:将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,判断该适应值是否小于预设值,是则执行步骤125,否则执行步骤124;
步骤124: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121;
步骤125:输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr);一组适应值最优的个体包含r个围岩力学参数;
进一步地,所述步骤1具体为:
收集隧道施工过程中的地质参数,建立以围岩分类影响因素为输入,围岩级别为输出的围岩分类的样本集Ⅰ;
按照隧道所处地质条件和隧道设计尺寸建立相应的三维数值模型,针对建立的所述三维数值模型,通过改变围岩力学参数来获得围岩位移数据的方式,建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ;
进一步地,采用正交设计方法建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ;
进一步地,所述步骤4具体为:
针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;
采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值;
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:
所述围岩分类影响因素包括:围岩回弹强度、岩体完整性、地下水参数、岩体结构面、拱顶沉降位移、以及围岩收敛位移量;
所述围岩力学参数包括:弹性模量、泊松比、粘聚力和内摩擦角;
所述围岩位移数据包括:收敛位移、拱顶沉降位移、围岩应力和岩石内部位移。
如图3所示的一种实施上述所述隧道施工中的反馈分析方法的装置,包括:样本构建单元,用于构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ;样本划分单元,用于将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分;差异进化算法单元,用于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,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,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;计算单元,用于计算出当前种群的各个体的适应值;判断单元,用于判断当前种群的个体是否满足进化结束条件;输出单元,用于当当前种群的个体满足进化结束条件时,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;进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型;获取单元,用于获取隧道施工过程中所揭露的围岩分类影响因素;围岩分类单元,以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果;监测单元,用于监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量;和围岩力学参数反演单元,根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;所述围岩力学参数反演单元包括:第一代种群生成模块,用于通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体;子代种群生成模块,用于当由目标函数得出的适应值不小于预设值时,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;围岩位移输出模块,用于分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数;目标函数值获取模块,用于利用目标函数获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S;判断模块,用于将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,并判断该适应值是否小于预设值;和输出模块,用于当由目标函数得出的适应值小于预设值时,输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr);进一步地,所述计算单元包括:极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;和适应值获取模块,用于采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值;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。
反演分析是以围岩位移量测数据作为已知量,反求岩体物理力学参数或初始地应力的过程。本发明利用极限学习机的快速计算性和逼近精度高的优点,建立了隧道施工从围岩分类到围岩参数识别的反馈分析方法,该方法能够根据隧道施工过程中的围岩揭露信息,结合围岩监测信息,可以快速得到围岩分类结果和围岩力学参数,在得到围岩分类结果之后可以进行相应的支护分类调整,在得到围岩力学参数之后可以进行相应的支护定量调整;为了避免人为随意性反馈分析隧道信息,本发明借助机器学习模式识别和模型拟合方法来实现反馈分析,首先,引入了一种新的快速单隐层前馈神经网络的机器学习方法即极限学习机(ELM),在分析其原理基础上与差异进化算法(DE)结合,优化其所述极限学习机的输入层权值和隐含层偏移量,提高预测精度,然后建立隧道双闭环反馈分析的进化极限学习机方法,图4示出了本发明进化极限学习机模型的建立过程,如图4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。
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,同时根据所需反馈分析的问题,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,利用测试样本对训练的极限学习机进行预测检验,以预测误差作为差异进化算法的适应值,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5示出了本发明所述围岩分类极限学习机模型的示意图,图6示出了本发明所述围岩参数识别极限学习机模型的示意图。
极限学习机的数学模型如下:
对于N个不同学习样本(xi,yi)∈Rn×Rm(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:
式(1)中,oi为第i个样本的输出值,αj=[αj1,αj2,…,αjn]T,表示输入层到隐含层的连接权值;bj=[bj1,bj2,…,bjm]T表示隐含层节点的偏移量,βj=[βj1,βj2,…,βjm]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:
式(2)可以简记为:
Hβ=Y (3)
其中, 这里的aj、bj、βj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(xi)为H的第i行向量,H的第j列为输入变量x1,x2,…,xN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)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xi,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:
i=1,2,…,NP;j=1,2,…,D.
式中分别为第j个分量的上界和下界,randij(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:
vi,j(G+1)=xr1j(G)+F(xr2j(G)-xr3j(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xi,G与变异向量vi,G+1按照如下规则杂交,生成新的试样向量ui,G+1:
式中rj∈[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;rni为在1,2,…,D中随机挑选一个整数,以确保变异向量Vi(G+1)中,至少有一个分量被试样向量ui(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ui(G+1)与目标向量xi(G)比较,如果ui(G+1)对应较小的目标函数值,则选择向量ui(G+1);反之如果,xi(G)对应较小的目标函数值,则保留向量xi(G)。
其中,隧道施工过程中的动态围岩分类进化极限学习机模型可以采用P=DEELC(X)表示,其中P表示围岩类别、DEELC表示进化模式分类差异极限学习机模型、X表示隧道开挖过程中揭露或观测形成的围岩分类影响因素,实际应用时考虑围岩分类影响因素获取的方便性以及充分利用施工过程中的揭露信息原则,同时参考《JTG D70-2004公路隧道设计规范》的围岩基本质量指标(BQ分级法),可将围岩回弹强度、岩体完整性指标Kv、地下水状况、岩体结构面产状、拱顶沉降位移、以及围岩收敛位移量作为围岩分类影响因素。
同时,在获得围岩分类结果的基础上,进而建立围岩位移反演分析,Z(z1、z2,…,zr)为r个待反演的围岩力学参数,其范围根据所获得的围岩类别来确定,通过tk=DEELR(Z)表示围岩参数识别极限学习机模型,其中DEELR表示函数拟合差异进化极限学习机模型,映射隧道围岩位移与围岩力学参数的非线性关系。
下面具体说明本发明所述反馈分析方法及其装置具体应用的实例,通过该实例对其实施过程和效果进行说明;
本发明所述反馈分析方法在吉林某公路隧道施工中进行应用,某隧道位于吉林省东部白山市靖宇县境内,工程地区属长白中低山区,该区出露的地层主要为侏罗系河湖相碎屑岩、安山岩类和第三~第四系玄武岩;断裂一般不太发育、规模较小、破坏程度不严重,隧道区地下水位埋藏条件以松散堆积层中的孔隙潜水和基岩裂隙水为主,受大气降水补给,向沟谷排泄。
隧道为分离式双洞隧道,两洞间距近13~35m左右,呈直线展布;左线设计起点里程为ZK275+170、终点里程为ZK276+795、全长1625m;右线设计起点里程为RK275+180、终点里程为RK276+780、全长1600m。以右线的K275+173~K275+390部分区域为例分析,来说明本发明的应用;隧道最大开挖宽度约12m,高度为7.6m,该隧道的围岩主要是III、IV、V类围岩,每间隔20米设立一个监测断面,进行拱顶沉降和洞周收敛监测。
通过对某隧道和类似隧道的地质参数进行数据收集,包括现场地质勘测和室内取样试验,获得围岩分类的样本集Ⅰ,共包括35个样本,随机选取30个作为训练样本Ⅰ、另外5个作为测试样本集Ⅰ,通过步骤1至步骤8,利用训练样本Ⅰ和测试样本集Ⅰ得到围岩分类进化极限学习机模型,用该围岩分类进化极限学习机模型对某隧道右线YK275+190~YK275+390区域进行围岩分类,输入围岩分类影响因素,这里包括围岩回弹强度、岩体完整性、地下水参数、岩体结构面、拱顶沉降位移、以及围岩收敛位移量,则得到围岩分类结果,如表1所示,由表1可知,大部分断面与原设计分级一致,其中桩号YK275+370和YK275+390附近的区域反馈分类结果为IV级,围岩性质优于原设计的V级,为进一步确认岩石性质,需要进行反分析。
表1.利用围岩分类进化极限学习机模型实现围岩分类的实施数据。
为进一步探明桩号YK275+370和YK275+390附近区域岩体性质,基于围岩参数识别进化极限学习机模型和差异进化算法对该区段实施参数反分析,首先建立该区段的三维数值模型,图7示出了按照隧道所处地质条件和隧道设计尺寸所建立的三维数值模型的示意图,选取为长207米、宽70米、高90米的计算区域,地层从上到下依次为:角质凝灰岩、灰质泥岩和含钙粉砂质泥岩;进口端隧道中点坐标为(0,0,0)、Y轴为隧道的掘进方向、Z轴为竖直方向、X轴为隧道水平的径向,共剖分370924个单元和379464个节点。地层模型采用实体单元模拟,锚杆和长管棚采用cable结构单元,喷射混凝土采用Shell单元,塑性本构采用莫尔-库仑屈服准则。与实际监控量测对应,每间隔20米设置一个监测断面,监测拱顶、拱底和收敛位移;并选取离隧道比较近的灰质泥岩的弹性模量、泊松比、粘聚力、内摩擦角(E1、μ1、C1、φ1)和角砾凝灰岩的弹性模量、泊松比(E2、μ2)为参数因素,根据前期勘察资料确定它们的取值范围见表2。在取值范围内各取五个水平,构造L25(65)的25个正交设计方案和U5(65)的5个均匀设计方案。
表2.灰质泥岩的弹性模量、泊松比、粘聚力、内摩擦角(E1、μ1、C1、φ1)和角砾凝灰岩的弹性模量、泊松比(E2、μ2)取值范围。
对25个正交方案和5个均匀方案分别进行数值计算,选取桩号YK275+370的监测断面,记录此剖面的拱顶位移、拱底位移以及洞周收敛位移进行分析,得出30个计算方案的结果参照图8所示;运用正交设计因素分析方法对试验数据进行计算,得到各因子极差,从而分析各参数敏感度,图9示出了分析出的各参数敏感度图表。通过极差计算和次序排列,得出六个参数的敏感度大小顺序为E1>μ1>C1>μ2>φ1>E2。选取比较敏感的三个参数E1、μ1和C1作为反演参数,其他参数按前期勘察数据范围中心点选取。
利用上述25个正交训练样本和5个均匀预测样本,通过步骤1至8得到围岩参数识别进化极限学习机模型,建立了围岩力学参数和研究断面位移的非线性映射关系,同时将本发明所述进化后的极限学习机算法与BP神经网络、径向基SVM算法的预测时间、拟合最大相对误差进行对比。为了公平比较,也采用了进化后的BP神经网络、径向基SVM算法,设置差异进化算法的节点数为50,迭代次数为50,由表3可见,这三种方法预测最大相对误差不超过7%,都能获得比较高的预测精度,可以满足工程应用。其中本发明进化后的极限学习机算法预测精度最高,并且所用时间也最短,而BP神经网络训练时间最长,且预测相对误差最大,进化后的极限学习机算法参数确定和训练过程比BP神经网络和支持向量机简单,可见,进化后的极限学习机算法在速度和准确度方面都有一定的优势。
表3.进化后的极限学习机算法与BP神经网络、径向基SVM算法的预测精度对比。
学习算法 | 时间/s | 平均相对误差 |
进化后的极限学习机算法 | 19.65 | 4.42% |
径向基SVM算法 | 85.22 | 4.89% |
BP神经网络 | 356.73 | 6.62% |
断面监测顶拱、拱顶和收敛的位移分别为:6.41mm、7.08mm和6.38mm,设置优化变量数为3、节点数量为50、迭代次数为300、变异因子F=0.7、交叉因子CR=0.6,运行差异进化算法,搜索得到对应的适应值最小值时的力学参数组为:E1=3.496GPa,μ1=0.315,C1=0.300MPa,此即为反演获得的围岩参数。将反演的参数输入数值计算模型,可得到相应测线的位移计算值和实测值对比参考表4所示。反演参数计算值与已知监测线位移相对误差最大为-3.29%,结果令人满意,可用于后续的支护优化分析,反分析参数值不但进一步说明了分级结果的合理性,也为进一步定量的方案比选计算提供了基础。
表4.反演位移与实测位移对应数据。
通过上述对某隧道桩号YK275+258等断面附近围岩反馈分析表明,该处围岩处于IV级;经过与研究方、设计方和施工方协商,建议该2个桩号后续区段按照IV级原则进行施工调整,即由原设计的双侧壁导坑+超前大管棚法调整为上下台阶+超前锚杆法;基于反分析获得的围岩力学参数,计算的原设计方案和调整后的方案对应的隧道沿轴向沉降位移参照图10所示。由计算可见,方案简化后顶拱最大沉降由大约6mm左右增加到9mm左右,满足工程稳定性要求;调整后的施工方案经过后期的实际观测与计算一致。
本发明通过引入一种新的快速单隐层前馈神经网络的机器学习方法来进行隧道的施工反馈分析,即进行围岩分类和围岩参数识别,克服了传统神经网络结构复杂、以及拓扑结构确定困难的缺点,提高了算法的精度和准确度;本发明提供的基于极限学习机的隧道施工中的反馈分析方法及其装置,通过进化极限学习机模型,结合差异进化算法,建立了隧道施工从围岩分类到围岩参数识别的反馈分析方法,能够根据隧道施工过程中的围岩揭露信息,结合围岩监测信息,可以快速得到围岩分类结果和围岩力学参数,预测准确、精度高,训练过程和参数确定相对简单。
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 (8)
1.一种基于极限学习机的隧道施工中的反馈分析方法,其特征在于包括如下步骤:
步骤1:构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ,执行步骤2;所述步骤1具体为:收集隧道施工过程中的地质参数,建立以围岩分类影响因素为输入,围岩级别为输出的围岩分类的样本集Ⅰ;按照隧道所处地质条件和隧道设计尺寸建立相应的三维数值模型,针对建立的所述三维数值模型,通过改变围岩力学参数来获得围岩位移数据的方式,建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ;
步骤2:将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分,执行步骤3;
步骤3: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4;
步骤4:计算出当前种群的各个体的适应值,执行步骤5;
步骤5: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7,否则执行步骤6;
步骤6: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4;
步骤7: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8;
步骤8:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型,执行步骤9;
步骤9:获取隧道施工过程中所揭露的围岩分类影响因素,执行步骤10;
步骤10:以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果,执行步骤11;
步骤11:监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量,执行步骤12;
步骤12:根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;
所述步骤12具体包括如下步骤:
步骤120:通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体,执行步骤121;
步骤121:分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数,执行步骤122;
步骤122:利用目标函数获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S,执行步骤123;
步骤123:将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,判断该适应值是否小于预设值,是则执行步骤125,否则执行步骤124;
步骤124: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121;
步骤125:输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr)。
2.根据权利要求1所述的一种基于极限学习机的隧道施工中的反馈分析方法,其特征在于采用正交设计方法建立以围岩力学参数为输入、围岩位移数据为输出的围岩参数识别的样本集Ⅱ。
3.根据权利要求1所述的一种基于极限学习机的隧道施工中的反馈分析方法,其特征在于所述步骤4具体为:
针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;
采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值。
4.根据权利要求1所述的一种基于极限学习机的隧道施工中的反馈分析方法,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。
5.根据权利要求1所述的一种基于极限学习机的隧道施工中的反馈分析方法,其特征在于:
所述围岩分类影响因素包括:围岩回弹强度、岩体完整性、地下水参数、岩体结构面、拱顶沉降位移、以及围岩收敛位移量;
所述围岩力学参数包括:弹性模量、泊松比、粘聚力和内摩擦角;
所述围岩位移数据包括:收敛位移、拱顶沉降位移、围岩应力和岩石内部位移。
6.一种实施权利要求1所述隧道施工中的反馈分析方法的装置,其特征在于包括:
样本构建单元,用于构建围岩分类的样本集Ⅰ、围岩参数识别的样本集Ⅱ;
样本划分单元,用于将所述样本集Ⅰ划分为训练样本集Ⅰ和测试样本集Ⅰ两个部分,将所述样本集Ⅱ划分为训练样本集Ⅱ和测试样本集Ⅱ两个部分;
差异进化算法单元,用于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,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,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;
计算单元,用于计算出当前种群的各个体的适应值;
判断单元,用于判断当前种群的个体是否满足进化结束条件;
输出单元,用于当当前种群的个体满足进化结束条件时,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;
进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对训练样本集Ⅰ、训练样本集Ⅱ进行训练和学习,得到围岩分类进化极限学习机模型和围岩参数识别进化极限学习机模型;
获取单元,用于获取隧道施工过程中所揭露的围岩分类影响因素;
围岩分类单元,以围岩分类影响因素作为输入,通过围岩分类进化极限学习机模型输出围岩分类结果;
监测单元,用于监测并获得隧道的围岩位移k取值为1、2、…、S,其中S为围岩位移监测点的数量;
和围岩力学参数反演单元,根据所述围岩分类结果,在不同围岩类别范围内,结合获得的围岩位移利用差异进化算法和围岩参数识别进化极限学习机模型,获取围岩力学参数;
所述围岩力学参数反演单元包括:
第一代种群生成模块,用于通过差异进化算法随机产生第一代种群,该第一代种群具有S个个体;
子代种群生成模块,用于当由目标函数得出的适应值不小于预设值时,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;
围岩位移输出模块,用于分别以当前种群的各个体作为输入,通过围岩参数识别进化极限学习机模型输出相应的围岩位移tk[Z(z1、z2,…,zr)],k取值为1、2、…、S,Z(z1、z2,…,zr)为r个待反演的围岩力学参数;
目标函数值获取模块,用于利用目标函数获得目标函数值E[Z(z1、z2,…,zr)],其中Z(z1、z2,…,zr)为r个待反演的围岩力学参数、S为围岩位移监测点的数量、为监测到的围岩位移、tk[Z(z1、z2,…,zr)]为围岩参数识别进化极限学习机模型输出的围岩位移,k取值为1、2、…、S;
判断模块,用于将所述目标函数值E[Z(z1、z2,…,zr)]作为适应值,并判断该适应值是否小于预设值;
和输出模块,用于当由目标函数得出的适应值小于预设值时,输出当前种群中适应值最优的个体作为围岩力学参数Z(z1、z2,…,zr)。
7.根据权利要求6所述的隧道施工中的反馈分析方法的装置,其特征在于所述计算单元包括:
极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对所述训练样本集Ⅰ、训练样本集Ⅱ分别进行训练和学习,获得围岩分类极限学习机模型和围岩参数识别极限学习机模型;
和适应值获取模块,用于采用所述围岩分类极限学习机模型对所述测试样本集Ⅰ进行预测,获得预测误差Ⅰ并将该预测误差Ⅰ作为适应值,采用所述围岩参数识别极限学习机模型对所述测试样本集Ⅱ进行预测,获得预测误差Ⅱ并将该预测误差Ⅱ作为适应值。
8.根据权利要求7所述的隧道施工中的反馈分析方法的装置,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410394843.4A CN104182622B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410394843.4A CN104182622B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182622A CN104182622A (zh) | 2014-12-03 |
CN104182622B true CN104182622B (zh) | 2017-04-05 |
Family
ID=51963657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410394843.4A Active CN104182622B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的隧道施工中的反馈分析方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182622B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484571A (zh) * | 2014-12-22 | 2015-04-01 | 深圳先进技术研究院 | 一种基于边缘距离排序的集成学习机修剪方法及系统 |
CN105353427A (zh) * | 2015-12-14 | 2016-02-24 | 大连海事大学 | 隧道围岩动态分级方法及其装置 |
CN105911256B (zh) * | 2016-06-17 | 2017-12-19 | 清华大学 | 量化围岩等级的测试方法 |
CN106383095B (zh) * | 2016-11-03 | 2023-09-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
CN107145665B (zh) * | 2017-05-04 | 2020-04-14 | 东北大学 | 一种巷道围岩应力建模与预测方法 |
CN107330294A (zh) * | 2017-07-15 | 2017-11-07 | 东北大学 | 带遗忘因子的在线时序多隐含层极限学习机的应用方法 |
CN109657258B (zh) * | 2017-10-12 | 2022-03-29 | 中国石油天然气股份有限公司 | 地层岩石力学特征剖面的处理方法和装置 |
CN108487916B (zh) * | 2018-03-13 | 2020-07-14 | 大连海事大学 | 隧道稳定性防护预测系统及隧道岩体变形预测方法 |
CN109241627B (zh) * | 2018-09-07 | 2020-08-18 | 大连海事大学 | 概率分级的动态支护方法及自动设计支护方案的装置 |
CN109163997B (zh) * | 2018-09-18 | 2020-12-11 | 天津大学 | 一种基于声谱图深度学习的岩石表面强度测定方法 |
CN110175194B (zh) * | 2019-04-19 | 2021-02-02 | 中国矿业大学 | 一种基于关联规则挖掘的煤矿巷道围岩变形破裂辨识方法 |
CN110852343A (zh) * | 2019-09-26 | 2020-02-28 | 桂林理工大学 | 一种基于gpc的隧道围岩类型识别系统、方法及装置 |
CN110909402B (zh) * | 2019-10-30 | 2023-04-18 | 东南大学 | 一种基于神经网络技术的超前小导管设计方法 |
CN111079810A (zh) * | 2019-12-06 | 2020-04-28 | 中国铁路设计集团有限公司 | 基于支持向量机的隧道围岩等级预测方法 |
CN111197500B (zh) * | 2020-01-06 | 2021-04-13 | 山东大学 | 适用于tbm掘进隧道围岩等级实时判别方法及系统 |
CN111291898B (zh) * | 2020-02-17 | 2020-12-11 | 哈尔滨工业大学 | 一种多任务稀疏贝叶斯极限学习机回归方法 |
CN115929406B (zh) * | 2022-12-07 | 2023-08-18 | 河海大学 | 基于神经网络的围岩稳定性预测方法、系统及存储介质 |
CN115688251A (zh) * | 2022-12-19 | 2023-02-03 | 山东大学 | 基于深度学习的地震多发区隧道风险决策方法及系统 |
CN116484716B (zh) * | 2023-03-15 | 2024-02-06 | 西南交通大学 | 基于钻进参数的掌子面围岩初始地应力解析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400190A (zh) * | 2013-08-13 | 2013-11-20 | 浙江大学 | 一种使用遗传算法优化极限学习机的集成框架方法 |
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
-
2014
- 2014-08-12 CN CN201410394843.4A patent/CN104182622B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400190A (zh) * | 2013-08-13 | 2013-11-20 | 浙江大学 | 一种使用遗传算法优化极限学习机的集成框架方法 |
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
Non-Patent Citations (5)
Title |
---|
基于DE-SVM三维隧道智能反馈分析研究;姜谙男等;《地下空间与工程学报》;20130815;第9卷(第4期);第765-770页 * |
基于差异进化算法反演参数的隧道稳定性分析;宋战平等;《地下空间与工程学报》;20130615;第9卷(第3期);第558-565页 * |
基于极限学习机的混合气体FTIR光谱定量分析;陈媛媛等;《中北大学学报(自然科学版)》;20111015;第32卷(第5期);第638页第1节倒数第3行,第638-639页第2节,第639页第3.2节 * |
复杂条件下大型洞室群施工反馈分析集成智能系统研究;姜谙男等;《岩土力学》;20061020;第27卷(第S1期);第230-234页 * |
大连地铁隧道监测数据分析及参数智能反演;王军祥等;《土木工程学报》;20111115;第44卷(第S2期);第136页第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182622A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182622B (zh) | 基于极限学习机的隧道施工中的反馈分析方法及其装置 | |
Zhou et al. | Forecasting of TBM advance rate in hard rock condition based on artificial neural network and genetic programming techniques | |
Lai et al. | Prediction of soil deformation in tunnelling using artificial neural networks | |
Reale et al. | Automatic classification of fine-grained soils using CPT measurements and Artificial Neural Networks | |
Falaschi et al. | Logistic regression versus artificial neural networks: landslide susceptibility evaluation in a sample area of the Serchio River valley, Italy | |
Mulashani et al. | Enhanced group method of data handling (GMDH) for permeability prediction based on the modified Levenberg Marquardt technique from well log data | |
CN105353427A (zh) | 隧道围岩动态分级方法及其装置 | |
CN106104590A (zh) | 不确定性下多级油田设计优化 | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
Zhongya et al. | Prediction of peak velocity of blasting vibration based on artificial neural network optimized by dimensionality reduction of FA-MIV | |
Grauch | Detection of cavities and tunnels from gravity data using a neural network | |
Kumar et al. | Reliability analysis of settlement of pile group in clay using LSSVM, GMDH, GPR | |
Ghajar et al. | An adaptive network-based fuzzy inference system for rock share estimation in forest road construction | |
Zhang et al. | A novel seepage behavior prediction and lag process identification method for concrete dams using HGWO-XGBoost model | |
Neyamadpour et al. | Using artificial neural networks to invert 2D DC resistivity imaging data for high resistivity contrast regions: A MATLAB application | |
CN114943125A (zh) | 基于XGBoost优化算法的隧道围岩参数智能反演分析方法 | |
CN117745466B (zh) | 一种尾矿库数智运维系统 | |
Liu et al. | Research on the grey Verhulst model based on particle swarm optimization and Markov chain to predict the settlement of high fill subgrade in Xiangli expressway | |
CN114676644A (zh) | 一种基于机器学习约束的密度突变界面反演方法及系统 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
CN114509556A (zh) | 一种预测场地重金属污染物浓度的方法 | |
Abu-Farsakh et al. | Machine Learning Models to Evaluate the Load-Settlement Behavior of Piles from Cone Penetration Test Data | |
Zou et al. | Intelligent Control of Smooth Blasting Quality in Rock Tunnels Using BP‐ANN, ENN, and ANFIS | |
CN117251802A (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |