CN107368463A - 基于光纤光栅传感网络数据的巷道非线性变形预测方法 - Google Patents
基于光纤光栅传感网络数据的巷道非线性变形预测方法 Download PDFInfo
- Publication number
- CN107368463A CN107368463A CN201710561863.XA CN201710561863A CN107368463A CN 107368463 A CN107368463 A CN 107368463A CN 201710561863 A CN201710561863 A CN 201710561863A CN 107368463 A CN107368463 A CN 107368463A
- Authority
- CN
- China
- Prior art keywords
- data
- tunnel
- deformation
- svms
- fiber grating
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,属于巷道围岩非线性变形预测方法。包括步骤1:基于光纤光栅传感网络的巷道围岩变形数据采集;步骤2:巷道围岩变形光纤光栅传感器监测数据时间序列分析及预处理;步骤3:选择支持向量机的核函数和损失函数,确定支持向量机主要参数;步骤4:构建核函数矩阵,解算得到支持向量机最优参数组合值;步骤5:建立非线性支持向量机回归预测模型,实现巷道围岩非线性变形预测。本发明采用光纤光栅传感技术和支持向量机预测方法对变形围岩体的后期演化规律、发展趋势进行预测,保障了巷道围岩安全监测、安全生产、施工及稳定,为采矿工程智能化、信息化的发展提供研究方向。
Description
技术领域
本发明涉及一种巷道围岩非线性变形预测方法,具体是一种基于光纤光栅传感网络数据的巷道围岩非线性变形预测方法。
背景技术
在煤矿生产过程中,由于煤矿开采导致巷道和工作面顶板处于非稳定状态,随着煤矿开采深度的不断增大,矿山对矿井的压力尤为明显,矿井巷道具有复杂的环境系统,其内部的变形非常隐蔽,初始状态很难搞清楚,在开采工程作用下的变形与破坏现象更是千变万化,在应用传统理论与数值模拟的研究方法分析和预测巷道围岩的变形行为过程中,由于围岩介质的特殊性和数值方法的局限性,使得计算结果差强人意,因此巷道围岩非线性变形行为的准确预测成为目前采矿工程中的难点和迫切需要解决的问题之一。
光纤光栅作为一种新兴的研究领域,具有本质安全、测量精度高、抗干扰能力强,监测数据误差小、可实时在线长期监测等优点,已广泛的应用于光纤光栅传感技术方面,其中将光纤光栅传感器用于煤矿巷道围岩现场监测成为发展趋势,因此建立一个先进的光纤光栅传感网络用于巷道围岩变形在线监测系统,可有效监控巷道围岩状态及安全生产,有效地预防和减少煤矿事故的发生。
目前对非线性变形行为的预测方法主要包括灰色系统建模理论、神经网络、时间序列分析法、频谱分析法等。但这些方法都有一些缺点,灰色建模预测对预测所用数据要求较高,需要数据呈指数形式上升,才能预测的较好,而且用的数据序列需要为正的等问题;神经网络尽管具有高度的非线性映射能力和良好的自学习能力,但是计算结果受初值影响大,存在陷入局部极值、稳定性差等问题;常用时间序列分析法要求序列数量较大,建立的数学模型与数据序列特点有关,只适用能够为其历史线性表示的随机系列,很难针对特定数据构造合适的模型;其它一些预测模型也存在模型适应性不强,难于实际操作等问题。
支持向量机是建立在统计学习的VC(Vapnik—Chervonnkis Dimension)维理论和结构风险最小原理基础上的一种机器学习算法,通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。对更接近实际工程状况中,针对采矿巷道围岩非线性变形行为预测的模式分析,建立巷道围岩非线性变形行为的支持向量机模型,应用支持向量机的方法为有限的、非线性、高维数的随时间变化的现场监测数据样本提供了很好的一种解决办法,能够对变形围岩体的后期演化规律、发展趋势进行正确预测,是采矿工程巷道围岩变形甚乃至岩土工程变形行为预测的智能化、信息化极具推广价值的研究方向。
发明内容
技术问题:本发明的目的是为了适应现在煤矿自动化、智能化安全监测需要,解决采矿工程生产过程中巷道围岩非线性变形行为及安全监测问题,提供一种基于光纤光栅传感网络数据的巷道围岩非线性变形预测方法。
为实现本发明目的的技术方案:一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,综合采用非稳环境下光纤光栅传感网络历史数据集、历史数据集和工作面随采信息的多源信息融合方法及支持向量机非线性回归方法,包括以下几个步骤:
步骤1:基于光纤光栅传感网络的巷道围岩变形数据采集;
步骤2:巷道围岩变形光纤光栅传感器监测数据时间序列分析及预处理;
步骤3:选择支持向量机的核函数和损失函数,确定支持向量机参数;
步骤4:构建核函数矩阵,解算得到支持向量机参数组合值;
步骤5:建立非线性支持向量机回归预测模型,对巷道围岩变形进行预测分析。
进一步的,步骤1中,光纤光栅传感网络系统架构主要包括传感应用层、网络传输层和数据处理层三个层次,其中传感应用层包括光纤光栅顶板位移传感器、光纤光栅锚杆轴力传感器、光纤光栅钻孔应力传感器和光纤光栅顶板应力传感器,用于巷道围岩变形状态参数监测,网络传输层包括矿用多芯通信光缆、矿用光缆接续盒和矿用铠装光纤跳线,用于光纤光栅组网与拓扑、路由和数据传输转发,数据处理层包括光纤光栅信号处理器、电脑服务及处理主机和嵌入式造作分析软件,用于动态实时数据处理及显示、数据存储与管理、数据访问与共享;
所述的巷道围岩变形数据包括各类光纤光栅传感器在线监测数据和历史监测数据。
进一步的,步骤2中:所述的巷道围岩变形光纤光栅传感器监测数据采用时间序列表示分析并进行预处理;
所述的时间序列监测数据作为训练样本,其预处理分为数据异常检测、数据归一化和数据消噪,其具体实现包括以下子步骤:
步骤2.1:根据选择的训练样本数据,采用基于支持向量机的异常数据检测方法,其处理过程如下:
I、利用光纤光栅传感器监测数据建立支持向量机回归估计模型;
II、利用估计模型进行回归估计,计算该样本点的残差,即计算yi为实际监测值,为回归估计值,i为满足条件的样本点序号;
III、根据实际需要的适应度及监测数据的精度要求,定义阈值常数λ,若Ei≥λ,则第i个样本yi为异常数据,则用回归估计值替代异常数据进行校正;
步骤2.2:对校正后的训练样本数据进行归一化处理,将样本输入数据规整到[0,1]区间范围内,计算公式为:
式中,xi为样本输入数据,xi'为归一化之后Xi的变量,xmax为样本输入数据的最大值,xmin为样本输入数据的最小值;
步骤2.3:采用基于支持向量机的训练样本数据消噪方法,其处理过程如下:
I、采用异常数据检测方法查找出原始时间序列中的异常数据,利用中值法或平均数法进行平滑预处理;
II、估计时间序列数据的方差D,确定支持向量机的初始参数ε=D/2,使回归模型对正常范围内的噪声数据不敏感;
III、利用光纤光栅传感器监测数据,选择和优化支持向量机的核参数σ和惩罚因子C,建立支持向量机回归模型;
IV、建立的回归模型计算出训练数据的预测值,并用其代替原监测时间序列数据,实现一次迭代的噪声平滑;
V、判断迭代的噪声水平值,若是复合最佳噪声水平则结束训练样本数据的消噪过程,反之,则重复过程II—IV,经过多次调整和优化支持向量机参数及回归预测模型直到获得一个最佳噪声水平值的噪声平滑时间序列。
进一步的,步骤3中,所述的支持向量机参数为:宽度系数σ、允许误差ε和惩罚系数C的取值范围。
进一步的,步骤3中,所述的核函数包括以下几种:
1)多项式核函数:
K(x,y)=(x·y)d或K(x,y)=(x·y+1)d
2)径向基函数:
3)Sigmoid核函数:
K(x,y)=tanh[b·(x·y)+θ]
所述的损失函数包括以下几种:
1)ε不敏感损失函数:
其中参数ε的取值计算公式为式中n为数据训练样本大小,σnoise为噪声的标准离差,k为近邻估计点数,取值范围为2~6;
2)r范数损失函数:
Lr(y,f(x,ω))=|y-f(x,ω)|r,r>0
其中参数r的取值为2;
3)Huber损失函数:
其中参数μ的取值计算公式为
所述的惩罚参数选取公式为:
式中,为数据训练样本输出数据的平均值,σy为输出数据的标准离差。
进一步的,步骤4中,所述的支持向量机参数组合值为:支持向量解αi、和权向量ω,采用二次规划的算法得到支持向量机中核参数宽度系数σ和惩罚系数C的最优参数组合值。
进一步的,步骤5中,所述的非线性支持向量机回归预测模型包括输入层、中间层和输出层,其中输入层为训练样本数据(x1,x2,…,xi),中间层为支持向量机的核函数K(xi,yi),输出层为支持向量机回归预测模型的函数,可表示为:
非线性支持向量机回归预测模型为如下的优化问题,
其中Lε(y,f(x,ω))=max{0,|y-f(x,ω)|-ε};
求解上式可得到非线性支持向量机回归预测模型的函数为
支持向量机回归模型中选用的核函数为径向基函数其中训练样本集为{(xi,yi),i=1,2,3,…,n},xi∈Rn为输入向量,yi∈Rn为输出向量,Rn为输入样本空间,n为样本个数,b∈R为阈值,αi、为拉格朗日乘子,利用非线性支持向量机回归预测模型的函数得到预测结果,实现巷道围岩非线性变形的预测工作。
有益效果,由于采用了上述技术方案,通过以上的具体实施,本发明提供了一种基于光纤光栅传感网络历史数据的巷道围岩非线性变形预测方法,采用的光纤光栅传感器具有极其灵敏的传感特性,同时本质安全,井下现场直接采集数据,抗电磁干扰能力强;利用光缆进行信号传输,传输距离远,可靠性高,测量范围大,实现了巷道围岩状态实时在线动态连续监测;支持向量机使用起来非常方便,利用支持向量机对变形围岩体的后期演化规律、发展趋势进行正确预测,为复杂多变的巷道安全施工和设计提供依据,对矿井安全生产及稳定性具有重要意义,是采矿工程巷道围岩变形甚乃至岩土工程变形行为预测的智能化、信息化极具推广价值的研究方向。
本发明与已有技术相比优点在于:
1、采用的光纤光栅传感器具有极其灵敏的传感特性,当巷道围岩状态发生很小的变化时,都可以监测得到。
2、光纤光栅传感器利用了光纤光栅的核心技术,光纤光栅本质安全,无源工作,可实现井下现场直接采集数据,方便灵活,抗电磁干扰能力强;同时,利用光缆进行信号传输,传输距离远,可靠性高,测量范围大。
3、支持向量机使用起来非常方便,使预测数据更加接近真实、可靠,能够对变形围岩体的后期演化规律、发展趋势进行正确预测。
4、预测结果对矿井安全生产及稳定性具有重要意义,为智能化、信息化采矿工程的发展提供思路。
附图说明
图1为本发明的基于光纤光栅传感网络数据的巷道围岩非线性变形预测方法的流程图。
图2为本发明的基于光纤光栅传感网络的系统架构示意图。
图3为本发明的基于支持向量机的训练样本数据消噪方法流程图。
图4为本发明的非线性支持向量机回归预测模型结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的描述。
本发明提供一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,包括以下几个步骤:
步骤1:基于光纤光栅传感网络的巷道围岩变形数据采集;
所述的光纤光栅传感网络系统架构主要包括传感应用层、网络传输层和数据处理层三个层次,其中传感应用层包括光纤光栅顶板位移传感器、光纤光栅锚杆轴力传感器、光纤光栅钻孔应力传感器和光纤光栅顶板应力传感器,用于巷道围岩变形状态参数监测,网络传输层包括矿用多芯通信光缆、矿用光缆接续盒和矿用铠装光纤跳线,用于光纤光栅组网与拓扑、路由和数据传输转发,数据处理层包括光纤光栅信号处理器、电脑服务及处理主机和嵌入式造作分析软件,用于动态实时数据处理及显示、数据存储与管理、数据访问与共享;
所述的巷道围岩变形数据包括各类光纤光栅传感器在线监测数据和历史监测数据;
步骤2:巷道围岩变形光纤光栅传感器监测数据时间序列分析及预处理;
所述的巷道围岩变形光纤光栅传感器监测数据采用时间序列表示分析并进行预处理;
所述的时间序列监测数据作为训练样本,其预处理分为数据异常检测、数据归一化和数据消噪,其具体实现包括以下子步骤:
步骤2.1:根据选择的训练样本数据,采用基于支持向量机的异常数据检测方法,其处理过程如下:
I、利用光纤光栅传感器监测数据建立支持向量机回归估计模型;
II、利用估计模型进行回归估计,计算该样本点的残差,即计算yi为实际监测值,为回归估计值,i为满足条件的样本点序号;
III、根据实际需要的适应度及监测数据的精度要求,定义阈值常数λ,若Ei≥λ,则第i个样本yi为异常数据,则用回归估计值替代异常数据进行校正;
步骤2.2:对校正后的训练样本数据进行归一化处理,将样本输入数据规整到[0,1]区间范围内,计算公式为:
式中,xi为样本输入数据,xi'为归一化之后Xi的变量,xmax为样本输入数据的最大值,xmin为样本输入数据的最小值;
步骤2.3:采用基于支持向量机的训练样本数据消噪方法,其处理过程如下:
I、采用异常数据检测方法查找出原始时间序列中的异常数据,利用中值法或平均数法进行平滑预处理;
II、估计时间序列数据的方差D,确定支持向量机的初始参数ε=D/2,使回归模型对正常范围内的噪声数据不敏感;
III、利用光纤光栅传感器监测数据,选择和优化支持向量机的核参数σ和惩罚因子C,建立支持向量机回归模型;
IV、建立的回归模型计算出训练数据的预测值,并用其代替原监测时间序列数据,实现一次迭代的噪声平滑;
V、判断迭代的噪声水平值,若是复合最佳噪声水平则结束训练样本数据的消噪过程,反之,则重复过程II—IV,经过多次调整和优化支持向量机参数及回归预测模型直到获得一个最佳噪声水平值的噪声平滑时间序列;
步骤3:选择支持向量机的核函数和损失函数,确定支持向量机参数;
所述的支持向量机参数为:宽度系数σ、允许误差ε和惩罚系数C的取值范围;
所述的核函数包括以下几种:
1)多项式核函数:
K(x,y)=(x·y)d或K(x,y)=(x·y+1)d
2)径向基函数:
3)Sigmoid核函数:
K(x,y)=tanh[b·(x·y)+θ]
所述的损失函数包括以下几种:
1)ε不敏感损失函数:
其中参数ε的取值计算公式为式中n为数据训练样本大小,σnoise为噪声的标准离差,k为近邻估计点数,取值范围为2~6;
2)r范数损失函数:
Lr(y,f(x,ω))=|y-f(x,ω)|r,r>0
其中参数r的取值为2;
3)Huber损失函数:
其中参数μ的取值计算公式为
所述的惩罚参数选取公式为:
式中,为数据训练样本输出数据的平均值,σy为输出数据的标准离差。
步骤4:构建核函数矩阵,解算得到支持向量机参数组合值;
支持向量机参数组合值为:支持向量解αi、和权向量ω,采用二次规划的算法得到支持向量机中核参数宽度系数σ和惩罚系数C的最优参数组合值;
步骤5:建立非线性支持向量机回归预测模型,对巷道围岩变形进行预测分析;
所述的非线性支持向量机回归预测模型包括输入层、中间层和输出层,其中输入层为训练样本数据(x1,x2,…,xi),中间层为支持向量机的核函数K(xi,yi),输出层为支持向量机回归预测模型的函数,可表示为:
非线性支持向量机回归预测模型为如下的优化问题,
其中Lε(y,f(x,ω))=max{0,|y-f(x,ω)|-ε};
求解上式可得到非线性支持向量机回归预测模型的函数为支持向量机回归模型中选用的核函数为径向基函数其中训练样本集为{(xi,yi),i=1,2,3,…,n},xi∈Rn为输入向量,yi∈Rn为输出向量,Rn为输入样本空间,n为样本个数,b∈R为阈值,αi、为拉格朗日乘子,利用非线性支持向量机回归预测模型的函数得到预测结果,实现巷道围岩非线性变形的预测工作。
Claims (7)
1.一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于,包括以下几个步骤:
步骤1:基于光纤光栅传感网络的巷道围岩变形数据采集;
步骤2:巷道围岩变形光纤光栅传感器监测数据时间序列分析及预处理;
步骤3:选择支持向量机的核函数和损失函数,确定支持向量机参数;
步骤4:构建核函数矩阵,解算得到支持向量机参数组合值;
步骤5:建立非线性支持向量机回归预测模型,对巷道围岩变形进行预测分析。
2.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于:步骤1中,光纤光栅传感网络系统架构包括:传感应用层、网络传输层和数据处理层三个层次,其中传感应用层包括光纤光栅顶板位移传感器、光纤光栅锚杆轴力传感器、光纤光栅钻孔应力传感器和光纤光栅顶板应力传感器,用于巷道围岩变形状态参数监测,网络传输层包括矿用多芯通信光缆、矿用光缆接续盒和矿用铠装光纤跳线,用于光纤光栅组网与拓扑、路由和数据传输转发,数据处理层包括光纤光栅信号处理器、电脑服务及处理主机和嵌入式造作分析软件,用于动态实时数据处理及显示、数据存储与管理、数据访问与共享;
所述的巷道围岩变形数据包括各类光纤光栅传感器在线监测数据和历史监测数据。
3.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于;步骤2中,巷道围岩变形光纤光栅传感器监测数据采用时间序列表示分析并进行预处理;
时间序列监测数据作为训练样本,其预处理分为数据异常检测、数据归一化和数据消噪,其具体实现包括以下子步骤:
步骤2.1:根据选择的训练样本数据,采用基于支持向量机的异常数据检测方法,其处理过程如下:
I、利用光纤光栅传感器监测数据建立支持向量机回归估计模型;
II、利用估计模型进行回归估计,计算该样本点的残差,即计算yi为实际监测值,为回归估计值,i为满足条件的样本点序号;
III、根据实际需要的适应度及监测数据的精度要求,定义阈值常数λ,若Ei≥λ,则第i个样本yi为异常数据,则用回归估计值替代异常数据进行校正;
步骤2.2:对校正后的训练样本数据进行归一化处理,将样本输入数据规整到[0,1]区间范围内,计算公式为:
式中,xi为样本输入数据,xi'为归一化之后Xi的变量,xmax为样本输入数据的最大值,xmin为样本输入数据的最小值;
步骤2.3:采用基于支持向量机的训练样本数据消噪方法,其处理过程如下:
I、采用异常数据检测方法查找出原始时间序列中的异常数据,利用中值法或平均数法进行平滑预处理;
II、估计时间序列数据的方差D,确定支持向量机的初始参数ε=D/2,使回归模型对正常范围内的噪声数据不敏感;
III、利用光纤光栅传感器监测数据,选择和优化支持向量机的核参数σ和惩罚因子C,建立支持向量机回归模型;
IV、建立的回归模型计算出训练数据的预测值,并用其代替原监测时间序列数据,实现一次迭代的噪声平滑;
V、判断迭代的噪声水平值,若是复合最佳噪声水平则结束训练样本数据的消噪过程,反之,则重复过程II—IV,经过多次调整和优化支持向量机参数及回归预测模型直到获得一个最佳噪声水平值的噪声平滑时间序列。
4.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于;步骤3中,所述的支持向量机参数为:宽度系数σ、允许误差ε和惩罚系数C的取值范围。
5.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于;步骤3中,所述的核函数包括以下几种:
1)多项式核函数:
K(x,y)=(x·y)d或K(x,y)=(x·y+1)d
2)径向基函数:
3)Sigmoid核函数:
K(x,y)=tanh[b·(x·y)+θ]
所述的损失函数包括以下几种:
1)ε不敏感损失函数:
其中参数ε的取值计算公式为式中n为数据训练样本大小,σnoise为噪声的标准离差,k为近邻估计点数,取值范围为2~6;
2)r范数损失函数:
Lr(y,f(x,ω))=|y-f(x,ω)|r,r>0
其中参数r的取值为2;
3)Huber损失函数:
其中参数μ的取值计算公式为
所述的惩罚参数选取公式为:。
式中,为数据训练样本输出数据的平均值,σy为输出数据的标准离差。
6.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于;步骤4中,所述的支持向量机参数组合值为:支持向量解αi、和权向量ω,采用二次规划的算法得到支持向量机中核参数宽度系数σ和惩罚系数C的最优参数组合值。
7.根据权利要求1所述的一种基于光纤光栅传感网络数据的巷道非线性变形预测方法,其特征在于;步骤5中,所述的非线性支持向量机回归预测模型包括:输入层、中间层和输出层,其中输入层为训练样本数据(x1,x2,…,xi),中间层为支持向量机的核函数K(xi,yi),输出层为支持向量机回归预测模型的函数,可表示为:
非线性支持向量机回归预测模型为如下的优化问题,
其中Lε(y,f(x,ω))=max{0,|y-f(x,ω)|-ε};
求解上式可得到非线性支持向量机回归预测模型的函数为
支持向量机回归模型中选用的核函数为径向基函数其中训练样本集为{(xi,yi),i=1,2,3,…,n},xi∈Rn为输入向量,yi∈Rn为输出向量,Rn为输入样本空间,n为样本个数,b∈R为阈值,αi、为拉格朗日乘子,利用非线性支持向量机回归预测模型的函数得到预测结果,实现巷道围岩非线性变形的预测工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710561863.XA CN107368463B (zh) | 2017-07-11 | 2017-07-11 | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710561863.XA CN107368463B (zh) | 2017-07-11 | 2017-07-11 | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107368463A true CN107368463A (zh) | 2017-11-21 |
CN107368463B CN107368463B (zh) | 2020-11-24 |
Family
ID=60306798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710561863.XA Active CN107368463B (zh) | 2017-07-11 | 2017-07-11 | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368463B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664711A (zh) * | 2018-04-21 | 2018-10-16 | 大连海事大学 | 锚杆轴力变化趋势预测方法 |
CN112363400A (zh) * | 2020-11-28 | 2021-02-12 | 长春工程学院 | 基于光纤传感器信号和异常编码的电缆隧道入侵监测方法 |
CN112880580A (zh) * | 2021-01-13 | 2021-06-01 | 中煤科工集团重庆研究院有限公司 | 一种光纤嵌入式柔性杆体感测巷道围岩变形的方法及系统 |
CN113011523A (zh) * | 2021-04-14 | 2021-06-22 | 中国矿业大学 | 一种基于分布对抗的无监督深度领域适应方法 |
CN114858079A (zh) * | 2022-05-23 | 2022-08-05 | 青岛益群地下城开发有限公司 | 基于分布式多点应变与位移转换网络的隧道变形监测方法 |
CN117474165A (zh) * | 2023-11-03 | 2024-01-30 | 太原向明智控科技有限公司 | 一种基于支持向量机的矿压预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7512502B1 (en) * | 2006-11-28 | 2009-03-31 | Southeastern Louisiana University | Method and apparatus for analyzing deformation and predicting failure in solid-state objects |
CN103510986A (zh) * | 2013-10-25 | 2014-01-15 | 中国矿业大学 | 基于光纤光栅的巷道顶板离层动态监测系统及预警方法 |
CN105260793A (zh) * | 2015-10-09 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种巷道围岩变形实时预测方法 |
-
2017
- 2017-07-11 CN CN201710561863.XA patent/CN107368463B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7512502B1 (en) * | 2006-11-28 | 2009-03-31 | Southeastern Louisiana University | Method and apparatus for analyzing deformation and predicting failure in solid-state objects |
CN103510986A (zh) * | 2013-10-25 | 2014-01-15 | 中国矿业大学 | 基于光纤光栅的巷道顶板离层动态监测系统及预警方法 |
CN105260793A (zh) * | 2015-10-09 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种巷道围岩变形实时预测方法 |
Non-Patent Citations (2)
Title |
---|
FRANCESCO BIRAL ET AL.: "A New Direct Deformation Sensor for Active Compensation of Positioning Errors in Large Milling Machines", 《9TH IEEE INTERNATIONAL WORKSHOP ON ADVANCED MOTION CONTROL》 * |
王明: "向量机分析在深基坑变形监测预测中的应用", 《露天采矿技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664711A (zh) * | 2018-04-21 | 2018-10-16 | 大连海事大学 | 锚杆轴力变化趋势预测方法 |
CN108664711B (zh) * | 2018-04-21 | 2020-07-14 | 大连海事大学 | 锚杆轴力变化趋势预测方法 |
CN112363400A (zh) * | 2020-11-28 | 2021-02-12 | 长春工程学院 | 基于光纤传感器信号和异常编码的电缆隧道入侵监测方法 |
CN112363400B (zh) * | 2020-11-28 | 2022-06-24 | 长春工程学院 | 基于光纤传感器信号和异常编码的电缆隧道入侵监测方法 |
CN112880580A (zh) * | 2021-01-13 | 2021-06-01 | 中煤科工集团重庆研究院有限公司 | 一种光纤嵌入式柔性杆体感测巷道围岩变形的方法及系统 |
CN112880580B (zh) * | 2021-01-13 | 2022-06-03 | 中煤科工集团重庆研究院有限公司 | 一种光纤嵌入式柔性杆体感测巷道围岩变形的方法及系统 |
CN113011523A (zh) * | 2021-04-14 | 2021-06-22 | 中国矿业大学 | 一种基于分布对抗的无监督深度领域适应方法 |
CN114858079A (zh) * | 2022-05-23 | 2022-08-05 | 青岛益群地下城开发有限公司 | 基于分布式多点应变与位移转换网络的隧道变形监测方法 |
CN114858079B (zh) * | 2022-05-23 | 2022-11-25 | 青岛益群地下城开发有限公司 | 基于分布式多点应变与位移转换网络的隧道变形监测方法 |
CN117474165A (zh) * | 2023-11-03 | 2024-01-30 | 太原向明智控科技有限公司 | 一种基于支持向量机的矿压预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107368463B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368463A (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
Zhou et al. | Dynamic prediction for attitude and position in shield tunneling: A deep learning method | |
CN110195592B (zh) | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 | |
US20180203959A1 (en) | Virtual sensor for virtual asset | |
Huang et al. | Machine learning-based automatic control of tunneling posture of shield machine | |
CN110184885B (zh) | 一种基于智能手机测试路面平整度的方法 | |
CN107392786A (zh) | 基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法 | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
Liang et al. | Research on lithology identification method based on mechanical specific energy principle and machine learning theory | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN110705179A (zh) | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
CN113256019A (zh) | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 | |
CN115575007A (zh) | 基于数字孪生技术的覆土罐土压力和温度监测及预警方法 | |
Li et al. | Physics-guided deep learning for driving force estimation in synchronous tunnel boring machines under missing cylinders | |
Kubota et al. | Autopilot model for shield tunneling machines using support vector regression and its application to previously constructed tunnels | |
Ma et al. | Grading evaluation of goaf stability based on entropy and normal cloud model | |
Hu et al. | Driving force planning in shield tunneling based on Markov decision processes | |
CN117369254A (zh) | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 | |
CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
Li | Stability rating of mine rock slope based on artificial intelligence | |
CN103630397A (zh) | 线位移时角度监测的问题索集中载荷识别方法 | |
Wen et al. | An improved LSTM-based model for identifying high working intensity load segments of the tractor load spectrum |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 221116 Research Institute of China University of Mining and Technology,, Jiangsu Applicant after: China University of Mining & Technology Address before: 221116 Research Institute, China University of Mining and Technology, Xuzhou University, Jiangsu, China, Applicant before: China University of Mining & Technology |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |