CN111291934A - 一种隧道施工过程中围岩实时分级预测及自检方法 - Google Patents

一种隧道施工过程中围岩实时分级预测及自检方法 Download PDF

Info

Publication number
CN111291934A
CN111291934A CN202010099129.8A CN202010099129A CN111291934A CN 111291934 A CN111291934 A CN 111291934A CN 202010099129 A CN202010099129 A CN 202010099129A CN 111291934 A CN111291934 A CN 111291934A
Authority
CN
China
Prior art keywords
optimal
training set
value
neural network
setting
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
Application number
CN202010099129.8A
Other languages
English (en)
Other versions
CN111291934B (zh
Inventor
蒋宇静
刘建康
王刚
张学朋
栾恒杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010099129.8A priority Critical patent/CN111291934B/zh
Publication of CN111291934A publication Critical patent/CN111291934A/zh
Application granted granted Critical
Publication of CN111291934B publication Critical patent/CN111291934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种隧道施工过程中围岩实时分级预测及自检方法，它是对隧道工作面前方围岩进行钻进的同时同步采集钻进参数、围岩岩体基本质量指标和围岩等级数据作为样本数据，建立多元线性回归模型、神经网络模型和优化的神经网络预测模型，并自动对比确定最优的模型作为最终的预测模型；对待分级预测的隧道围岩，一种利用确定的最优预测模型直接实时预测围岩岩体基本质量指标间接的预测围岩等级，另一种同步利用确定的最优预测模型直接实时预测围岩等级，两种分级结果自动进行对比验证，根据验证结果对样本数据进行扩充更新；本发明方法大大简化了分级程序，提高了分级效率，同时，自动对比选择多种预测模型，确保了预测方法的可靠性和高效性。

Description

一种隧道施工过程中围岩实时分级预测及自检方法
技术领域
本发明涉及工程岩体质量评估领域，尤其涉及一种隧道施工过程中围岩实时分级预测及自检方法。
背景技术
在隧道施工过程中，往往会遇到大量影响安全生产的地质因素，特别是因探测技术限制而未能提前预测到的险恶复杂地质条件，比如断层构造、岩层突变、岩溶及其它含水异常体，都将会较大可能的在隧道施工过程中引发突发性事故。因此，对隧道工作面前方岩体分级预测的准确性和及时性，对隧道施工安全和成本的影响巨大。
目前常用的围岩分级方法存在以下技术瓶颈：
1)采用现行GB 50218-94《工程岩体分级标准》、通过大量常规现场测量和取样后进行室内试验来进行围岩分级等级的判定，该方法现场应用普遍，技术较为成熟，但存在分级判定效率低、程序复杂和成本较高的缺点；
2)近年来，随着先进的随钻测量技术不断发展，使得利用钻进参数对隧道工作面前方岩体的超前预测和分级成为可能，比如中国专利授权公告号CN
105938611B公开的一种基于随钻参数对地下工程围岩快速实时分级的方法，但同时面临以下技术瓶颈：
(1)采用常规统计学技术(如多元回归方法)对数以几十万计甚至更多的钻进参数的分析效率较低；(2)将钻进参数与岩体的单轴抗压强度和岩体完整性指标进行拟合分析后，再通过岩体基本质量指标分级计算公式间接的对岩体进行分级，该过程将岩体的单轴抗压强度和岩体完整性指标与岩体基本质量指标的关系限定于具体的公式，而天然岩体具有复杂性、多样性，因此该方法具有一定的局限性；(3)缺少对岩体分级结果的验证。
3)对于钻进参数的分析工具的出现，使得分析大量的随钻参数带来了便捷性，尽管神经网络技术具有善于处理复杂的多元非线性拟合问题的优势，但同时具有易陷入局部收敛造成预测结果精度不高的缺点。
目前还没有一种方法能够同时解决以上技术缺陷，因此，急需建立一种隧道施工过程中围岩实时分级预测及自检的方法。
发明内容
本发明的目的是针对现有技术存在的不足，提出了一种隧道施工过程中围岩实时分级预测及自检方法，该方法可以依据现场的钻进参数高效、快速、实时实现围岩的分级，并能对分级结果进行自行验证，可为支护设计、施工方案提供准确的围岩等级，保证施工的安全性，提高施工效率，降低施工成本。
为实现上述目的，本发明采取以下技术方案：
一种隧道施工过程中围岩实时分级预测及自检方法，它是在隧道开挖过程中，对掘进工作面前方进行超前钻探，通过采集钻机的钻进参数、岩体基本质量指标和相应的围岩等级，建立样本数据，同时建立多元线性回归模型、神经网络模型和优化的神经网络预测模型并对比选定最优的预测性能，对待分级预测的隧道围岩，一种方式是通过利用确定的最优的岩体基本质量指标值预测模型直接实时预测围岩的岩体基本质量指标间接的预测围岩等级，另一种方式利用确定的最优的围岩等级编码值预测模型直接实时预测围岩等级，两种方式同步进行；获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。
具体地，本发明的一种隧道施工过程中围岩实时分级预测及自检方法，其特征在于包括如下步骤：
第一步：样本数据采集
隧道项目施工中，分别选定各围岩等级对应的30-50米作为样本数据采集区段，如果一个样本采集隧道具有的围岩等级不全，可进行多个样本采集隧道的数据采集，直至所有围岩等级对应的围岩均被采集,对各围岩等级的样本数据进行常规方法的岩体质量指标的测定和围岩等级的评定，得到岩体基本质量指标值和围岩等级，所述的围岩等级以阿拉伯数字序号表示；同时随着隧道开挖掘进对各采集区段围岩进行超前钻进，并同步采集钻进参数；
所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力和钻比能量，其中钻进速度、扭矩、推进力、击打频率和击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
Figure BDA0002386275500000031
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；
第二步：样本数据预处理
对步骤一采集到的各采集区段围岩等级序号数据进行编码，按矩阵[0 0 1 00…]中数字“1”从左至右所处的位数对应围岩等级的序号进行编号，例如，矩阵[0 0 1 00…]代表围岩等级“3”，建立A、B两类样本数据库分别作为两种预测方式的样本数据库，其中：每个采集区段的一组钻进参数和相对应的岩体基本质量指标值组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的岩体基本质量指标值组成的数据集则构成了各自采集区段的A类样本数据库；同理每个采集区段的一组钻进参数和相对应的围岩等级编码组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的围岩等级编码组成的数据集则构成了各自采集区段的B类样本数据库，为了消除数量级的影响，将A、B类样本数据库中的6个钻进参数、岩体基本质量指标值和围岩等级编码值归一化到[0-1]数值；
第三步：确定最优预测模型及参数
具体包括预测方式①和预测方式②，预测方式①是确定最优的岩体基本质量指标值预测模型及参数，预测方式②是确定最优的围岩等级编码值预测模型及参数：
3.1：预测方式①
将采集到的A类样本数据库按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，岩体基本质量指标值作为预测模型的输出，详细步骤如下：
3.1.1：采用多元线性回归模型对岩体基本质量指标值的预测
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算得到最优的模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值；
3.1.2：采用神经网络模型对岩体基本质量指标值进行预测，确定神经网络模型的主要参数，得到最优的模型评价指标值；
3.1.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；
3.1.2.2：对于神经网络的输入维度，设置对照试验，将6个钻进参数的全部不同组合分别设置为神经网络的输入，即神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练后得到训练集对应的岩体基本质量指标预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大，将每个训练集和测试集的相对应的三个模型评价指标排序序号值分别进行相加，每个训练集和测试集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.1.2.3：为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.1.2.2中骤确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值，同时确定最优的隐含层节点数；
3.1.3：采用遗传算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，并得到最优的模型评价指标值；
3.1.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.1.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；
3.1.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.1.3.4：采用步骤3.1.3.1到3.1.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值；
3.1.4：采用种群算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定种群算法的主要参数，得到最优的模型评价指标值；
3.1.4.1：采用试错法确定神经网络模型最优的自适应参数c1、c2和惯性因子参数；
3.1.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；
3.1.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集的岩体基本质量指标预测值和实际值计算它的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.1.4.4：采用步骤3.1.4.1到步骤3.1.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值；
3.1.5：采用帝国竞争算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终确定最优的模型评价指标值：
3.1.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.1.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的总国家数量；
3.1.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.1.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中中的排序原则，确定最优的帝国主义国家数量；
3.1.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为步骤3.1.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.1.5.5：采用步骤3.1.5.1到步骤3.1.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值。
3.1.6：对步骤3.1.1到步骤3.1.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.1.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的岩体基本质量指标值预测模型及参数；
3.2：预测方式②
将采集到的B类样本数据库按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，围岩等级编码值作为预测模型的输出，确定最优的围岩等级编码值预测模型及参数，详细步骤如下：
3.2.1：采用多元线性回归模型对围岩等级编码值的预测
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的围岩等级编码预测值，根据测试集围岩等级编码预测值和实际值分别计算得到最优的模型评价指标值，也就是预测的正确率；
3.2.2：采用神经网络模型对围岩等级编码值进行预测，从而确定神经网络模型的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.2.1:采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
3.2.2.2:对于神经网络的输入维度，设置对照试验，设置6个钻进参数的全部不同组合分别设置为神经网络的输入，即神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练得到训练集对应的围岩等级编码预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的围岩等级编码预测值，根据训练集和测试集对应的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,分别对训练集和测试集得到的模型评价指标进行排序,排序原则为，越大的正确率值获得的排序序号值越大，最大的序号值对应的结果即为最优的模型评价指标值。以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.2.2.3:为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.2.2.2确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,利用步骤3.2.2.2中的排序原则，确定最优的隐含层节点数，同时得优的模型评价指标值-预测的正确到最率，进而确定最优的神经网络模型参数；
3.2.3：采用遗传算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，得到得优的模型评价指标值-预测的正确到最率：
3.2.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.2.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；
3.2.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算训练集的模型评价指标-预测的正确率，对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数；
3.2.3.4：采用步骤3.2.3.1到步骤3.2.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测的正确率；
3.2.4：采用种群算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.4.1：采用试错法确定最优的自适应参数c1、c2和惯性因子参数；
3.2.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；
3.2.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集的围岩等级编码预测值和实际值计算训练集的模型评价指标值-预测的正确率，对于所有的种群数量相应的预测正确率值不再继续升高的最大迭代次数即为种群算法最优的最大迭代次数；
3.2.4.4：采用步骤3.2.4.1到步骤3.2.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值；
3.2.5：采用帝国竞争算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定帝国竞争算法的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.2.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的总国家数量；
3.2.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.2.5.2中确定的最优的总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的帝国主义国家数量；
3.2.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.2.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算它的模型评价指标值-预测正确率，对于所有的总国家数量相应的预测正确率不再继续升高的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.2.5.5：采用步骤3.2.5.1到步骤3.2.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测正确率。
3.2.6：对步骤3.2.1到步骤3.2.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值-预测正确率进行对比，同样利用步骤3.2.2.2中的排序原则，最终确定最优的模型评价指标正确率值，进而确定不同围岩等级下的最优的围岩等级编码值预测模型及参数；
第四步：围岩等级快速实时预测
在待预测隧道项目开挖施工时，对待预测的围岩仅记录钻机钻进参数，采集的钻机钻进参数经预处理得到归一化后的钻进参数，再利用步骤三获得的最优的岩体基本质量指标值预测模型和围岩等级编码值预测模型对预处理后的钻进参数进行分析，最终得到预测方式①、②预测出的围岩等级。
第五步：对步骤四获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。
上述“钻进持续累计距离”名词解释：隧道开挖的顺序为：首先要在待开挖的隧道工作面进行超前30米(根据不同工作面现场情况，可适当调整)钻孔作业来预测围岩等级，再综合考虑考围岩等级等因素选定选择支护模式，最后进行该超前预测段隧道的开挖。开挖隧道的距离和钻孔的距离是相同的，只是前后顺序而已，这样在验证时，当从某一预测位置开始出现两种等级结果不同，这时分级结果不同的对应开始和结尾位置距离之差即为分级结果不同对应的钻进持续累计距离。
上述步骤一到五除了钻进试验作业、常规方法的岩体基本质量指标值和围岩等级数据采集是由人工进行操作，其余过程均由程序自动运行，无需人工干预。
本发明所带来的有益技术效果是：
本发明方法根据钻机的钻进参数来预测围岩的等级，预测围岩等级时不需现场岩体的取芯和室内试验，大大简化了分级程序，提高了分级效率，降低了施工成本，保证了分级的实时性；同时，自动对比多元线性回归模型、神经网络模型和优化的神经网络模型的预测性能，选择出最优的模型作为最终的预测模型并自动更新至现场施工移动终端和办公区电脑终端，无需人工干预，预测模型的多样化确保了预测方法的可靠性和高效性；另外，同步采用预测围岩的岩体基本质量指标间接的预测围岩等级和直接预测围岩等级两种预测方式，两种等级结果自动进行对比验证，根据验证结果对样本数据进行扩充更新，保证了选型预测结果的准确性，为隧道开挖支护设计、施工方案提供准确的围岩等级，保证了施工的安全性，提高了施工效率，降低了施工成本。
附图说明
图1为本发明所述基于随钻测量技术的隧道支护模式选型实时预测方法实施例的示意图；
图2为本发明一种实施方式的流程示意图。
图中，1、钻进参数采集装置；2、液压旋转冲击钻机；3、信号收发器；4、数据物理存储端；5、围岩；6、办公区电脑终端；7、现场施工移动终端。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面以一个实例简明扼要叙述本发明整体操作过程。
现假设有待开挖隧道a、b、c、d四个隧道，待开挖循序依次为a、b、c、d，各隧道长度为1千米，均为穿山隧道，其中隧道a、b、c开挖时采用常规方法的岩体质量指标的测定和围岩等级的评定，隧道a、b、c开完之后对应的围岩等级分别为：隧道a揭露的围岩等级为Ⅱ、Ⅲ、Ⅳ；隧道b揭露的围岩等级为Ⅰ、Ⅲ、Ⅴ；隧道c揭露的围岩等级为Ⅰ、Ⅳ、Ⅵ。因为隧道a、b、c开挖完揭露的围岩等级全部包含Ⅰ-Ⅵ六个围岩等级，所以隧道a、b、c则作为样本采集隧道，隧道d作为本案例的待预测隧道。
利用本发明方法对隧道d施工过程中围岩5实时分级预测及自检方法如下：
第一步：连接数据采集装置
隧道a、b、c、d开挖掘进时，液压旋转冲击钻机2配置钻进参数采集装置1，钻进参数采集装置1采集的钻进参数信号通过无线传输至信号收发器3，所述无线信号收发器3并入隧道施工现场有线(或无线)传输网络，实现采集的信号实时传送至办公区的数据物理存储端4和现场施工移动终端7。钻进参数采集装置1安装之后，调试并确保钻进参数采集装置1的信号传输正常。钻进参数采集装置1采集的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量。其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
Figure BDA0002386275500000151
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数。
第二步：样本数据采集
隧道a、b、c项目施工时，分别选定各围岩5等级对应的30-50米作为样本数据采集区段，进行常规方法的岩体质量指标的测定和围岩等级的评定，即，对现场围岩进行提取岩心测定单轴抗压强度和进行弹性波测试测定岩体完整性指标，然后根据岩体基本质量指标计算公式计算出岩体基本质量指标值，再根据计算出的岩体基本质量指标值评定围岩等级，最后将得到的岩体基本质量指标值和围岩等级记录至现场施工移动终端7，现场施工移动终端7记录的数据通过信号收发器3传送至数据物理存储端4，需要说明的是围岩等级是以阿拉伯数字序号(“1”、“2”等)记录至现场施工移动端；同时对各采集区段围岩采用液压旋转冲击钻机2对隧道工作面前方围岩5进行超前钻探，并同步采集钻进参数，采集钻进参数同样通过信号收发器3传送至数据物理存储端4；
3)样本数据预处理：对步骤2采集到的围岩等级序号数据进行编码，按矩阵[0 0 10 0…]中数字“1”从左至右所处的位数对应围岩等级的序号进行编号，例如，矩阵[0 0 1 00…]代表围岩等级“3”；建立A、B两类样本数据库分别作为预测方式①、②的样本数据库，：(1)一组钻进参数和一个岩体基本质量指标值组成一个数据集，所有采集到的钻机参数和相对应的岩体基本质量指标值组成的数据集则构成了A类样本数据库；(2)一组钻进参数和一个围岩等级编码组成一个数据集，所有采集到的钻机参数和相对应的围岩等级组成的数据集则构成了B类样本数据库。为了消除数量级的影响，将A、B类样本数据库中的6个钻进参数、岩体基本质量指标值和围岩等级编码值归一化到[0-1]数值。
第四步：确定最优预测模型及参数：将采集到的A、B类样本数据库分别按80％和20％的比例划分为训练集和测试集。
I、对于预测方式①：
钻进参数作为预测模型的输入，岩体基本质量指标值作为预测模型的输出，确定最优的岩体基本质量指标值预测模型及参数的步骤如下：
(1)采用多元线性回归模型岩体基本质量指标值的预测。对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算得到模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值。
(2)采用神经网络模型对岩体基本质量指标值进行预测，确定神经网络模型的主要参数，得到最优的模型评价指标值：a、采用试错法确定最优的神经网络的学习率、动量系数、激活函数；b、对于神经网络的输入维度，设置对照试验，设置6个钻进参数的全部不同组合分别设置为神经网络的输入，即神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练后，将测试集的钻进参数输入训练后的神经网络，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值。分别对训练集和测试集得到的模型评价指标进行排序。排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大。将训练集和测试集的三个模型评价指标排序序号值分别进行相加，得到三个指标的总排序序号值。最大的序号值对应的结果即为最优的模型评价指标值。以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；c、为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将b中确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集进行训练后，将测试集的钻进参数数据输入训练后的神经网络，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值利用b中的排序原则，得到最优的模型评价指标值，同时确定最优的隐含层节点数，进而确定最优的神经网络模型参数。
(3)采用遗传算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用(2)中确定的最优的参数，确定遗传算法的主要参数，得到最优的模型评价指标值：a、采用试错法确定最优的变异概率和交叉概率参数；b、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值；利用(2)中的排序原则，确定最优的种群数量；c、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；d、采用a、b、c中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的模型评价指标值。
(4)采用种群算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用(2)中确定的最优的参数，确定种群算法的主要参数，得到最优的模型评价指标值：a、采用试错法确定最优的自适应参数c1、c2和惯性因子参数；b、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的种群数量；c、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；d、采用a、b、c中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的模型评价指标值。
(5)采用帝国竞争算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用(2)中确定的最优的参数，确定种群算法的主要参数，得到最优的模型评价指标值：a、采用试错法确定最优的β、θ和ξ参数；b、对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的总国家数量；c、对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为b中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的帝国主义国家数量；d、最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为c中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；d、采用a、b、c、d中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用(2)中的排序原则，确定最优的模型评价指标值。
(6)对(1)-(5)获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值进行对比，同样利用(2)中的排序原则，最终确定最优的模型评价指标值，进而确定最优的岩体基本质量指标值预测模型及参数。
I I、对于预测方式②：
钻进参数作为预测模型的输入，围岩等级编码值作为预测模型的输出，确定最优的围岩等级编码值预测模型及参数的步骤，预测方式②整体预测步骤与预测方式①大体相同，不同点体现在以下方面：
(1)采用多元线性回归模型对支护模式的预测。
预测方式②的模型评价指标值指的是预测正确率,预测正确率＝预测错误的个数/预测的总个数。
(2)采用神经网络模型对围岩等级编码值进行预测。
预测方式②模型评价指标值排序原则为，越大的预测正确率获得的排序序号值越大，最大的序号值对应的结果即为最优的模型评价指标值。
(3)采用遗传算法优化的神经网络模型对围岩等级编码值进行预测。
预测方式②在确定遗传算法最优的最大迭代次数时，要求对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数。
(4)采用种群算法优化的神经网络模型对围岩等级编码值进行预测。
预测方式②在确定种群算法最优的最大迭代次数时，要求对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数。
(5)采用帝国竞争算法优化的神经网络模型对围岩等级编码值进行预测。
预测方式②在确定帝国竞争算法最优的最大迭代次数时，要求对于所有的总国家数量相应的预测正确率不再继续升高的最大迭代次数即为帝国竞争算法最优的最大迭代次数。
(6)对(1)-(5)获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，利用预测方式②的排序原则，最终确定最优的模型评价指标值，进而确定最优的围岩等级编码值预测模型及参数。
第五步：围岩等级快速实时预测：在隧道项目d开挖施工时，现场施工移动终端7和办公区电脑终端6的预测方式①、②对应的预测模型自动设置为步骤四获得的最优预测模型及参数；对待预测的围岩仅记录钻机钻进参数，采集的钻机钻进参数通过无线传输至信号收发器，经信号收发器分别传输至现场施工移动终端7和办公区电脑终端6，两终端的预测程序自动进行步骤三中的数据预处理得到归一化后的钻进参数，再利用最优的岩体基本质量指标值预测模型和围岩等级编码值预测模型对预处理后的钻进参数进行分析，预测出岩体基本质量指标值和围岩等级编码，最后根据得到的岩体基本质量指标值和围岩等级编码，最终得到预测方式①、②预测出的围岩等级。
第六步：对步骤五获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。
下面举一个两种等级结果不同的钻进持续累计距离计算示例，来进一步解释钻进持续累计距离的含义。
比如：预先设定的钻进持续累计距离临界阈值假设为20米；当隧道开挖至105米时，两种等级结果开始出现不同，一直到开挖至115米时，两种等级结果依然不同，此时对于两种等级结果不同而对应的钻进持续累积距离为125-115＝10米。从105米继续开挖，如果两种等级结果依然不同，那么钻进持续累积距离则继续相应的增大，如果两种等级结果出现相同的情况，那么最终的两种等级结果不同而对应的钻进持续累积距离为即为10米。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围。

Claims (2)

1.一种隧道施工过程中围岩实时分级预测及自检方法，其特征在于，它是在隧道开挖过程中，对掘进工作面前方进行超前钻探，通过采集钻机的钻进参数、岩体基本质量指标和相应的围岩等级，建立样本数据，同时建立多元线性回归模型、神经网络模型和优化的神经网络预测模型并对比选定最优的预测性能，对待分级预测的隧道围岩，一种方式是通过利用确定的最优的岩体基本质量指标值预测模型直接实时预测围岩的岩体基本质量指标间接的预测围岩等级，另一种方式利用确定的最优的围岩等级编码值预测模型直接实时预测围岩等级，两种方式同步进行；获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。
2.如权利要求1所述的隧道施工过程中围岩实时分级预测及自检方法，其特征在于，包括如下步骤：
第一步：样本数据采集
隧道项目施工中，分别选定各围岩等级对应的30-50米作为样本数据采集区段，对各围岩等级的样本数据进行岩体质量指标的测定和围岩等级的评定，得到岩体基本质量指标值和围岩等级，所述的围岩等级以阿拉伯数字序号表示；同时随着隧道开挖掘进对各采集区段围岩进行超前钻进，并同步采集钻进参数；
所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力和钻比能量，其中钻进速度、扭矩、推进力、击打频率和击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
Figure FDA0002386275490000011
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；
第二步：样本数据预处理
对步骤一采集到的各采集区段围岩等级序号数据进行编码，按矩阵[0 0 1 0 0…]中数字1从左至右所处的位数对应围岩等级的序号进行编号，建立A、B两类样本数据库分别作为两种预测方式的样本数据库，其中：每个采集区段的一组钻进参数和相对应的岩体基本质量指标值组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的岩体基本质量指标值组成的数据集则构成了各自采集区段的A类样本数据库；同理每个采集区段的一组钻进参数和相对应的围岩等级编码组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的围岩等级编码组成的数据集则构成了各自采集区段的B类样本数据库，将A、B类样本数据库中的6个钻进参数、岩体基本质量指标值和围岩等级编码值归一化到[0-1]数值；
第三步：确定最优预测模型及参数
具体包括预测方式①和预测方式②，预测方式①是确定最优的岩体基本质量指标值预测模型及参数，预测方式②是确定最优的围岩等级编码值预测模型及参数：
3.1：预测方式①
将采集到的A类样本数据库按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，岩体基本质量指标值作为预测模型的输出，详细步骤如下：
3.1.1：采用多元线性回归模型对岩体基本质量指标值的预测
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算得到最优的模型评价指标值，即均方根误差RMSE、决定系数R2、方差占比VAF值；
3.1.2：采用神经网络模型对岩体基本质量指标值进行预测，确定神经网络模型的主要参数，得到最优的模型评价指标值；
3.1.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；
3.1.2.2：设置对照试验，将神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练后得到训练集对应的岩体基本质量指标预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大，将每个训练集和测试集相对应的三个模型评价指标排序序号值分别进行相加，每个训练集和测试集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.1.2.3：设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.1.2.2中骤确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值，同时确定最优的隐含层节点数；
3.1.3：采用遗传算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，并得到最优的模型评价指标值；
3.1.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.1.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；
3.1.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.1.3.4：采用步骤3.1.3.1到3.1.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值；
3.1.4：采用种群算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定种群算法的主要参数，得到最优的模型评价指标值；
3.1.4.1：采用试错法确定神经网络模型最优的自适应参数c1、c2和惯性因子参数；
3.1.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；
3.1.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集的岩体基本质量指标预测值和实际值计算它的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.1.4.4：采用步骤3.1.4.1到步骤3.1.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值；
3.1.5：采用帝国竞争算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终确定最优的模型评价指标值：
3.1.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.1.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的总国家数量；
3.1.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.1.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的帝国主义国家数量；
3.1.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为步骤3.1.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.1.5.5：采用步骤3.1.5.1到步骤3.1.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值；
3.1.6：对步骤3.1.1到步骤3.1.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.1.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的岩体基本质量指标值预测模型及参数；
3.2：预测方式②
将采集到的B类样本数据库按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，围岩等级编码值作为预测模型的输出，确定最优的围岩等级编码值预测模型及参数，详细步骤如下：
3.2.1：采用多元线性回归模型对围岩等级编码值的预测
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的围岩等级编码预测值，根据测试集围岩等级编码预测值和实际值分别计算最优的模型评价指标值，也就是预测的正确率；
3.2.2：采用神经网络模型对围岩等级编码值进行预测，从而确定神经网络模型的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.2.1:采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
3.2.2.2:对于神经网络的输入维度，设置对照试验，神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练得到训练集对应的围岩等级编码预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的围岩等级编码预测值，根据训练集和测试集对应的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,分别对训练集和测试集得到的模型评价指标进行排序,排序原则为，越大的正确率值获得的排序序号值越大，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.2.2.3:设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.2.2.2确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,利用步骤3.2.2.2中的排序原则，确定最优的隐含层节点数，同时得优的模型评价指标值-预测的正确到最率，进而确定最优的神经网络模型参数；
3.2.3：采用遗传算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，得到最优的模型评价指标值-预测的正确到最率：
3.2.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.2.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；
3.2.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算训练集的模型评价指标-预测的正确率，对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数；
3.2.3.4：采用步骤3.2.3.1到步骤3.2.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测的正确率；
3.2.4：采用种群算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.4.1：采用试错法确定最优的自适应参数c1、c2和惯性因子参数；
3.2.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；
3.2.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集的围岩等级编码预测值和实际值计算训练集的模型评价指标值-预测的正确率，对于所有的种群数量相应的预测正确率值不再继续升高的最大迭代次数即为种群算法最优的最大迭代次数；
3.2.4.4：采用步骤3.2.4.1到步骤3.2.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值；
3.2.5：采用帝国竞争算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定帝国竞争算法的主要参数，得到最优的模型评价指标值-预测的正确率：
3.2.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.2.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的总国家数量；
3.2.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.2.5.2中确定的最优的总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的帝国主义国家数量；
3.2.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.2.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算它的模型评价指标值-预测正确率，对于所有的总国家数量相应的预测正确率不再继续升高的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.2.5.5：采用步骤3.2.5.1到步骤3.2.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测正确率；
3.2.6：对步骤3.2.1到步骤3.2.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值-预测正确率进行对比，同样利用步骤3.2.2.2中的排序原则，最终确定最优的模型评价指标正确率值，进而确定不同围岩等级下的最优的围岩等级编码值预测模型及参数；
第四步：围岩等级快速实时预测
在待预测隧道项目开挖施工时，对待预测的围岩仅记录钻机钻进参数，采集的钻机钻进参数经预处理得到归一化后的钻进参数，再利用步骤三获得的最优的岩体基本质量指标值预测模型和围岩等级编码值预测模型对预处理后的钻进参数进行分析，最终得到预测方式①、②预测出的围岩等级；
第五步：对步骤四获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。
CN202010099129.8A 2020-02-18 2020-02-18 一种隧道施工过程中围岩实时分级预测及自检方法 Active CN111291934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099129.8A CN111291934B (zh) 2020-02-18 2020-02-18 一种隧道施工过程中围岩实时分级预测及自检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099129.8A CN111291934B (zh) 2020-02-18 2020-02-18 一种隧道施工过程中围岩实时分级预测及自检方法

Publications (2)

Publication Number Publication Date
CN111291934A true CN111291934A (zh) 2020-06-16
CN111291934B CN111291934B (zh) 2023-04-07

Family

ID=71028617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099129.8A Active CN111291934B (zh) 2020-02-18 2020-02-18 一种隧道施工过程中围岩实时分级预测及自检方法

Country Status (1)

Country Link
CN (1) CN111291934B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111706322A (zh) * 2020-07-17 2020-09-25 中国铁建重工集团股份有限公司 一种岩石钻进响应的预测方法和预测系统
CN111798155A (zh) * 2020-07-13 2020-10-20 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价和监测开挖管理系统
CN112257789A (zh) * 2020-10-26 2021-01-22 西南交通大学 对围岩等级进行识别的方法
CN112365054A (zh) * 2020-11-12 2021-02-12 山东科技大学 一种深井巷道围岩综合分级预测方法
CN112529330A (zh) * 2020-12-24 2021-03-19 东南大学 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法
CN112664174A (zh) * 2020-12-21 2021-04-16 中铁四局集团第五工程有限公司 一种基于多钻孔的隧道围岩等级判定方法及系统
CN113268799A (zh) * 2021-05-27 2021-08-17 深圳市岩土综合勘察设计有限公司 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统
CN113326660A (zh) * 2021-06-17 2021-08-31 广西路桥工程集团有限公司 基于GA-XGBoost模型的隧道围岩挤压变形预测方法
CN113570139A (zh) * 2021-07-28 2021-10-29 新疆建筑科学研究院（有限责任公司） 以物探资料为基础的神经网络围岩分级预测方法及系统
CN113674264A (zh) * 2021-08-27 2021-11-19 浙江数智交院科技股份有限公司 支护参数确定方法、装置、电子设备及可读存储介质
CN114462471A (zh) * 2021-12-21 2022-05-10 北方爆破科技有限公司 一种基于机器学习的岩性识别方法
CN115271636A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级系统
CN115271366A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级模型训练方法、装置、设备及介质
CN115511001A (zh) * 2022-10-21 2022-12-23 中铁二院工程集团有限责任公司 一种基于空地井综合勘探资料的隧道围岩分级方法及设备
CN115680645A (zh) * 2022-09-27 2023-02-03 成都理工大学 基于多源随钻信息融合的岩体特征实时预测方法和系统
CN117574781A (zh) * 2024-01-15 2024-02-20 国网湖北省电力有限公司经济技术研究院 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968825A (zh) * 2010-11-23 2011-02-09 中国矿业大学 一种煤矿巷道锚杆支护智能设计方法
CN104035142A (zh) * 2014-06-05 2014-09-10 同济大学 一种海底隧道突涌水险情早期预警方法
JP2017014818A (ja) * 2015-07-02 2017-01-19 鹿島建設株式会社 地盤強度の判定方法、及び、トンネルの掘削方法
CN107357966A (zh) * 2017-06-21 2017-11-17 山东科技大学 一种回采巷道围岩稳定性预测与评估方法
CN109165406A (zh) * 2018-07-20 2019-01-08 大连海事大学 一种隧道施工过程中围岩快速动态分级预测方法
CN109241627A (zh) * 2018-09-07 2019-01-18 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
CN109886534A (zh) * 2019-01-09 2019-06-14 中国铁建重工集团有限公司 用于隧道围岩分级的辨识方法及装置
CN109948198A (zh) * 2019-02-28 2019-06-28 大连海事大学 一种基于非线性函数的围岩分级可靠性评价方法
CN110210121A (zh) * 2019-05-31 2019-09-06 成都理工大学 一种隧道大变形灾害的动态风险获取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968825A (zh) * 2010-11-23 2011-02-09 中国矿业大学 一种煤矿巷道锚杆支护智能设计方法
CN104035142A (zh) * 2014-06-05 2014-09-10 同济大学 一种海底隧道突涌水险情早期预警方法
JP2017014818A (ja) * 2015-07-02 2017-01-19 鹿島建設株式会社 地盤強度の判定方法、及び、トンネルの掘削方法
CN107357966A (zh) * 2017-06-21 2017-11-17 山东科技大学 一种回采巷道围岩稳定性预测与评估方法
CN109165406A (zh) * 2018-07-20 2019-01-08 大连海事大学 一种隧道施工过程中围岩快速动态分级预测方法
CN109241627A (zh) * 2018-09-07 2019-01-18 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
CN109886534A (zh) * 2019-01-09 2019-06-14 中国铁建重工集团有限公司 用于隧道围岩分级的辨识方法及装置
CN109948198A (zh) * 2019-02-28 2019-06-28 大连海事大学 一种基于非线性函数的围岩分级可靠性评价方法
CN110210121A (zh) * 2019-05-31 2019-09-06 成都理工大学 一种隧道大变形灾害的动态风险获取方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798155B (zh) * 2020-07-13 2024-04-30 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价和监测开挖管理系统
CN111798155A (zh) * 2020-07-13 2020-10-20 中电建路桥集团有限公司 一种类岩堆体隧道围岩质量评价和监测开挖管理系统
CN111706322A (zh) * 2020-07-17 2020-09-25 中国铁建重工集团股份有限公司 一种岩石钻进响应的预测方法和预测系统
CN112257789A (zh) * 2020-10-26 2021-01-22 西南交通大学 对围岩等级进行识别的方法
CN112365054A (zh) * 2020-11-12 2021-02-12 山东科技大学 一种深井巷道围岩综合分级预测方法
CN112664174A (zh) * 2020-12-21 2021-04-16 中铁四局集团第五工程有限公司 一种基于多钻孔的隧道围岩等级判定方法及系统
CN112529330A (zh) * 2020-12-24 2021-03-19 东南大学 一种基于贝叶斯神经网络的隧道围岩地质分级信息预测方法
CN113268799A (zh) * 2021-05-27 2021-08-17 深圳市岩土综合勘察设计有限公司 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统
CN113326660A (zh) * 2021-06-17 2021-08-31 广西路桥工程集团有限公司 基于GA-XGBoost模型的隧道围岩挤压变形预测方法
CN113570139A (zh) * 2021-07-28 2021-10-29 新疆建筑科学研究院（有限责任公司） 以物探资料为基础的神经网络围岩分级预测方法及系统
CN113674264A (zh) * 2021-08-27 2021-11-19 浙江数智交院科技股份有限公司 支护参数确定方法、装置、电子设备及可读存储介质
CN113674264B (zh) * 2021-08-27 2024-09-06 浙江数智交院科技股份有限公司 支护参数确定方法、装置、电子设备及可读存储介质
CN114462471A (zh) * 2021-12-21 2022-05-10 北方爆破科技有限公司 一种基于机器学习的岩性识别方法
CN115271636A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级系统
CN115271366A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级模型训练方法、装置、设备及介质
CN115680645A (zh) * 2022-09-27 2023-02-03 成都理工大学 基于多源随钻信息融合的岩体特征实时预测方法和系统
CN115511001A (zh) * 2022-10-21 2022-12-23 中铁二院工程集团有限责任公司 一种基于空地井综合勘探资料的隧道围岩分级方法及设备
CN117574781A (zh) * 2024-01-15 2024-02-20 国网湖北省电力有限公司经济技术研究院 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统
CN117574781B (zh) * 2024-01-15 2024-04-16 国网湖北省电力有限公司经济技术研究院 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统

Also Published As

Publication number Publication date
CN111291934B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111291934B (zh) 一种隧道施工过程中围岩实时分级预测及自检方法
CN111291997B (zh) 基于随钻测量技术的煤层冲击危险性实时评估方法
CN111325461B (zh) 基于振动监测技术的煤层冲击危险性实时评估方法
CN111222683B (zh) 一种基于pca-knn的tbm施工围岩综合分级预测方法
CN109839493B (zh) 地下工程岩体质量评价方法、装置、存储介质及电子设备
CN110889440A (zh) 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN116522692B (zh) 地下工程围岩结构特征原位探测与分级方法
CN110795793A (zh) 一种隧道围岩快速分级设备系统及其操作方法
CN111340275B (zh) 基于随钻探测技术的隧道支护模式选型实时预测方法
CN117350145A (zh) 一种基于振动信号的岩石力学参数随钻预测方法
CN113569487A (zh) 一种基于bp神经网络预测台阶爆破抛掷效果的方法
CN116756953A (zh) 隧道施工期锚杆支护设计动态优化方法及装置
CN111706322A (zh) 一种岩石钻进响应的预测方法和预测系统
CN113468646B (zh) 基于地质力学模型和机器学习检测地热井风险的方法
CN115310319A (zh) 模拟地层条件下射孔完井的仿真方法
CN116378769A (zh) 一种矿山地压活动监测系统
CN116108587B (zh) 一种考虑多源信息不确定性的tbm利用率预测方法
CN112064617A (zh) 一种土石混合料地基质量检测方法
CN116842854B (zh) 基于优化神经网络的煤体应力智能预测和异径卸压方法
CN115840921B (zh) 基于机器学习的岩体质量分级方法
CN118133581B (zh) 煤岩体应力模型的构建方法及装置
CN116680904A (zh) 一种针对电网设施的多源动态监测与预警方法
CN116187007A (zh) 基于钻进机械参数实现隧道地质信息判识的方法
CN117933704A (zh) 一种地下工程围岩片帮灾害动态预测方法
CN117687115A (zh) 一种基于神经网络的二维地质剖面预测方法

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
GR01 Patent grant
GR01 Patent grant