CN111340275B - 基于随钻探测技术的隧道支护模式选型实时预测方法 - Google Patents
基于随钻探测技术的隧道支护模式选型实时预测方法 Download PDFInfo
- Publication number
- CN111340275B CN111340275B CN202010099178.1A CN202010099178A CN111340275B CN 111340275 B CN111340275 B CN 111340275B CN 202010099178 A CN202010099178 A CN 202010099178A CN 111340275 B CN111340275 B CN 111340275B
- Authority
- CN
- China
- Prior art keywords
- support mode
- optimal
- training set
- setting
- drilling
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 239000011435 rock Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 161
- 238000012360 testing method Methods 0.000 claims description 155
- 238000011156 evaluation Methods 0.000 claims description 72
- 230000002068 genetic effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000010009 beating Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000009412 basement excavation Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001141 propulsive effect Effects 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随钻探测技术的隧道支护模式选型实时预测方法,它是对隧道工作面前方围岩进行钻进的同时同步采集钻机的钻进参数和支护模式数据作为样本数据,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,将钻进参数作为预测模型的输入,支护模式作为输出,对比选择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地上电脑终端,利用最终确定的最优预测模型对采集得到的钻进参数自动分析并对支护模式选型进行实时预测;本发明方法根据钻机的钻进参数来预测隧道支护模式选型,大大降低了人工选型时的主观因素的影响,保证了支护模型选型的准确、有效性。
Description
技术领域
本发明涉及岩土工程支护选型领域,尤其涉及一种基于随钻探测技术的隧道支护模式选型实时预测方法。
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,都将会较大可能的造成隧道施工过程中支护的失稳,从而引发突发性事故。而现有的隧道支护模式选型技术:一方面通过对整体地质的粗略预估,往往会导致支护设计的不合理,比如超支或者欠支;另一方面根据掘进工作面施工揭露的地质情况或者采用物理探测等超前探测技术来超前探测工作面前方地质条件,再依据人工经验进行支护模式的选型,如此复杂的流程将导致支护模式选型的不及时,同时还往往因人工经验的不足或者主观因素的影响而造成支护模式的选型不合理。因此,尽管传统的支护模式选型技术能够满足良好的地质条件下隧道安全施工的要求,但却不能满足危险复杂地质条件的施工要求。
随着先进的随钻探测技术和神经网络技术的不断发展,使得利用神经网络技术对钻进参数进行分析进而对隧道工作面前方地质条件的超前预测成为可能,但同时面临以下技术瓶颈:
(1)现场采集的钻进参数需专业技术人员的后期分析,无法保证分析的实时性;(2)采用常规统计学技术对数以几十万计甚至更多的钻进参数的分析效率较低;(3)利用神经网络技术虽然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的缺点;(4)先进的钻进参数和神经网络技术对现场施工人员的要求较高,预测方法的实用性较低。
发明内容
为了能够同时解决以上技术缺陷。本发明提供一种基于随钻探测技术的隧道支护模式选型实时预测方法,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数据和采用的支护模式选型数据,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对比选定最优的预测性能,再利用确定的最优预测模型直接实时预测待施工隧道的支护模式选型,则可实现危险复杂地质条件的提前探测的同时,对隧道支护模型进行合理有效的选型,从而简化支护选型程序,缩短选型时间,可以提高施工安全,缩短工期,
为实现上述目的,本发明采用如下技术方案:
一种基于随钻探测技术的隧道支护模式选型实时预测方法,其特征在于包括如下步骤:
第一步:样本数据采集
选定地质条件较为复杂的隧道项目,随着隧道开挖掘进的同时,对隧道工作面前方围岩进行超前钻探,并采集整条隧道施工时的超前钻进参数和选定的支护模式作为样本;选定的支护模式以阿拉伯数字序号(“1”、“2”等)表示,对于区段内相同的支护模式,只需记录一次;
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、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: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
对步骤一采集到的支护模式序号数据进行编码,按矩阵[0 0 1 0 0…]中数字“1”从左至右所处的位数对应支护模式的序号进行编号,例如,矩阵[0 0 1 0 0…]代表支护模式“3”;一组钻进参数和一个支护模式编码构成一个数据集,所有的数据集构成样本数据库,为了消除数量级的影响,将样本数据库中的6个钻进参数归一化到[0-1]数值;
第三步:确定最优预测模型及参数
将采集到的样本数据库分别按80%和20%的比例划分为训练集和测试集,并用钻进参数作为预测模型的输入,支护模式作为预测模型的输出,具体确定过程如下:
第3.1步:采用多元线性回归模型对支护模式进行预测
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,求出对应的支护模式预测值,根据支护模式预测值和实际值分别计算得到最优的模型评价指标值-预测正确率;
第3.2步:采用神经网络模型对支护模式进行预测,得到最优的模型评价指标值-预测正确率,从而确定神经网络模型的主要参数,具体包括以下过程:
3.2.1: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:对于神经网络的输入维度,设置对照试验,将神经网络的输入维度分别设置为1至6,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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值,也就是预测正确率;分别对训练集和测试集得到的模型评价指标值进行排序,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,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;
3.2.3: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,然后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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2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,进而确定最优的神经网络模型参数;
第3.3步:采用遗传算法优化的神经网络模型对支护模式进行预测,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,得到最优的模型评价指标值-预测正确率,具体包括以下过程:
3.3.1:采用试错法确定最优的变异概率和交叉概率参数;
3.3.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标-预测正确率,利用步骤3.2.2中的排序原则,确定最优的种群数量;
3.3.3: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,记录训练集对应的支护模式预测值,根据训练集的支护模式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;
3.3.4:采用步骤3.3.1、3.3.2和3.3.3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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值;
第3.4步:采用种群算法优化的神经网络模型对支护模式进行预测,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-预测正确率,具体包括以下过程:
3.4.1:采用试错法确定最优的自适应参数c1,c2和惯性因子参数;
3.4.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标-预测正确率,利用步骤3.2.2中的排序原则,确定最优的种群数量;
3.4.3: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,记录训练集对应的支护模式预测值,根据训练集支护模式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种群算法最优的最大迭代次数;
3.4.4:采用步骤3.4.1、3.4.2和3.4.3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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值-预测正确率;
第3.5步:采用帝国竞争算法优化的神经网络模型对支护模式进行预测,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中确定的最优的参数,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-预测正确率;具体过程如下:
3.5.1:采用试错法确定最优的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;
3.5.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的总国家数量;
3.5.3: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的帝国主义国家数量;
3.5.4: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,记录训练集对应的支护模式预测值,根据训练集的支护模式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;
3.5.5:采用步骤3.5.1、3.5.2、3.5.3和3.5.4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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值。
3.6步:对步骤3.1到步骤3.5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,同样利用步骤3.2.2中中的排序原则,最终确定最优的模型评价指标值-预测正确率,进而确定最优的预测模型及参数;
第四步:支护模式选型快速实时预测
在其他隧道项目开挖施工时,在超前钻进时,仅记录钻机钻进参数,不记录支护模式,采集的钻机钻进参数经过预处理后,利用步骤3.6中最优的支护模式预测模型对预处理后的钻进参数进行分析,最终预测出支护模式选型,从而为隧道开挖施工的支护选型提供依据。
本发明步骤一到五,除了钻进作业、支护模型选型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隧道支护模式选型,大大降低了人工选型时的主观因素的影响,从而保证了支护模型选型的准确、有效性;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,确保了选型方法的实用性和高效性;另外,使用预测结果可以实时显示在现场移动终端和办公区电脑端,保证了选型预测的实时性。
附图说明
图1为本发明所述基于随钻探测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、钻机;3、信号收发器;4、数据物理存储端;5、围岩;6、地上办公区电脑终端;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。能不能给一个实例结合说明
下面结合一个实例和图1-2说明本发明的具体操作步骤。
现有待开挖某一条隧道,隧道总长约为1千米,为穿山隧道,经地质初步勘探待该隧道地质条件较为复杂,经初步判断该隧道开挖时将穿过的围岩等级涵盖了全部六个等级,即为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ六个等级,该隧道开挖的同时将采用本发明方法进行隧道支护模式的样本数据采集工作。
第一步:连接数据采集装置
隧道开挖掘进的同时,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,液压旋转冲击钻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,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,钻进参数采集装置安装之后,调试并确保钻进参数采集装置的信号传输正常。钻进参数采集装置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: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
采集该待开挖整条隧道施工时的超前钻进参数和选定的支护模式作为样本,将钻进参数通过信号收发器传送至数据物理存储端,选定的支护模式以阿拉伯数字序号“1”、“2”等记录至现场施工移动端,对于区段内相同的支护模式,只需记录一次,记录的支护模型数据同样经信号收发器传输至物理存储端。
第三步:样本数据预处理
对步骤2采集到的支护模式序号数据进行编码,按矩阵[0 0 1 0 0…]中数字“1”从左至右所处的位数对应支护模式的序号进行编号,例如,矩阵[0 0 1 0 0…]代表支护模式“3”;一组钻进参数和一个支护模式编码构成一个数据集,所有的数据集构成样本数据库,为了消除数量级的影响,将样本数据库中的6个钻进参数归一化到[0-1]数值。
第四步:确定最优预测模型及参数
将采集到的样本数据库分别按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,支护模式作为预测模型的输出,具体过程如下:
(1)采用多元线性回归模型对支护模式的预测
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,求出对应的支护模式预测值,根据支护模式预测值和实际值分别计算得到最优模型评价指标值-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支护模式进行预测,得到最优的模型评价指标值-预测的正确率,从而确定神经网络模型的主要参数:
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得到训练集对应的支护模式预测值,将测试集的钻进参数输入训练后的神经网络,得到测试集对应的支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,分别对训练集和测试集得到的模型评价指标值进行排序,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,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,然后对训练集进行训练得到训练集对应的支护模式预测值,将测试集的钻进参数输入训练后的神经网络,得到测试集对应的支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,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支护模式进行预测,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)中确定的最优的神经网络模型参数,从而确定遗传算法的主要参数,得到最优的模型评价指标值-预测的正确率:
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支护模式预测值,根据支护模式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值-预测正确率,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,记录训练集对应的支护模式预测值,根据支护模式预测值和实际值计算训练集的模型评价指标值-预测正确率,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;
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支护模式预测值,根据支护模式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值-预测正确率,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支护模式进行预测,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-预测正确率:
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、确定最优的种群数量,方法同步骤(3)遗传算法中的b;
c、最大迭代次数的确定,方法同步骤(3)遗传算法中的c;
d、采用a、b、c中确定的最优种群算法参数,确定最优的模型评价指标值-预测正确率,方法同步骤(3)遗传算法中的d。
(5)采用帝国竞争算法优化的神经网络模型对支护模式进行预测,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-预测正确率,具体过程如下:
a、采用试错法确定最优的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;
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支护模式预测值,根据支护模式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值-预测正确率,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支护模式预测值,根据支护模式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值-预测正确率。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,记录训练集对应的支护模式预测值,根据训练集的支护模式预测值和实际值计算训练集的模型评价指标值-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;
e、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支护模式预测值,根据支护模式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-预测正确率,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-预测正确率进行对比,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,进而确定最优的支护模式预测模型及参数。
第五步:支护模式选型快速实时预测
在其他隧道项目开挖施工时,现场施工移动终端和办公区电脑终端5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;仅记录钻机钻进参数,不记录支护模式,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和办公区电脑终端,两终端的预测程序自动进行3)中的数据预处理得到归一化后的钻进参数,再利用最优预测模型对预处理后的钻进参数进行分析,最终预测出支护模式选型。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的指导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (1)
1.一种基于随钻探测技术的隧道支护模式选型实时预测方法,其特征在于,包括如下步骤:
第一步:样本数据采集
选定地质条件复杂的隧道项目,随着隧道开挖掘进的同时,对隧道工作面前方围岩进行超前钻探,并采集整条隧道施工时的超前钻进参数和选定的支护模式作为样本;选定的支护模式以阿拉伯数字序号表示,对于区段内相同的支护模式,只需记录一次;
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、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: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
对步骤一采集到的支护模式序号数据进行编码,按矩阵[0 0 1 0 0…]中数字1从左至右所处的位数对应支护模式的序号进行编号,一组钻进参数和一个支护模式编码构成一个数据集,所有的数据集构成样本数据库,将样本数据库中的6个钻进参数归一化到[0-1]数值;
第三步:确定最优预测模型及参数
将采集到的样本数据库分别按80%和20%的比例划分为训练集和测试集,并用钻进参数作为预测模型的输入,支护模式作为预测模型的输出,具体确定过程如下:
第3.1步:采用多元线性回归模型对支护模式进行预测
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,求出对应的支护模式预测值,根据支护模式预测值和实际值分别计算得到最优的模型评价指标值-预测正确率;
第3.2步:采用神经网络模型对支护模式进行预测,得到最优的模型评价指标值-预测正确率,从而确定神经网络模型的主要参数,具体包括以下过程:
3.2.1: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:设置对照试验,将神经网络的输入维度分别设置为1至6,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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值,也就是预测正确率;分别对训练集和测试集得到的模型评价指标值进行排序,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,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;
3.2.3:设置对照试验,设置不同的隐含层节点数量,将步骤3.2.2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,然后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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2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,进而确定最优的神经网络模型参数;
第3.3步:采用遗传算法优化的神经网络模型对支护模式进行预测,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,得到最优的模型评价指标值-预测正确率,具体包括以下过程:
3.3.1:采用试错法确定最优的变异概率和交叉概率参数;
3.3.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标-预测正确率,利用步骤3.2.2中的排序原则,确定最优的种群数量;
3.3.3: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,记录训练集对应的支护模式预测值,根据训练集的支护模式预测值和实际值计算它的模型评价指标值-预测正确率值,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;
3.3.4:采用步骤3.3.1、3.3.2和3.3.3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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值;
第3.4步:采用种群算法优化的神经网络模型对支护模式进行预测,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-预测正确率,具体包括以下过程:
3.4.1:采用试错法确定最优的自适应参数c1,c2和惯性因子参数;
3.4.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标-预测正确率,利用步骤3.2.2中的排序原则,确定最优的种群数量;
3.4.3: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,记录训练集对应的支护模式预测值,根据训练集支护模式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种群算法最优的最大迭代次数;
3.4.4:采用步骤3.4.1、3.4.2和3.4.3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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值-预测正确率;
第3.5步:采用帝国竞争算法优化的神经网络模型对支护模式进行预测,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中确定的最优的参数,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-预测正确率;具体过程如下:
3.5.1:采用试错法确定最优的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;
3.5.2: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的总国家数量;
3.5.3: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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的帝国主义国家数量;
3.5.4: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,记录训练集对应的支护模式预测值,根据训练集的支护模式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;
3.5.5:采用步骤3.5.1、3.5.2、3.5.3和3.5.4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支护模式预测值,根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值-预测正确率,利用步骤3.2.2中的排序原则,确定最优的模型评价指标值;
3.6步:对步骤3.1到步骤3.5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,同样利用步骤3.2.2中中的排序原则,最终确定最优的模型评价指标值-预测正确率,进而确定最优的预测模型及参数;
第四步:支护模式选型快速实时预测
在其他隧道项目开挖施工时,在超前钻进时,仅记录钻机钻进参数,不记录支护模式,采集的钻机钻进参数经过预处理后,利用步骤3.6中最优的支护模式预测模型对预处理后的钻进参数进行分析,最终预测出支护模式选型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099178.1A CN111340275B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099178.1A CN111340275B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340275A CN111340275A (zh) | 2020-06-26 |
CN111340275B true CN111340275B (zh) | 2022-04-29 |
Family
ID=71185167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010099178.1A Active CN111340275B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340275B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268799B (zh) * | 2021-05-27 | 2024-04-30 | 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 |
CN113779880B (zh) * | 2021-09-06 | 2024-04-12 | 广西路桥工程集团有限公司 | 一种基于超前钻探数据的隧道围岩二维质量评价方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5363919B2 (ja) * | 2009-08-31 | 2013-12-11 | 西松建設株式会社 | トンネル施工管理方法 |
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 |
CN105260599A (zh) * | 2015-09-30 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
CN109271755B (zh) * | 2018-12-18 | 2019-04-05 | 中国铁建重工集团有限公司 | 一种应用随钻数据计算岩石强度的方法和系统 |
CN109635461B (zh) * | 2018-12-18 | 2022-04-29 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
CN110705178A (zh) * | 2019-09-29 | 2020-01-17 | 山东科技大学 | 一种基于机器学习的隧道/地铁施工全过程围岩变形动态预测方法 |
CN110705795A (zh) * | 2019-10-09 | 2020-01-17 | 中铁隧道局集团有限公司 | 基于综合超前地质预报技术的隧道涌突风险等级模糊预测方法 |
-
2020
- 2020-02-18 CN CN202010099178.1A patent/CN111340275B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111340275A (zh) | 2020-06-26 |
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 | |
CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
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 | |
CN113779690B (zh) | 基于随钻感知的超前地质预报方法及系统 | |
CN113779835A (zh) | 基于ai与智能监测系统的深大基坑安全预警方法 | |
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 | |
CN110110740B (zh) | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 | |
CN107368463B (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 | |
CN113062731B (zh) | 一种钻井井下复杂工况智能识别方法 | |
Wang et al. | Risk Assessment of Water Inrush in Karst Tunnels Based on the Efficacy Coefficient Method. | |
CN114417697A (zh) | 一种基于神经网络的tbm滚刀磨损实时预测方法及系统 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN110837701A (zh) | 一种基于全耦合分析的矿区底板断层突水定量评价方法 | |
CN115545272A (zh) | 冲击地压矿井微震频次和能量长短期智能预测预警方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
CN115977736A (zh) | 一种基于现场实时数据驱动的煤与瓦斯突出预警方法 | |
CN114066271A (zh) | 一种隧道突水灾害监测管理系统 | |
CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
CN115563872B (zh) | 一种基于de-svr算法的tbm滚刀磨损量预测方法 | |
CN116756953A (zh) | 隧道施工期锚杆支护设计动态优化方法及装置 | |
Sebbeh-Newton et al. | Application of artificial intelligence techniques for identifying rock mass quality in an underground tunnel | |
CN112465347B (zh) | 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 |
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 |