CN112034139A - 岩爆倾向性等级的判别方法、装置及电子设备 - Google Patents
岩爆倾向性等级的判别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112034139A CN112034139A CN202010937867.5A CN202010937867A CN112034139A CN 112034139 A CN112034139 A CN 112034139A CN 202010937867 A CN202010937867 A CN 202010937867A CN 112034139 A CN112034139 A CN 112034139A
- Authority
- CN
- China
- Prior art keywords
- rock burst
- data set
- burst tendency
- grade
- tendency
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 300
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims abstract description 114
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012067 mathematical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- PXUQTDZNOHRWLI-OXUVVOBNSA-O malvidin 3-O-beta-D-glucoside Chemical compound COC1=C(O)C(OC)=CC(C=2C(=CC=3C(O)=CC(O)=CC=3[O+]=2)O[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)=C1 PXUQTDZNOHRWLI-OXUVVOBNSA-O 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种岩爆倾向性等级的判别方法、装置及电子设备,涉及地下工程技术领域,该方法包括获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集;目标岩爆数据集包括建模数据集和测试数据集;基于建模数据集确定每种岩爆倾向性评价指标的数字特征;通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息;根据每种岩爆倾向性评价指标的确定度信息确定每种岩爆倾向性评价指标对应的目标岩爆倾向性等级。本发明有效的提升了岩爆倾向性等级判定的准确性,进一步便于对地下工程岩爆危险区进行辨识。
Description
技术领域
本发明涉及地下工程技术领域,尤其是涉及一种岩爆倾向性等级的判别方法、装置及电子设备。
背景技术
岩爆是深部工程常见的一种地质灾害,其表现出围岩岩体突然崩落垮塌并伴随剧烈的冲击波且快速集中释放出巨大的能量,具有瞬时性、破坏力强、复杂性、突发性、不确定性、模糊性及受多种因素影响等特点,对人员安全、设备构成极大威胁。随着人类不断布局规划开拓深地工程,岩爆的发生愈加频繁,造成巨大财产损失,严重的阻碍自然资源的利用。
目前在岩爆倾向性评价中通常采用经验指标法和数学方法,然而经验指标法考虑的因素比较单一,不能综合考量多个影响岩爆的因素,评价结果准确率低。数学方法在岩爆倾向性评价中应用很广,一些数学方法虽然综合考虑影响岩爆的多个因素,但选用的岩爆倾向性判断标准均来自于经验指标,而这些经验指标本身对于岩爆倾向性的评价效果不佳,因此,利用此标准所建的岩爆倾向性评价模型的可行性低。综上,现有方法在对岩爆倾向性等级进行评价时,存在准确率较低且效果不佳的技术问题。
发明内容
本发明的目的在于提供一种岩爆倾向性等级的判别方法、装置及电子设备,有效的提升了岩爆倾向性等级判定的准确性,进一步便于对地下工程岩爆危险区进行辨识。
第一方面,本发明实施例提供一种岩爆倾向性等级的判别方法,方法包括:获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集;目标岩爆数据集包括建模数据集和测试数据集;基于建模数据集确定每种岩爆倾向性评价指标的数字特征;通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息;根据每种岩爆倾向性评价指标的确定度信息确定目标岩爆倾向性等级。
在可选的实施方式中,预先选择的多种岩爆倾向性评价指标包括岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数;获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集的步骤,包括:获取与岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数对应的初始岩爆数据集;对初始岩爆数据集进行异常数据处理,得到中间岩爆数据集;对中间岩爆数据集按照预设比例进行划分,得到建模数据集和测试数据集;其中,建模数据集和测试数据集为互斥的数据集。
在可选的实施方式中,对初始岩爆数据集进行异常数据处理操作,得到中间岩爆数据集的步骤,包括:采用箱线图法对初始岩爆数据集进行异常数据处理,检测出异常数据;在初始岩爆数据集中剔除异常数据,得到中间岩爆数据集。
在可选的实施方式中,数字特征包括:期望、熵和超熵;基于建模数据集确定每种岩爆倾向性评价指标的数字特征的步骤,包括:将建模数据集输入多维正态逆向云发生器,通过多维正态逆向云发生器确定每种岩爆倾向性评价指标的期望、熵和超熵。
在可选的实施方式中,方法还包括:根据预先获取的岩爆实例和多种岩爆倾向性评价指标预先设置岩爆倾向性等级;预先设置的岩爆倾向性等级包括无岩爆等级、弱岩爆等级、中等岩爆等级和强岩爆等级;相应的,通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息的步骤,包括:通过多维正态正向云发生器、数字特征和测试数据集计算初始确定度;基于初始确定度和预设的权重计算方法确定每种岩爆倾向性等级对应的每种岩爆倾向性评价指标的确定度信息。
在可选的实施方式中,预设的权重计算方法包括改进的客观权重赋权法;指标权重的计算方法参见如下公式:
其中,BYj表示第j个指标的变异系数;n为岩爆倾向性评价指标的个数;rkj为第k个指标和第j个指标之间的相关系数。
在可选的实施方式中,根据每种岩爆倾向性评价指标的确定度信息确定目标岩爆倾向性等级的步骤,包括:针对每种预先设置的岩爆倾向性等级,确定每种岩爆倾向性评价指标的确定度信息的最大值对应的当前岩爆倾向性等级;判断确定度信息的最大值与其他确定度信息的差值是否小于预设阈值;如果是,将确定度信息的最大值对应的当前岩爆倾向性等级确定为目标岩爆倾向性等级。
第二方面,本发明实施例提供一种岩爆倾向性等级的判别装置,装置包括:数据集获取模块,用于获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集;目标岩爆数据集包括建模数据集和测试数据集;特征确定模块,用于基于建模数据集确定每种岩爆倾向性评价指标的数字特征;确定度信息确定模块,用于通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息;岩爆倾向性等级确定模块,用于根据每种岩爆倾向性评价指标的确定度信息确定目标岩爆倾向性等级。
第三方面,本发明实施例提供一种电子设备,包括:处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被处理器运行时执行如前述实施方式任一项的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述前述实施方式任一项的方法的步骤。
本发明提供的岩爆倾向性等级的判别方法、装置及电子设备,该方法首先获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集,其中,目标岩爆数据集包括建模数据集和测试数据集,然后基于建模数据集确定每种岩爆倾向性评价指标的数字特征,并通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息,最后根据每种岩爆倾向性评价指标的确定度信息确定目标岩爆倾向性等级。上述方式通过获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集,弥补了现有方式通过单一指标在岩爆倾向性等级判定中的不足,并且基于建模数据集确定了每种岩爆倾向性评价指标的数字特征,根据该数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息,并通过每种岩爆倾向性评价指标的确定度信息进行目标岩爆倾向性等级的判别,有效的提升了岩爆倾向性等级判定的准确性,进一步便于对地下工程岩爆危险区进行辨识。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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。
图1为本发明实施例提供的一种岩爆倾向性等级的判别方法的流程图;
图2为本发明实施例提供的一种多维正态逆向云发生器的示意图;
图3为本发明实施例提供的一种多维正态正向云发生器的示意图;
图4为本发明实施例提供的另一种岩爆倾向性等级的判别方法的流程图;
图5为本发明实施例提供的一种岩爆倾向性等级的判别装置的结构图;
图6为本发明实施例提供的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
为便于理解,首先对本发明实施例提供的一种岩爆倾向性等级的判别方法进行详细说明,参见图1所示的一种岩爆倾向性等级的判别方法的流程图,该方法主要包括如下步骤S102至步骤S108:
步骤S102,获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集。
预先选择的多种岩爆倾向性评价指标包括应力、能量、脆性等指标,该指标能够全面的反映岩石的物理力学性质的评价指标,在一种实施方式中,岩爆倾向性评价指标诸如可以包括岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数,这六项指标可以全面的反映岩石的物理力学性质,且易通过室内试验、现场测试获取。目标岩爆数据集为基于上述预先选择的多种岩爆倾向性评价指标建立的数据集,其中,目标岩爆数据集包括建模数据集和测试数据集。
步骤S104,基于建模数据集确定每种岩爆倾向性评价指标的数字特征。
在一种实施方式中,数字特征包括期望、熵和超熵,该数字特征通过将建模数据集输入多维正态逆向云发生器,通过多维正态逆向云发生器确定期望、熵和超熵,在实际应用时,期望的计算公式为熵的计算公式为超熵的计算公式:He=k,其中,xi为某一指定指标的岩爆数据值;N为某一指定指标的岩爆数据数量;k为常数,其大小与En有关,En越大,k越大。
步骤S106,通过数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息。
确定度信息是用于判断测试数据集中岩爆倾向性评价指标的质量的信息,可以用来表征判别结果(也即确定的目标岩爆倾向性等级)的可信赖程度,确定度越大,说明判别结果与实际测量的真值(也即实际发生岩爆的等级)愈接近。在一种实施方式中,首先通过数字特征确定初始确定度,诸如可以通过多维正态正向云发生器、数字特征和测试数据集生成正态随机数En'(En'1,En'2,…,En'n)和X{x1,x2,…,xn},其中,En'~N(En,He2),X~N(Ex,En'2),进而进一步计算初始确定度μ(x),其中,初始确定度当计算得到初始确定度μ(x)后,可以根据该初始确定度以及预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息。
步骤S108,根据每种岩爆倾向性评价指标的确定度信息确定目标岩爆倾向性等级。
由于上述确定度信息是用于判断测试数据集中岩爆倾向性评价指标的质量的信息,实质上,该确定度信息也即用于判断测试数据集中岩爆倾向性评价指标属于哪一种岩爆倾向性等级的信息。在一种实施方式中,首先根据预先获取的岩爆实例和多种岩爆倾向性评价指标预先设置岩爆倾向性等级,该预先设置的岩爆倾向性等级包括无岩爆等级、弱岩爆等级、中等岩爆等级和强岩爆等级,进而可以通过确定度信息确定岩爆倾向性评价指标属于无岩爆等级、弱岩爆等级、中等岩爆等级还是强岩爆等级,进而根据最大综合确定度原则确定最终的目标岩爆倾向性等级。
本发明实施例提供的岩爆倾向性等级的判别方法,通过获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集,弥补了现有方式通过单一指标在岩爆倾向性等级判定中的不足,并且基于建模数据集确定了每种岩爆倾向性评价指标的数字特征,根据该数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息,并通过每种岩爆倾向性评价指标的确定度信息进行目标岩爆倾向性等级的判别,有效的提升了岩爆倾向性等级判定的准确性,进一步便于对地下工程岩爆危险区进行辨识。
在一种实施方式中,为了能够充分的反映岩石的物理学性质,可以选取与应力、能量、脆性相关的岩爆倾向性评价指标,本实施例的岩爆倾向性评价指标诸如可以包括岩爆倾向性指数Wet、洞室最大切向应力σθ、单轴抗压强度σc、单轴抗压强度σt、Russenes判据σθ/σc和脆性系数B1=σc/σt,其中,岩爆倾向性指数Wet可以采用应力-应变峰前曲线的方式进行获取。上述预先选择的多种岩爆倾向性评价指标所属的类别,具体可以参见如下表1:
表1岩爆倾向性评价指标分类
预先选择好上述六种岩爆倾向性评价指标后,与其对应的目标岩爆数据集的确定方法可以首先获取与岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数对应的初始岩爆数据集,为了能够提升目标岩爆倾向性等级的判别准确性,可以通过对初始岩爆数据集进行异常数据处理,得到中间岩爆数据集(用U表示),诸如,可以采用箱线图法对初始岩爆数据集进行异常数据处理,检测出异常数据,并在初始岩爆数据集中剔除异常数据,得到中间岩爆数据集,也即,该中间岩爆数据集为将初始数据集中检测出的异常数据剔除后的数据集,进而对中间岩爆数据集U按照预设比例进行划分,得到建模数据集MJ和测试数据集MC,其中,建模数据集和测试数据集为互斥的数据集,也即U=MJ∪MC,MJ∩MC=φ。在一种实施方式中,建模数据集可以包含2/3~4/5的样本数量,测试数据集可以含1/3~1/5的样本数量。
为了便于理解,举一个具体的例子进行说明,按照上述选取的六个岩爆倾向性评价指标,预先选择出国内外岩爆实例中的271组岩爆案例(仅作示例),建立初始岩爆数据集,对该271组岩爆案例进行异常数据处理,检测出异常数据51组,将51组的异常数据剔除后,得到中间岩爆数据集,将该中间岩爆数据集按照4:1的比例进行划分,则建模数据集包含175组样本数据,测试数据集包含45组样本数据,并在完成岩爆数据处理与分类后,依据岩爆案例和选取的岩爆倾向性评价指标将岩爆倾向性等级划分为四个级别:分别为I级(无岩爆)、II级(弱岩爆)、III级(中等岩爆)、IV级(强岩爆),该示例中岩爆数据处理结果可以参见如下表2:
表2岩爆数据处理结果
在一种实施方式中,通过将建模数据集输入多维正态逆向云发生器(无需确定度信息),多维正态逆向云发生器参见图2所示的一种多维正态逆向云发生器的示意图,逆向云发生器是实现从定量值到定性概念的转换模型,也即,可将一定数量的数据转换为以数字特征(期望、熵、超熵)表示的定性概念,期望Ex为云滴在论域空间分布的期望,是最能够代表定性概念的点;熵En是定性概念的不确定性度量,由概念的随机性和模糊性共同决定;超熵He是熵的不确定性度量,由熵的随机性和模糊性共同决定。数字特征中的期望的计算公式为:熵的计算公式为:超熵的计算公式为:He=k,其中,xi为某一指标的岩爆数据值,N为某一指标的岩爆数据数量,k为常数,其大小与En有关,En越大,k越大。通过多维正态逆向云发生器确定每种岩爆倾向性评价指标的期望、熵和超熵,因此该数字特征也称为多维正态云模型数字特征,针对上述表2的各项岩爆数据,表3示出了对应的多维正态云模型数字特征:
表3多维正态云模型数字特征
由于预先选择了六种多种岩爆倾向性评价指标,且预先设置的岩爆倾向性等级划分为四个级别,因此,利用多维正态正向云发生器结合测试数据集生成4朵6维云模型,每个云模型由若干云滴构成。在一种实施方式中,通过多维正态正向云发生器和数字特征计算初始确定度,多维正态正向云发生器的示意图参见图3所示,该多维正态正向云发生器用于实现定性概念到定量数值之间的转换模型,应用多维正态正向云发生器、测试数据集以及表3中的多维正态云模型数字特征,生成以上述En为期望,以上述He为标准差的正态随机数X,以及生成以上述Ex为期望,以上述En为标准差的正态随机数En’,然后基于X、Ex和En’生成多维正态云模型的一个云滴(X{x1,x2,x3,x4,x5,x6},μ(x(x1,x2,x3,x4,x5,x6)))公式如下:由于预先选择的岩爆倾向性评价指标为6种,因此此处j取值为6,在实际应用时,可以根据实际情况进行选取。重复迭代计算N次,获得N个云滴,从而计算得到初始确定度μ(x)(也可以称为由N个云滴构成的多维正态云模型)。
上述方式通过使用多维正态正向云发生器和多维正态逆向云发生器,两种生成器互换使用,弥补了定性概念和定量知识之间的差距,利用逆向云发生器(无需确定度信息)计算多维正态云模型的数字特征,可操作性强,仅需输入样本点,即可输出表示定性概念的数字特征,且在实际应用过程中可以降低逆向云发生器(需确定度信息)由一维向多维延伸时计算结果的误差。
进一步,在计算得到上述初始确定度μ(x)后,可以基于初始确定度和预设的权重计算方法确定每种岩爆倾向性等级对应的每种岩爆倾向性评价指标的确定度信息。进一步,在得到上述改进的CRITIC方法后,可以根据计算得到的权重确定测试数据集中各个岩爆案例隶属于不同岩爆等级的确定度信息(也可以称为综合确定度),利用测试集和预设的权重计算方法计算的各个岩爆倾向性指标权重,计算测试集中各个岩爆案例隶属于4种不同岩爆等级的综合确定度。
在一种实施方式中,预设的权重计算方法包括改进的客观权重赋权法(也即改进的CRITIC方法),指标权重的计算方法参见如下公式:
其中,BYj表示第j个指标的变异系数;n为岩爆倾向性评价指标的个数;rkj为第k个指标和第j个指标之间的相关系数。改进的CRITIC方法的主要改进点在于(1)引入变异系数代替标准差衡量指标的变异性;(2)计算各个指标独立性程度的量化系数时,统一将1-rkj变为1-|rkj|。
为便于理解,对上述改进的CRITIC方法进行详细说明,参见如下步骤1至步骤7:
步骤1,构建矩阵A=(aij)m×n,其中i=1,2,...175;j=1,2,...6;m为建模数据集的个数,n为岩爆倾向性评价指标的个数。
步骤2,利用标准化方法Z-score法获得标准化矩阵A,公式如下:
rkl=rlk,k=1,2,...,6;l=k+1,...,6;式中,aik,ail分别为标准化矩阵A*中第i个评价对象的第k个、第l个指标实测值的标准化值;分别为标准化矩阵A*中第k个、第l个指标实测值的标准化值的平均值。
通过采用上述改进的CTITCI法计算各评价指标的权重,可以有效克服主观赋权法中人为因素的影响,且由于改进的CTITCI方法引入变异系数和优化各个指标独立性程度的量化系数,有效弥补了衡量指标变异性和指标间相关性的不足。在一种实施方式中,通过建模数据集计算各个岩爆倾向性评价指标的皮尔逊相关系数、变异系数、量化系数、综合信息量和权重,如表4和表5所示。
表4岩爆倾向性评价指标参数间的相关系数
表5 CRITIC法基本参数
通过改进的CRITIC方法计算指标权重后,确定度信息的计算公式为:其中,j=1,2,3,4,5,6;k=1,2,3,4;n=6。进而针对每种预先设置的岩爆倾向性等级j,利用最大综合确定度原则确定岩爆倾向性评价等级。首先根据计算所得的各个岩爆案例隶属于不同岩爆等级的综合确定度μ1,μ2,μ3,μ4,判断综合确定度最大值μmax,确定每种岩爆倾向性评价指标的确定度信息的最大值μmax对应的当前岩爆倾向性等级k,然后判断确定度信息的最大值与其他确定度信息的差值是否小于预设阈值,也即|μmax-μi|≤a,i=1,2,3,4,在一种实施方式中,预设阈值a诸如可以设为0.05(仅作示例,不作具体限定),如果差值小于或等于该预设阈值,则将确定度信息的最大值对应的当前岩爆倾向性等级确定为目标岩爆倾向性等级。
综上,本发明实施例还提供了另一种岩爆倾向性等级的判别方法,参见图4所示,首先选取多个岩爆倾向性评价指标并广泛搜集国内外岩爆实例,建立岩爆数据集,对岩爆数据集进行数据的预处理和分类,得到建模集和测试集,然后利用逆向云发生器获取的合适数字特征,利用正向云发生器确定各个岩爆倾向性评价指标隶属于各个岩爆倾向性等级的确定度。其中,引入变异系数和优化各个指标独立性程度的量化系数改进CRITIC权重确定方法,从而建立不同岩爆等级的多维正态云模型(也即图4中综合确定度),从而根据最大确定度原则判断岩爆倾向性等级。该方法能够综合考虑多种影响岩爆发生的因素,在地下工程岩爆倾向性评价中有效合理、可操作性强,并且与现有方法相比,与现场实际岩爆等级吻合度较好,从而便于对地下工程岩爆危险区进行辨识,可以更加准确的对地下工程岩爆倾向性等级进行判别。
对于上述岩爆倾向性等级的判别方法,本发明实施例提供一种岩爆倾向性等级的判别装置,参见图5所示的一种岩爆倾向性等级的判别装置的结构图,该装置主要包括以下部分:
数据集获取模块502,用于获取与预先选择的多种岩爆倾向性评价指标对应的目标岩爆数据集;目标岩爆数据集包括建模数据集和测试数据集;
特征确定模块504,用于基于建模数据集确定多种岩爆倾向性评价指标的数字特征;
确定度信息确定模块506,用于通过数字特征和测试数据集确定岩爆倾向性评价指标的确定度信息;
岩爆倾向性等级确定模块508,用于根据确定度信息和预设的权重计算方法确定每种岩爆倾向性评价指标对应的岩爆倾向性等级。
本发明实施例提供的岩爆倾向性等级的判别装置,通过获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集,弥补了现有方式通过单一指标在岩爆倾向性等级判定中的不足,并且基于建模数据集确定了每种岩爆倾向性评价指标的数字特征,根据该数字特征、测试数据集和预设的权重计算方法确定每种岩爆倾向性评价指标的确定度信息,并通过每种岩爆倾向性评价指标的确定度信息进行目标岩爆倾向性等级的判别,有效的提升了岩爆倾向性等级判定的准确性,进一步便于对地下工程岩爆危险区进行辨识。
在一种实施方式中,预先选择的多种岩爆倾向性评价指标包括岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数;数据集获取模块502,进一步用于获取与岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数对应的初始岩爆数据集;对初始岩爆数据集进行异常数据处理,得到中间岩爆数据集;对中间岩爆数据集按照预设比例进行划分,得到建模数据集和测试数据集;其中,建模数据集和测试数据集为互斥的数据集。
在一种实施方式中,数据集获取模块502,进一步用于采用箱线图法对初始岩爆数据集进行异常数据处理,检测出异常数据;在初始岩爆数据集中剔除异常数据,得到中间岩爆数据集。
在一种实施方式中,数字特征包括:期望、熵和超熵;特征确定模块504,进一步用于将建模数据集输入多维正态逆向云发生器,通过多维正态逆向云发生器确定每种岩爆倾向性评价指标的期望、熵和超熵。
在一种实施方式中,上述装置还包括:岩爆倾向性等级预设模块,用于根据预先获取的岩爆实例和多种岩爆倾向性评价指标预先设置岩爆倾向性等级;预先设置的岩爆倾向性等级包括无岩爆等级、弱岩爆等级、中等岩爆等级和强岩爆等级;上述确定度信息确定模块506,进一步用于通过多维正态正向云发生器和数字特征计算初始确定度;基于初始确定度和预设的权重计算方法确定测试数据集中每种岩爆倾向性等级对应的每种岩爆倾向性评价指标的确定度信息。
在一种实施方式中,预设的权重计算方法包括改进的客观权重赋权法;指标权重的计算方法参见如下公式:
其中,BYj表示第j个指标的变异系数;n为岩爆倾向性评价指标的个数;rkj为第k个指标和第j个指标之间的相关系数。
在一种实施方式中,岩爆倾向性等级确定模块,用于针对每种预先设置的岩爆倾向性等级,确定每种岩爆倾向性评价指标的确定度信息的最大值对应的当前岩爆倾向性等级;判断确定度信息的最大值与其他确定度信息的差值是否小于预设阈值;如果是,将确定度信息的最大值对应的当前岩爆倾向性等级确定为目标岩爆倾向性等级。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图6为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的岩爆倾向性等级的判别方法、装置及电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种岩爆倾向性等级的判别方法,其特征在于,所述方法包括:
获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集;所述目标岩爆数据集包括建模数据集和测试数据集;
基于所述建模数据集确定每种所述岩爆倾向性评价指标的数字特征;
通过所述数字特征、所述测试数据集和预设的权重计算方法确定每种所述岩爆倾向性评价指标的确定度信息;
根据每种所述岩爆倾向性评价指标的所述确定度信息确定目标岩爆倾向性等级。
2.根据权利要求1所述的方法,其特征在于,所述预先选择的多种岩爆倾向性评价指标包括岩爆倾向性指数、洞室最大切向应力、单轴抗压强度、单轴抗压强度、Russenes判据和脆性系数;
所述获取与所述预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集的步骤,包括:
获取与所述岩爆倾向性指数、所述洞室最大切向应力、所述单轴抗压强度、所述单轴抗压强度、所述Russenes判据和所述脆性系数对应的初始岩爆数据集;
对所述初始岩爆数据集进行异常数据处理,得到中间岩爆数据集;
对所述中间岩爆数据集按照预设比例进行划分,得到所述建模数据集和所述测试数据集;其中,所述建模数据集和所述测试数据集为互斥的数据集。
3.根据权利要求2所述的方法,其特征在于,所述对所述初始岩爆数据集进行异常数据处理操作,得到中间岩爆数据集的步骤,包括:
采用箱线图法对所述初始岩爆数据集进行异常数据处理,检测出异常数据;
在所述初始岩爆数据集中剔除所述异常数据,得到所述中间岩爆数据集。
4.根据权利要求1所述的方法,其特征在于,所述数字特征包括:期望、熵和超熵;所述基于所述建模数据集确定每种所述岩爆倾向性评价指标的数字特征的步骤,包括:
将所述建模数据集输入多维正态逆向云发生器,通过所述多维正态逆向云发生器确定每种所述岩爆倾向性评价指标的所述期望、所述熵和所述超熵。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预先获取的岩爆实例和多种所述岩爆倾向性评价指标预先设置岩爆倾向性等级;所述预先设置的岩爆倾向性等级包括无岩爆等级、弱岩爆等级、中等岩爆等级和强岩爆等级;
相应的,所述通过所述数字特征、所述测试数据集和预设的权重计算方法确定每种所述岩爆倾向性评价指标的确定度信息的步骤,包括:
通过多维正态正向云发生器、所述数字特征和所述测试数据集计算初始确定度;
基于所述初始确定度和预设的权重计算方法确定每种所述岩爆倾向性等级对应的每种所述岩爆倾向性评价指标的确定度信息。
7.根据权利要求5所述的方法,其特征在于,所述根据每种所述岩爆倾向性评价指标的所述确定度信息确定目标岩爆倾向性等级的步骤,包括:
针对每种所述预先设置的岩爆倾向性等级,确定每种所述岩爆倾向性评价指标的确定度信息的最大值对应的当前岩爆倾向性等级;
判断确定度信息的最大值与其他确定度信息的差值是否小于预设阈值;
如果是,将所述确定度信息的最大值对应的所述当前岩爆倾向性等级确定为目标岩爆倾向性等级。
8.一种岩爆倾向性等级的判别装置,其特征在于,所述装置包括:
数据集获取模块,用于获取与预先选择的多种岩爆倾向性评价指标中的每种岩爆倾向性评价指标对应的目标岩爆数据集;所述目标岩爆数据集包括建模数据集和测试数据集;
特征确定模块,用于基于所述建模数据集确定每种所述岩爆倾向性评价指标的数字特征;
确定度信息确定模块,用于通过所述数字特征、所述测试数据集和预设的权重计算方法确定每种所述岩爆倾向性评价指标的确定度信息;
岩爆倾向性等级确定模块,用于根据每种所述岩爆倾向性评价指标的所述确定度信息确定目标岩爆倾向性等级。
9.一种电子设备,其特征在于,包括:处理器和存储装置;
所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937867.5A CN112034139A (zh) | 2020-09-08 | 2020-09-08 | 岩爆倾向性等级的判别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937867.5A CN112034139A (zh) | 2020-09-08 | 2020-09-08 | 岩爆倾向性等级的判别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112034139A true CN112034139A (zh) | 2020-12-04 |
Family
ID=73585487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010937867.5A Pending CN112034139A (zh) | 2020-09-08 | 2020-09-08 | 岩爆倾向性等级的判别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112034139A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272644A (zh) * | 2023-09-21 | 2023-12-22 | 安徽理工大学 | 基于钻孔参数的岩爆倾向性预测方法及系统 |
CN117312951A (zh) * | 2023-09-27 | 2023-12-29 | 安徽理工大学 | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN110516907A (zh) * | 2019-07-17 | 2019-11-29 | 吉林大学 | 一种基于ahp-熵权云模型的岩爆等级评价方法 |
CN111175593A (zh) * | 2018-11-12 | 2020-05-19 | 株式会社东芝 | 检测波形中的异常的方法及其系统 |
-
2020
- 2020-09-08 CN CN202010937867.5A patent/CN112034139A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN111175593A (zh) * | 2018-11-12 | 2020-05-19 | 株式会社东芝 | 检测波形中的异常的方法及其系统 |
CN110516907A (zh) * | 2019-07-17 | 2019-11-29 | 吉林大学 | 一种基于ahp-熵权云模型的岩爆等级评价方法 |
Non-Patent Citations (3)
Title |
---|
过江等: "岩爆预测的多维云模型综合评判方法", 《岩石力学与工程学报》 * |
陈昊等: "基于逆向云和概念提升的定性评价方法", 《武汉大学学报(理学版)》 * |
黄建等: "基于改进组合赋权的岩爆多维云模型预测研究", 《中国安全科学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272644A (zh) * | 2023-09-21 | 2023-12-22 | 安徽理工大学 | 基于钻孔参数的岩爆倾向性预测方法及系统 |
CN117272644B (zh) * | 2023-09-21 | 2024-03-05 | 安徽理工大学 | 基于钻孔参数的岩爆倾向性预测方法及系统 |
CN117312951A (zh) * | 2023-09-27 | 2023-12-29 | 安徽理工大学 | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366123B (zh) | 基于缺陷分析的软件风险评估方法 | |
CN111967502A (zh) | 一种基于条件变分自编码器的网络入侵检测方法 | |
CN107506941A (zh) | 一种基于大数据技术的建筑施工企业信用评价方法和系统 | |
CN106651574A (zh) | 一种个人信用评估方法及装置 | |
CN113379238A (zh) | 风险评估方法、装置及电子设备 | |
CN109934500A (zh) | 一种配电台区的低电压评价方法、装置、设备及存储介质 | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
CN112034139A (zh) | 岩爆倾向性等级的判别方法、装置及电子设备 | |
CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
CN102541736A (zh) | 一种软件可靠性执行过程加速测试方法 | |
CN115168870A (zh) | 一种基于综合评价的区块链安全评估方法 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN104766250A (zh) | 一种管廊管道的风险因素权重值计算方法 | |
CN111209316A (zh) | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 | |
CN117932973B (zh) | 航天器地面等效性试验评估方法 | |
CN106780222B (zh) | 模拟综合成绩获得方法与装置 | |
CN112365187A (zh) | 一种基于Lasso-logit模型的发电机组市场力滥用识别方法 | |
CN114861800B (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
CN114676587B (zh) | 基于载荷谱相似性的疲劳寿命评估方法 | |
CN114493078A (zh) | 一种能源电力产业链的风险预警方法、系统、设备和介质 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及系统 | |
CN108710980A (zh) | 航天型号产品合同履行绩效的评价方法、装置和实现装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |