CN112232522B - 一种深部巷道支护方案智能推荐及动态优化方法 - Google Patents
一种深部巷道支护方案智能推荐及动态优化方法 Download PDFInfo
- Publication number
- CN112232522B CN112232522B CN202011299274.7A CN202011299274A CN112232522B CN 112232522 B CN112232522 B CN 112232522B CN 202011299274 A CN202011299274 A CN 202011299274A CN 112232522 B CN112232522 B CN 112232522B
- Authority
- CN
- China
- Prior art keywords
- roadway
- support
- thickness
- bird nest
- indexes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000011435 rock Substances 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 238000006073 displacement reaction Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 230000002093 peripheral effect Effects 0.000 claims abstract description 5
- 235000005770 birds nest Nutrition 0.000 claims description 60
- 235000005765 wild carrot Nutrition 0.000 claims description 60
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 8
- 241000544061 Cuculus canorus Species 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 235000013601 eggs Nutrition 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 235000012905 Brassica oleracea var viridis Nutrition 0.000 claims 1
- 244000064816 Brassica oleracea var. acephala Species 0.000 claims 1
- 238000013139 quantization Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 description 8
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009933 burial Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种深部巷道支护方案智能推荐及动态优化方法,它通过对深部已支护巷道工程地质参数进行相关性分析,建立样本数据库并以松动圈厚度为依据划分支护等级;然后依次建立基于随机森林回归、多元线性回归、支持向量机的松动圈厚度预测模型,通过预测模型的评价指标对比选定最优预测模型;采用最优预测模型预测待支护巷道的支护等级,并智能推荐支护方案,通过巷道周边位移监测技术和岩石力学反分析方法反演方案实施后的工程地质参数,并重新调整支护等级以及动态优化支护方案。本发明方法易行,操作简便,能够全面、具体地考虑深部巷道工程地质条件,合理、快速地推荐支护设计方案,并实时、动态地调整支护方式参数。
Description
技术领域
本发明属于岩土工程以及采矿工程的支护技术领域,具体地涉及一种适用于深部巷道支护方案智能推荐及动态优化方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
煤炭、铁矿等矿产资源作为我国现有的主要自然资源之一,在我国的自然能源生产消费结构中占据着十分重要的地位。近年来,随着我国经济建设的高速发展,浅部矿产资源日益枯竭,这就需要对现有深度的矿层加以经济地开采和利用,并对更深部的矿产资源进行开发。但是,因开采深度增加而带来的高地应力、高地热、高渗透力、高采动影响等复杂地质条件,使得岩石整体呈现出非线性力学行为和强流变特性,造成巷道在使用过程中出现大量稳定性不足的工程事故。巷道支护是矿山开采施工过程中的主要环节,也是确保巷道稳定性的重要前提。支护方案设计施工不合理会导致离层、片帮、底鼓等巷道变形破坏、巷道多次返修乃至停产,造成巨大的资源浪费。为了实现深部矿产资源的高效生产并且避免矿山安全生产事故的发生,必须制定安全、可靠和有效的深部巷道支护方案。此外,在掘进过程或者回采过程中,深部巷道围岩所处的应力场、渗流场与温度场等环境场是不断变化的,单一的巷道支护方式、支护参数难以满足岩体稳定性需求,需要考虑对其进行动态优化,以确保煤矿安全生产。目前,巷道支护设计及优化方案的确定主要包括工程类比法、理论解析法、相似模型法、数值模拟法等,其中数值模拟法是通过模拟软件搭建仿真平台能够快速获取合理有效的支护质量评价数据,而得到了广泛的应用。然而,随着工程概况的复杂化,上述方法在支护设计、优化过程需要耗费大量的时间,则会造成经济效益的损失,甚至出现因优化时间不及时造成支护结构大面积失效的情况。
综上考虑,有必要提供一种新的技术方案,能够全面、具体地考虑深部巷道工程地质条件,合理、快速地推荐支护设计方案,并实时、动态地调整支护方式参数,保证施工安全,节约施工成本。
发明内容
本发明的目的在于针对上述背景技术中的不足之处,提供一种深部巷道支护方案智能推荐及动态优化方法,方法易行,操作简便,能够全面、具体地考虑深部巷道工程地质条件,合理、快速地推荐支护设计方案,并实时、动态地调整支护方式参数。
为了实现上述目的,本发明采用的技术方案是:一种深部巷道支护方案智能推荐及动态优化方法,其特征在于,它通过对深部已支护巷道工程地质参数进行相关性分析,建立样本数据库并以松动圈厚度为依据划分支护等级;然后依次建立基于随机森林回归、多元线性回归、支持向量机的松动圈厚度预测模型,通过预测模型的评价指标对比选定最优预测模型;采用最优预测模型预测待支护巷道的支护等级,并智能推荐支护方案,通过巷道周边位移监测技术和岩石力学反分析方法反演方案实施后的工程地质参数,并重新调整支护等级以及动态优化支护方案。
具体地,本发明一种深部巷道支护方案智能推荐及动态优化方法,其特征在于,包括如下步骤:
第一步:样本数据采集筛选
1.1:收集已有的深部已支护巷道工程技术资料,对其工程地质参数和松动圈厚度进行实测数据采集,形成若干个样本数据集,同时依据深部巷道采用的支护方案,对松动圈厚度进行范围划定,并由小到大对应不同的支护等级;
所述的工程地质参数具体包括巷道布置情况和地质水文情况两大类别,每一类别下细分为若干个子指标,以全面考虑对松动圈厚度的影响因素,例如,巷道布置情况的子指标包括巷道功能、巷道服务年限、巷道埋深、巷道长度、巷道断面形状、巷道断面尺寸等,地质水文情况的子指标包括围岩强度、围岩弹性模量、围岩粘聚力、围岩内摩擦角、围岩结构分布、围岩含水情况等;所述的子指标可以通过数值和文字两种形式进行表述,其中通过文字形式表述的子指标需要进行量化处理,以便于后续数据处理计算分析;
1.2:通过皮尔逊相关系数理论对子指标进行相关性分析,筛选出与松动圈厚度相关性较强的子指标,其具体步骤为逐一计算子指标与松动圈厚度的皮尔逊相关系数r,并采用t检验方法获取显著性水平sig,以检验皮尔逊相关系数是否具有显著性意义,选取|r|≥0.5且sig≤0.05的子指标作为有效子指标,并保留在样本数据集中,其余子指标予以剔除;
1.3:对样本数据集中的全部数值进行归一化处理使其落到区间[0,1]中,用于消除数量级的影响,然后汇总所有样本数据集组成样本数据库;
第二步:最优预测模型确定
2.1:基于随机森林回归建立预测模型以预测松动圈厚度,其具体步骤为:
2.1.1:采用Bootstrap法有放回地从样本数据库中随机抽取若干个样本数据集,并且抽取个数与样本数据库的样本容量相等,其中抽到的样本数据集组成样本训练库,而未抽到的样本数据集则组成样本验证库,然后对样本训练库中全部样本逐一构造决策树;
2.1.2:在决策树生长过程中,每个节点处从所有有效子指标中随机抽取部分子指标作为当前节点分裂的待选特征,然后按照节点不纯度最小原则从待选特征中索引确定测试特征进行分支生长,且不进行剪枝;
2.1.3:按照步骤2.1.2的规则,决策树继续分支、充分生长,使得每个节点不纯度达到最小,直至满足分支规则而停止生长,并储存相应的决策树;
2.1.4:根据储存的多个决策树建立随机森林回归模型,然后代入样本验证库的各有效子指标进行预测,对每棵决策树预测结果求取平均值并进行反归一化处理,得到松动圈厚度预测值dRFRM,并对比现场实测值计算预测模型的评价指标;
所述的预测模型的评价指标包括决定系数R2、均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE;
2.2:基于多元线性回归建立预测模型以预测松动圈厚度,其具体步骤为分别计算样本训练库中各有效子指标的回归系数,并建立相应的多元线性回归模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值dMLRM,并对比实测值dREAL计算预测模型的评价指标;
2.3:基于支持向量机建立预测模型以预测松动圈厚度,其具体步骤为:
2.3.1:分别选取线性核、多项式核、高斯核、sigmoid核作为支持向量机的核函数,并根据工程经验初步选取核函数参数和惩罚因子的取值范围;
2.3.2:对选用不同核函数的支持向量机逐一采用布谷鸟搜索算法选取支持向量机的最优核函数参数和惩罚因子的取值,其具体步骤为:
2.3.2.1:根据工程经验初步选取布谷鸟搜索算法的最小步长、最大步长、迭代次数以及初始概率参数,随机生成一组鸟巢位置序列p0,其中每个鸟巢均对应一组核函数参数和惩罚因子的取值;
2.3.2.2:计算每个鸟巢位置对应样本训练库的拟合度,找到鸟巢位置序列pt-1中最优鸟巢位置以及最好的拟合度,并保留下来;
2.3.2.3:计算Levy飞行步长,并利用Levy飞行对其他鸟巢位置进行更新,得到一组新鸟巢位置序列p′t-1并再次计算拟合度,然后与上一代相对应的鸟巢位置序列pt-1进行对比,用拟合度较好的鸟巢位置更新拟合度较低的鸟巢位置,从而得到一组较优的鸟巢位置序列gt;
2.3.2.4:用服从均匀分布的随机数作为鸟巢主人发现外来蛋的可能性与设定的初始概率参数进行比较,保留鸟巢位置序列gt中被发现概率较小的鸟巢位置,并随机改变被发现概率较大的鸟巢位置,得到一组新鸟巢位置序列g′t;
2.3.2.5:对鸟巢位置序列g′t继续做拟合度对比分析,更新后得到一组较优的鸟巢位置序列pt,然后找到最优鸟巢位置以及最好的拟合度;
2.3.2.6:判断步骤2.3.2.5中得到的拟合度是否满足要求,如果满足则停止搜索,输出全局最好的拟合度以及与之对应的最优鸟巢位置,否则,返回步骤2.3.2.3继续寻优;
2.3.3:根据最优鸟巢位置所对应的最优核函数参数和惩罚因子,构建具有不同核函数的支持向量机模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值dSVFM,并对比实测值dREAL计算预测模型的评价指标,确定最合适的核函数,获取最优支持向量机模型;
2.4:汇总步骤2.1-2.3建立的随机森林回归模型、多元线性回归模型、最优支持向量机模型的评价指标,综合评价每一个预测模型的预测效果,进而确定松动圈厚度最优预测模型;
第三步:支护方案推荐优化
3.1:获取待支护巷道的工程地质参数,并对有效子指标进行归一化处理,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值dOPM,以此确定相应的支护等级,并根据支护等级在样本数据库中索引匹配,智能推荐初步支护方案;
3.2:按照初步支护方案对待支护巷道进行施工,并通过巷道周边位移监测技术和岩石力学反分析方法获取支护方案实施后的围岩参数变化情况,其具体步骤为:
3.2.1:在巷道内部选择地质均匀的若干个断面,并在断面内部的敏感点位置布设矿用本安型激光测距仪,形成若干条测线,经过定期位移监测获取每条测线的相对位移量,进而计算分析巷道变形收敛情况;
所述的敏感点位置的位移量较于其他测点更大,例如,敏感点位置包括拱腰、底板、拱顶中点等;所述的测线的数量由巷道对称轴的数量决定,并且不低于反分析过程中待求围岩参数的数量,其中具有2条对称轴的巷道至少布设3条独立的测线,具有1条对称轴的巷道至少布置6条独立的测线,以满足反分析过程的精度要求;
3.2.2:假设待求围岩参数的分布情况,并结合获取的巷道收敛变形实测数据,利用Bayes方法得出估计误差函数,然后对变量求偏导数进行梯度优化,最后计算得到待求围岩参数的反分析值;
3.3:将待求围岩参数的反分析值替换原有数值,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值dOPM,以此确定相应的支护等级,并根据新确定的支护等级在样本数据库中重新索引匹配,智能推荐优化支护方案;
3.4:按照优化支护方案对相应的巷道继续施工,然后将围岩参数替换后的有效子指标和此时的松动圈厚度预测值dOPM组成一个新的数据集,并添加至样本数据库中进行扩容更新。
由于采用了以上技术方案,本发明一种深部巷道支护方案智能推荐及动态优化方法的积极效果和优点在于方法易行,操作简便,克服了现有支护方案设计费时费力的问题,保证了施工安全,提高了施工效率,降低了施工成本。
本发明的积极效果和优点具体表现在如下几个方面:
(1)全面考虑影响松动圈厚度的各个因素,并有效地、针对地挖掘出其中具有显著影响的因素,降低了子指标的维度,以减少后续进行预测的计算量;
(2)在随机森林回归模型中运用Bootstrap法科学划分样本数据库,使得多种预测模型的输入保持一致,使得多种模型具有可对比性;
(3)通过多种评价指标自动对比随机森林回归模型、多元线性回归模型和支持向量机模型的预测性能,能够确保预测方法的可信度和高效性;
(4)通过巷道位移周边监测技术可以实时获取支护后的巷道变形收敛情况,并结合岩石力学反分析方法获取围岩参数在掘进、采动影响下的变化情况,并对松动圈厚度重新预测,以实现支护方案的二次优化;
(5)围岩参数替换后可以形成一个新的数据集,并添加至样本数据库中进行扩容更新,确保了样本数据库的丰富性和有效性。
附图说明
为了更清楚地说明本发明具体实施例,下面将对具体实施例中所需要的附图做简单地介绍,显而易见地,下面描述的附图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。
图1为本发明一种深部巷道支护方案智能推荐及动态优化方法的整体流程图。
图2为本发明一种深部巷道支护方案智能推荐及动态优化方法的随机森林算法流程图。
图3为本发明一种深部巷道支护方案智能推荐及动态优化方法的支持向量机流程图。
图4为本发明一种深部巷道支护方案智能推荐及动态优化方法的巷道测线位移布置图。
具体实施方式
下面结合具体实施例及附图对本发明一种深部巷道支护方案智能推荐及动态优化方法做进一步详细说明。
首先应当指出的是,以下说明都是示例性的,其目的只是在于对本发明提供进一步的说明。除非另有说明,本实施例使用的所有技术和科学术语具有与本发明所述技术领域的普通技术人员通常理解的相同含义。
第一步:样本数据采集筛选
1.1:收集已有的深部已支护巷道工程技术资料,对其工程地质参数和松动圈厚度进行实测数据采集,形成若干个样本数据集,其中,工程地质参数要求包含巷道功能、巷道服务年限、巷道埋深、巷道断面形状、巷道断面尺寸等子指标在内的巷道布置情况和围岩强度、围岩弹性模量、围岩粘聚力、围岩内摩擦角、围岩结构分布、地下水情况等子指标在内的地质水文情况两大类,此外,对于通过文字描述的子指标,例如巷道功能、围岩结构分布等,在进行相关性分析之前需要量化处理,同时依据深部巷道采用的支护方案,对松动圈厚度进行范围划定,并由小到大对应不同的支护等级;
1.2:通过皮尔逊相关系数理论对子指标进行相关性分析,其具体步骤为逐一计算各个子指标与松动圈厚度的皮尔逊相关系数r,并采用t检验方法获取显著性水平sig,以检验皮尔逊相关系数是否具有显著性意义,选取|r|≥0.5且sig≤0.05的子指标作为有效子指标,并保留在样本数据集中,其余子指标予以剔除;
1.3:对样本数据集中的全部数值采用min-max标准化方法进行归一化处理使其落到区间[0,1]中,用于消除数量级的影响,然后汇总所有样本数据集组成样本数据库。
第二步:最优预测模型确定
2.1:如附图2所示,基于随机森林回归建立预测模型以预测松动圈厚度,其具体步骤为:
2.1.1:采用Bootstrap法有放回地从样本数据库中随机抽取若干个样本数据集,并且抽取个数与样本数据库的样本容量相等,其中抽到的样本数据集组成样本训练库,约占样本数据库的63%,而未抽到的样本数据集则组成样本验证库,约占样本数据库的37%,然后对样本训练库中全部样本逐一构造决策树;
2.1.2:在决策树生长过程中,每个节点处从所有有效子指标中随机抽取部分子指标作为当前节点分裂的待选特征,待选特征的个数为输入参数的个数的平方根,然后选择最小的节点不纯度作为此节点的分割标准,从待选特征中索引确定测试特征进行分支生长,且不进行剪枝;
2.1.3:按照步骤2.1.2的规则,决策树继续分支、充分生长,使得每个节点不纯度达到最小,直至满足分支规则而停止生长,并储存相应的决策树;
2.1.4:根据储存的多个决策树建立随机森林回归模型,然后代入样本验证库的各有效子指标进行预测,对每棵决策树预测结果求取平均值并进行反归一化处理,得到松动圈厚度预测值dRFRM,并对比现场实测值计算包括决定系数R2、均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE在内的预测模型的评价指标;
2.2:基于多元线性回归建立预测模型以预测松动圈厚度,其具体步骤为分别计算样本训练库中各有效子指标的回归系数,并建立相应的多元线性回归模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值dMLRM,并对比实测值dREAL计算预测模型的评价指标;
2.3:如附图3所示,基于支持向量机建立预测模型以预测松动圈厚度,其具体步骤为:
2.3.1:分别选取线性核、多项式核、高斯核、sigmoid核作为支持向量机的核函数,并根据工程经验初步选取核函数参数和惩罚因子的取值范围;
2.3.2:对选用不同核函数的支持向量机逐一采用布谷鸟搜索算法选取支持向量机的最优核函数参数和惩罚因子的取值,其具体步骤为:
2.3.2.1:根据工程经验初步选取布谷鸟搜索算法的最小步长、最大步长、迭代次数以及初始概率参数,随机生成一组鸟巢位置序列p0,其中每个鸟巢均对应一组核函数参数和惩罚因子的取值;
2.3.2.2:计算每个鸟巢位置对应样本训练库的拟合度,找到鸟巢位置序列pt-1中最优鸟巢位置以及最好的拟合度,并保留下来;
2.3.2.3:计算Levy飞行步长,并利用Levy飞行对其他鸟巢位置进行更新,得到一组新鸟巢位置序列p′t-1并再次计算拟合度,然后与上一代相对应的鸟巢位置序列pt-1进行对比,用拟合度较好的鸟巢位置更新拟合度较低的鸟巢位置,从而得到一组较优的鸟巢位置序列gt;
2.3.2.4:用服从均匀分布的随机数作为鸟巢主人发现外来蛋的可能性与设定的初始概率参数进行比较,保留鸟巢位置序列gt中被发现概率较小的鸟巢位置,并随机改变被发现概率较大的鸟巢位置,得到一组新鸟巢位置序列g′t;
2.3.2.5:对鸟巢位置序列g′t继续做拟合度对比分析,更新后得到一组较优的鸟巢位置序列pt,然后找到最优鸟巢位置以及最好的拟合度;
2.3.2.6:判断步骤2.3.2.5中得到的拟合度是否满足要求,如果满足则停止搜索,输出全局最好的拟合度以及与之对应的最优鸟巢位置,否则,返回步骤2.3.2.3继续寻优;
2.3.3:根据最优鸟巢位置所对应的最优核函数参数和惩罚因子,构建具有不同核函数的支持向量机模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值dSVFM,并对比实测值dREAL计算预测模型的评价指标,确定最合适的核函数,获取最优支持向量机模型;
2.4:汇总步骤2.1-2.3建立的随机森林回归模型、多元线性回归模型、最优支持向量机模型的评价指标,综合评价每一个预测模型的预测效果,进而确定松动圈厚度最优预测模型。
第三步:支护方案推荐优化
3.1:如附图3所示,待支护巷道属于圆形巷道,获取待支护巷道的工程地质参数,并对有效子指标进行归一化处理,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值dOPM,以此确定相应的支护等级,并根据支护等级在样本数据库中索引匹配,智能推荐初步支护方案;
3.2:按照初步支护方案对待支护巷道进行施工,并通过巷道周边位移监测技术和岩石力学反分析方法获取支护方案实施后的围岩参数变化情况,其具体步骤为:
3.2.1:在巷道内部选择地质均匀的3个断面,并在每个断面内部的顶板中点、两帮中点位置布设3个矿用本安型激光测距仪,形成3条独立的测线,经过定期位移监测获取每条测线的相对位移量,进而计算分析巷道变形收敛情况;
3.2.2:假设待求围岩参数符合正态分布,获取先验既得信息的均值和方差,并结合获取的巷道收敛变形实测数据,利用Bayes方法得出估计误差函数,然后对变量求偏导数进行梯度优化,最后计算得到待求围岩参数的反分析值;
3.3:将待求围岩参数的反分析值替换原有数值,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值dOPM,以此确定相应的支护等级,并根据新确定的支护等级在样本数据库中重新索引匹配,智能推荐优化支护方案;
3.4:按照优化支护方案对相应的巷道继续施工,然后将围岩参数替换后的有效子指标和此时的松动圈厚度预测值dOPM组成一个新的数据集,并添加至样本数据库中进行扩容更新。
最后应说明的是:以上所述内容仅是本发明的较佳实施例,并非对本发明作出任何限制;本领域的普通技术人员应当理解:凡是根据本发明技术实质对以上实施例不需要付出创造性劳动即可做出的任何简单修改以及等同替换,并不使得相应技术方案的本质脱离本发明技术方案的保护范围。
Claims (1)
1.一种深部巷道支护方案智能推荐及动态优化方法,其特征在于,它通过对深部已支护巷道工程地质参数进行相关性分析,建立样本数据库并以松动圈厚度为依据划分支护等级;然后依次建立基于随机森林回归、多元线性回归、支持向量机的松动圈厚度预测模型,通过预测模型的评价指标对比选定最优预测模型;采用最优预测模型预测待支护巷道的支护等级,并智能推荐支护方案,通过巷道周边位移监测技术和岩石力学反分析方法反演方案实施后的工程地质参数,并重新调整支护等级以及动态优化支护方案;具体包括如下步骤:
第一步:样本数据采集筛选
1.1:收集已有的深部巷道工程技术资料,对已支护巷道的工程地质参数和松动圈厚度进行实测数据采集,形成若干个样本数据集,同时依据深部巷道采用的支护方案,对松动圈厚度进行范围划定,并由小到大对应不同的支护等级;
所述的工程地质参数具体包括巷道布置情况和地质水文情况两大类别,每一类别下细分为若干个子指标;所述的子指标可以通过数值和文字两种形式进行表述,其中通过文字形式表述的子指标需要进行量化处理;
1.2:通过皮尔逊相关系数理论对子指标进行相关性分析,筛选出与松动圈厚度相关性较强的子指标,其具体步骤为逐一计算子指标与松动圈厚度的皮尔逊相关系数r,并采用t检验方法获取显著性水平sig,选取|r|≥0.5且sig≤0.05的子指标作为有效子指标,并保留在样本数据集中,其余子指标予以剔除;
1.3:对样本数据集中的全部数值进行归一化处理使其落到区间[0,1]中,然后汇总所有样本数据集组成样本数据库;
第二步:最优预测模型确定
2.1:基于随机森林回归建立预测模型以预测松动圈厚度,其具体步骤为:
2.1.1:采用Bootstrap法有放回地从样本数据库中随机抽取若干个样本数据集,并且抽取个数与样本数据库的样本容量相等,其中抽到的样本数据集组成样本训练库,而未抽到的样本数据集则组成样本验证库,然后对样本训练库中全部样本逐一构造决策树;
2.1.2:在决策树生长过程中,每个节点处从所有有效子指标中随机抽取部分子指标作为当前节点分裂的待选特征,然后按照节点不纯度最小原则从待选特征中索引确定测试特征进行分支生长,且不进行剪枝;
2.1.3:按照步骤2.1.2的规则,决策树继续分支、充分生长,使得每个节点不纯度达到最小,直至满足分支规则而停止生长,并储存相应的决策树;
2.1.4:根据储存的多个决策树建立随机森林回归模型,然后代入样本验证库的各有效子指标进行预测,对每棵决策树预测结果求取平均值并进行反归一化处理,得到松动圈厚度预测值d RFRM ,并对比实测值d REAL 计算预测模型的评价指标;
所述的预测模型的评价指标包括决定系数R 2、均方根误差RMSE、平均绝对误差MAE和平均绝对百分误差MAPE;
2.2:基于多元线性回归建立预测模型以预测松动圈厚度,其具体步骤为分别计算样本训练库中各有效子指标的回归系数,并建立相应的多元线性回归模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值d MLRM ,并对比实测值d REAL 计算预测模型的评价指标;
2.3:基于支持向量机建立预测模型以预测松动圈厚度,其具体步骤为:
2.3.1:分别选取线性核、多项式核、高斯核、sigmoid核作为支持向量机的核函数,并根据工程经验初步选取核函数参数和惩罚因子的取值范围;
2.3.2:对选用不同核函数的支持向量机逐一采用布谷鸟搜索算法选取支持向量机的最优核函数参数和惩罚因子的取值,其具体步骤为:
2.3.2.1:根据工程经验初步选取布谷鸟搜索算法的最小步长、最大步长、迭代次数以及初始概率参数,随机生成一组鸟巢位置序列p 0,其中每个鸟巢均对应一组核函数参数和惩罚因子的取值;
2.3.2.2:计算每个鸟巢位置对应样本训练库的拟合度,找到鸟巢位置序列p t-1中最优鸟巢位置以及最好的拟合度,并保留下来;
2.3.2.3:计算Levy飞行步长,并利用Levy飞行对其他鸟巢位置进行更新,得到一组新鸟巢位置序列p´ t-1并再次计算拟合度,然后与上一代相对应的鸟巢位置序列p t-1进行对比,用拟合度较好的鸟巢位置更新拟合度较低的鸟巢位置,从而得到一组较优的鸟巢位置序列g t ;
2.3.2.4:用服从均匀分布的随机数作为鸟巢主人发现外来蛋的可能性与设定的初始概率参数进行比较,保留鸟巢位置序列g t 中被发现概率较小的鸟巢位置,并随机改变被发现概率较大的鸟巢位置,得到一组新鸟巢位置序列g´ t ;
2.3.2.5:对鸟巢位置序列g´ t 继续做拟合度对比分析,更新后得到一组较优的鸟巢位置序列p t ,然后找到最优鸟巢位置以及最好的拟合度;
2.3.2.6:判断步骤2.3.2.5中得到的拟合度是否满足要求,如果满足则停止搜索,输出全局最好的拟合度以及与之对应的最优鸟巢位置,否则,返回步骤2.3.2.3继续寻优;
2.3.3:根据最优鸟巢位置所对应的最优核函数参数和惩罚因子,构建具有不同核函数的支持向量机模型,然后代入样本验证库的各有效子指标进行预测,对预测结果进行反归一化处理,得到松动圈厚度预测值d SVFM ,并对比实测值d REAL 计算预测模型的评价指标,确定最合适的核函数,获取最优支持向量机模型;
2.4:汇总步骤2.1-2.3建立的随机森林回归模型、多元线性回归模型、最优支持向量机模型的评价指标,综合评价每一个预测模型的预测效果,进而确定松动圈厚度最优预测模型;
第三步、支护方案推荐优化
3.1:获取待支护巷道的工程地质参数,并对有效子指标进行归一化处理,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值d OPM ,以此确定相应的支护等级,并根据支护等级在样本数据库中索引匹配,智能推荐初步支护方案;
3.2:按照初步支护方案对待支护巷道进行施工,并通过巷道周边位移监测技术和岩石力学反分析方法获取支护方案实施后的围岩参数变化情况,其具体步骤为:
3.2.1:在巷道内部选择地质均匀的若干个断面,并在断面内部的敏感点位置布设矿用本安型激光测距仪,形成若干条测线,经过定期位移监测获取每条测线的相对位移量,进而计算分析巷道变形收敛情况;
所述的敏感点位置的位移量较于其他测点更大;所述的测线的数量由巷道对称轴的数量决定,并且不低于反分析过程中待求围岩参数的数量,其中具有2条对称轴的巷道至少布设3条独立的测线,具有1条对称轴的巷道至少布置6条独立的测线;
3.2.2:假设待求围岩参数的分布情况,并结合获取的巷道收敛变形实测数据,利用Bayes方法得出估计误差函数,然后对变量求偏导数进行梯度优化,最后计算得到待求围岩参数的反分析值;
3.3:将待求围岩参数的反分析值替换原有数值,然后将其代入松动圈厚度最优预测模型进行预测,得到松动圈厚度预测值d OPM ,以此确定相应的支护等级,并根据新确定的支护等级在样本数据库中重新索引匹配,智能推荐优化支护方案;
3.4:按照优化支护方案对相应的巷道继续施工,然后将围岩参数替换后的有效子指标和此时的松动圈厚度预测值d OPM 组成一个新的数据集,并添加至样本数据库中进行扩容更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299274.7A CN112232522B (zh) | 2020-11-19 | 2020-11-19 | 一种深部巷道支护方案智能推荐及动态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299274.7A CN112232522B (zh) | 2020-11-19 | 2020-11-19 | 一种深部巷道支护方案智能推荐及动态优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232522A CN112232522A (zh) | 2021-01-15 |
CN112232522B true CN112232522B (zh) | 2022-09-30 |
Family
ID=74123802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299274.7A Active CN112232522B (zh) | 2020-11-19 | 2020-11-19 | 一种深部巷道支护方案智能推荐及动态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232522B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113062773B (zh) * | 2021-04-16 | 2023-01-31 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 深部隧道装配式通风竖井的自动化监测预警系统及施工方法 |
CN113380335B (zh) * | 2021-08-16 | 2022-01-04 | 河北三恩油气工程技术服务有限公司 | 基于工业大数据的化工数据分析系统 |
CN114444295B (zh) * | 2022-01-21 | 2023-04-25 | 南京天洑软件有限公司 | 一种基于组合时序预测的NOx废气浓度预测方法 |
CN114922659A (zh) * | 2022-06-17 | 2022-08-19 | 贵州盘江精煤股份有限公司 | 深部高应力复合型软岩巷道支护方法 |
CN115293002B (zh) * | 2022-08-10 | 2023-05-30 | 大连理工大学 | 一种软岩隧道松动圈测试方法及系统 |
CN116821770A (zh) * | 2023-07-17 | 2023-09-29 | 中国矿业大学 | 断层区巷道围岩变形智能预测及分类方法 |
Citations (5)
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 |
CN103984788A (zh) * | 2013-12-31 | 2014-08-13 | 中国矿业大学(北京) | 一种煤巷锚杆支护自动智能设计与优化系统 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8902081B2 (en) * | 2010-06-02 | 2014-12-02 | Concaten, Inc. | Distributed maintenance decision and support system and method |
-
2020
- 2020-11-19 CN CN202011299274.7A patent/CN112232522B/zh active Active
Patent Citations (5)
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 |
CN103984788A (zh) * | 2013-12-31 | 2014-08-13 | 中国矿业大学(北京) | 一种煤巷锚杆支护自动智能设计与优化系统 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232522A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232522B (zh) | 一种深部巷道支护方案智能推荐及动态优化方法 | |
CN104732070B (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
KR100982448B1 (ko) | 지공간 상관관계 통합기법을 이용한 지반침하 발생 예측시스템 및 이를 이용한 지반침하 발생 예측방법 | |
CN106372748A (zh) | 一种硬岩掘进机的掘进效率预测方法 | |
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 | |
CN109241627A (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN108615098B (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
CN116229354A (zh) | 基于特征参数自动提取的掌子面图像围岩等级辨识方法 | |
CN105069027A (zh) | 使指标得到简化的输电杆塔塔材实际强度计算方法 | |
CN112036424B (zh) | 基于无监督机器学习的海底滑坡危险性分析方法 | |
CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN109583672B (zh) | 风险探井勘探决策方法及系统 | |
CN111985782A (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及系统 | |
CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
CN113779888B (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
CN114707344A (zh) | 一种基于系统动力学的多年冻土活动层厚度计算方法 | |
CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
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 |