CN112365054A - 一种深井巷道围岩综合分级预测方法 - Google Patents
一种深井巷道围岩综合分级预测方法 Download PDFInfo
- Publication number
- CN112365054A CN112365054A CN202011258820.2A CN202011258820A CN112365054A CN 112365054 A CN112365054 A CN 112365054A CN 202011258820 A CN202011258820 A CN 202011258820A CN 112365054 A CN112365054 A CN 112365054A
- Authority
- CN
- China
- Prior art keywords
- deep well
- surrounding rock
- index
- layer
- neural network
- 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.)
- Withdrawn
Links
- 239000011435 rock Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 24
- 238000002474 experimental method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 12
- 238000013461 design Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000000518 rheometry Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 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
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种深井巷道围岩综合分级预测方法，它包括下列步骤：(1)依据已有的深井巷道工程资料进行层次分析，建立深井巷道围岩综合分级评价指标体系；(2)依据已有的深井巷道工程资料设计神经网络，建立深井巷道围岩综合分级预测模型；(3)获取待测深井巷道的工程资料，依据深井巷道围岩综合分级预测模型进行等级预测。本发明方法易行，操作简便，能够合理、有效、快速地实现深井巷道围岩综合分级预测，为深井巷道支护设计、施工方案提供准确的围岩等级，保证施工安全，节约施工时间，降低施工成本。
Description
技术领域
本发明属于岩土工程以及采矿工程岩体分类领域，具体地涉及一种适用于深井巷道围岩综合分级预测方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来，随着浅部资源的日益枯竭，煤炭资源开采逐步走向地层深部。由于埋深的不断增大，深部围岩处于高地应力、高地温、高渗透压以及强烈开采扰动(即“三高一扰动”)的复杂地质力学环境，围岩呈现流变突出、裂隙发育、变形强烈等特点。为了确保深部煤炭资源的安全、经济、合理开采，必须深入研究错综复杂环境中的岩体的力学特性，其研究基础就在于根据岩体的地质力学参数与结构分布特征确定围岩等级。目前，针对不同目的，选择不同分级因素产生了数十种工程岩体分类方法，其中比较典型的为RQD分类方法、巴顿的Q系统分类方法、比尼奥斯基的地质力学RMR分类方法、中国国家标准《工程岩体分类标准》等。这些分类方法现场应用普遍，技术较为成熟，但对于“三高一扰动”环境下的岩体，上述方法会忽略某些需要综合考虑的因素，从而只能片面反映岩体的质量，容易出现围岩等级判断的失误。此外，针对不同地质环境，影响围岩等级的因素和权重值也是不断变化的，这些复杂的因素都应当被考虑在工程岩体分类方法的影响因素中。因此，有必要提供一种新的技术方案，能够合理、有效、快速地实现深井巷道围岩综合分级预测，为深井巷道支护设计、施工方案提供准确的围岩等级，保证施工安全，节约施工时间，降低施工成本。
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，提供一种深井巷道围岩综合分级预测方法，方法易行，操作简便，能够解决现有分类方法针对性较低、难以综合考虑各影响因素的问题。
为了实现上述目的，本发明采用的技术方案是：一种深井巷道围岩综合分级预测方法，其特征在于，包括如下步骤：
S1、依据已有的深井巷道工程资料进行层次分析，建立深井巷道围岩综合分级评价指标体系；
S2、依据已有的深井巷道工程资料设计神经网络，建立深井巷道围岩综合分级预测模型；
S3、获取待测深井巷道的工程资料，依据深井巷道围岩综合分级预测模型进行等级预测。
进一步的技术方案，所述S1的具体步骤包括：
S1.1、建立层次结构模型；
根据已有的深井巷道工程资料，确定层次结构模型包括一个目标层A、四个准则层B及若干指标层C，其中，目标层A为围岩等级编码值；准则层B1～B4分别为围岩基本性质、围岩流变性质、围岩结构条件、围岩环境条件；指标层C由各个准则层B细分为若干个子指标构成；
S1.2、构造比较判断矩阵；
根据专家的建议以及客观的数据，对各指标因素在深井巷道围岩综合分级中影响程度的相对大小进行标度对比，分别建立各个准则层B与所属目标层A之间的判断矩阵E0、各个指标层C与所属准则层B之间的判断矩阵E1～E4；
S1.3、计算各层次单排序；
将判断矩阵E的各个元素进行归一化，并求解相应的特征向量W，其中，特征向量W0中的各个元素表示各个准则层B相对于所属目标层A的权重值；特征向量W1～W4中的各个元素表示各个指标层C相对于所属指标层B的权重值；
S1.4、检验矩阵的一致性；
根据归一化处理的判断矩阵E′和计算得到的特征向量W，计算最大特征根λmax及一致性指标CI，结合平均随机一致指标RI计算相对应的一致性比例CR，当一致性比例CR小于0.1表明判断矩阵具有满意的一致性；
S1.5、建立评价指标体系；
全部判断矩阵E满足一致性后，依据全部特征向量W，计算出指标层C对于目标层A的权重值，然后选取权重值大于0.01的子指标作为深井巷道围岩综合分级的评价指标，建立深井巷道围岩综合分级的评价指标体系。
作为可选择的实施方式，在S1.1中，所述准则层B1的子指标至少包括岩石的密度、孔隙率、含水率、软化系数、抗压强度、抗拉强度、抗剪强度；所述准则层B2的子指标至少包括岩石的弹性模量、粘弹性模量、粘滞系数；所述准则层B3的子指标至少包括结构面的产状、迹长、密度、张开度；所述准则层B4的子指标至少包括岩体的水压、单位出水量、初始应力。
作为可选择的实施方式，在S1.2中，所述标度对比的具体方法为把下层任意两个指标之间对于上层同一指标的相对重要性利用数值1～9进行标度。
作为可选择的实施方式，在S1.3中，所述归一化的具体方法为把判断矩阵E中每一列的单个元素除以该列全部元素之和，得到归一化判断矩阵E′；所述特征向量求解的具体方法为对归一化判断矩阵E′中各行元素求平均数，即可得到最大特征根λmax对应的归一化向量W。
进一步的技术方案，所述S2的具体步骤包括：
S2.1、神经网络样本采集；
根据已有的深井巷道工程资料，首先确定每个样本数据中均包括打分和处理后的评价指标构造的指标矩阵M和相应的围岩等级编码值构造的等级矩阵N，然后整理所有样本数据后形成神经网络的样本数据集，并将样本数据集按照7:3的比例划分为训练样本集和验证样本集；
S2.2、神经网络参数确定；
神经网络采用一层输入层、一层隐含层和一层输出层。其中，输入层为指标矩阵M，输入层节点数为指标矩阵M的元素个数；隐含层节点数通过反复试验确定；输出层为等级矩阵N，输出层节点数为等级矩阵N的元素个数；神经网络的激活函数采用S型函数，神经网络的初始权值和阈值通过遗传算法确定；
S2.3、神经网络训练验证；
首先选定初始学习速率和学习步长，对训练样本集按照设计的神经网络进行训练，同时在训练过程中对学习速率进行自适应调整，确保训练误差ε不超过0.01；然后将验证样本集运用已经训练好的神经网络对进行预测，并利用均方误差MSE、平均绝对偏差MAD和平均绝对百分误差MAPE对验证样本集的预测结果进行验证评价。
作为可选择的实施方式，在S2.1中，所述打分的具体方法为对每个评价指标的实际数值定量划分区间范围，并按照1～5分制的标准对每个区间赋值；所述处理的具体方法为将不同影响因素的评价分数经过premnmx函数处理后落在区间[0,1]上。
作为可选择的实施方式，在S2.2中，所述反复试验的具体方法为首先利用常用经验公式将隐含层节点数固定在一个范围内，然后获取不同隐含层节点数下的训练样本集预测结果，反复对比训练误差ε，以确定最适合的隐含层节点数；所述遗传算法的具体方法为首先形成包含神经网络全部权值和阈值的种群个体，个体通过适应度函数计算其适应度值，然后经过选择、交叉和变异操作找到最优适应度值对应的个体，最后依据最优个体对神经网络的初始权值和阈值进行赋值。
进一步的技术方案，所述S3的具体步骤包括：
S3.1、基本指标和流变指标获取；
在待测深井巷道进行取样加工成标准岩石力学试件，通过室内物理实验、单轴压缩实验、巴西圆盘试验和三轴压缩实验直接获取围岩基本指标，通过压缩蠕变试验配合岩石流变模型反演获取围岩流变指标；
S3.2、结构指标和环境指标获取；
在待测深井巷道进行现场检测，通过钻孔岩芯观测、钻孔孔壁窥视、围岩声波测试、近景摄像测量分析获取围岩结构指标，通过地质雷达探测、原岩应力测量分析获取围岩环境指标；
S3.3、围岩综合分级；
对获取的围岩基本指标、围岩流变指标、围岩结构指标和围岩环境指标进行打分处理，然后利用已经建立好的神经网络进行预测，根据神经网络的输出矩阵得出待测深井巷道的围岩等级。
由于采用了以上技术方案，本发明一种深井巷道围岩综合分级预测方法的积极效果和优点在于方法易行，操作简便，克服了现有围岩等级分类方法针对性较低的问题。该方法全面考虑各个围岩等级影响因素，能够有效地、针对地挖掘出其中的主要影响因素，降低影响因素的维度，以便于后续进行围岩等级预测。此外，该方法能够对各个评价指标进行明确的定义和定量的评分，合理建立起神经网络，实现了对深井巷道围岩等级的综合预测。通过为深井巷道支护设计、施工方案提供准确的围岩等级，保证施工安全，节约施工时间，降低施工成本。
附图说明
图1为本发明一种深井巷道围岩综合分级预测方法的流程图。
图2为本发明一种深井巷道围岩综合分级预测方法的层次分析流程图。
图3为本发明一种深井巷道围岩综合分级预测方法的神经网络流程图。
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井巷道围岩综合分级预测方法做进一步详细说明。
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公开提供进一步的说明。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公开所述技术领域的普通技术人员通常理解的相同含义。
一种深井巷道围岩综合分级预测方法，如附图1所示，步骤如下：
S1、如附图2所示，依据已有的深井巷道工程资料进行层次分析，建立深井巷道围岩综合分级评价指标体系；
S1.1、建立层次结构模型
根据已有的深井巷道工程资料，确定层次结构模型包括一个目标层A、四个准则层B及若干指标层C，其中，目标层A为围岩等级编码值；准则层B1～B4分别为围岩基本性质、围岩流变性质、围岩结构条件、围岩环境条件；指标层C由各个准则层B细分为若干个子指标构成，具体如表1所示。
表1层次划分
S1.2、构造比较判断矩阵
根据专家的建议以及客观的数据，依据如表2所示的1～9标度法，对各指标因素在深井巷道围岩综合分级中影响程度的相对大小进行标度对比，分别建立各个准则层B与所属目标层A之间的4×4阶判断矩阵E0、各个指标层C与所属准则层B之间的n阶判断矩阵E1～E4，n取决于当前准则层中含有的子指标个数。
表2 1～9标度法
| 尺度a<sub>ij</sub> | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| Bi比Bj的重要性 | 相同 | 稍强 | 强 | 明显强 | 绝对强 |
S1.3、计算各层次单排序
把判断矩阵E中每一列的单个元素除以该列全部元素之和，得到归一化判断矩阵E′，然后对归一化判断矩阵E′中各行元素求平均数，即可得到最大特征根λmax对应的归一化向量W。其中，特征向量W0中的各个元素表示各个准则层B相对于所属目标层A的权重值；特征向量W1～W4中的各个元素表示各个指标层C相对于所属指标层B的权重值。
S1.4、检验矩阵的一致性
根据归一化处理的判断矩阵E′和计算得到的特征向量W，分别计算最大特征根λmax及一致性指标CI，结合如表3所示的平均随机一致指标RI，依据计算相对应的一致性比例CR，当一致性比例CR小于0.1表明判断矩阵具有满意的一致性。
表3平均随机一致性指标取值
| n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
S1.5、建立评价指标体系
全部判断矩阵E满足一致性后，依据全部特征向量W，计算出指标层C对于目标层A的权重值，然后选取权重值大于0.01的子指标作为深井巷道围岩综合分级的评价指标，建立深井巷道围岩综合分级的评价指标体系。
S2、如附图3所示，依据已有的深井巷道工程资料设计神经网络，建立深井巷道围岩综合分级预测模型；
S2.1、神经网络样本采集
根据已有的深井巷道工程资料，首先对每个评价指标的实际数值定量划分区间范围，并按照1～5分制的标准对每个区间赋值，然后经过premnmx函数处理后落在区间[0,1]上，形成由评价指标构造的指标矩阵M，结合相应的围岩等级编码值构造的等级矩阵N进行整理，采集p组样本数据后形成神经网络的样本数据集，并将样本数据集均按照7:3的比例划分为训练样本集和验证样本集。
S2.2、神经网络参数确定
神经网络采用一层输入层和一层输出层，其中，输入层为指标矩阵M，输入层节点数为指标矩阵M的元素个数m；输出层为等级矩阵N，输出层节点数为等级矩阵N的元素个数n；此外，神经网络还包含一层隐含层，隐含层节点数l依据公式(1)确定，然后根据不同隐含层节点数l下的训练样本集预测结果，反复对比训练误差ε，以确定最适合的隐含层节点数l；神经网络隐含层的激活函数采用tansig函数，并且初始权值和阈值初步在(-1,1)内选取；利用初步形成的神经网络全部权值和阈值后构造种群个体，然后个体通过适应度函数计算其适应度值，经过选择、交叉和变异操作找到最优适应度值对应的个体，最后依据最优个体对神经网络的初始权值和阈值进行赋值。
l＝(m+n)0.5+0.5p (1)
S2.3、神经网络训练验证
首先选定初始学习速率η为0.1和学习步长为100，对训练样本集按照设计的神经网络进行训练，同时在训练过程中依据公式(2)对学习速率进行自适应调整，确保训练误差ε不超过0.01。然后将验证样本集运用已经训练好的神经网络对进行预测，并利用均方误差MSE、平均绝对偏差MAD和平均绝对百分误差MAPE对验证样本集的预测结果进行验证评价，确保预测的准确性。
S3、获取待测深井巷道的工程资料，依据深井巷道围岩综合分级预测模型进行等级预测。
S3.1、基本指标和流变指标获取
在待测深井巷道进行取样加工成标准岩石力学试件，通过室内物理实验获取密度、孔隙率等指标，通过单轴压缩实验获取抗压强度等指标，通过巴西圆盘实验获取抗拉强度等指标，通过三轴压缩实验获取粘聚力、内摩擦角等指标，通过压缩流变实验配合岩石流变模型反演获取粘弹性模量、粘滞系数等指标。
S3.2、结构指标和环境指标获取
在待测深井巷道进行现场检测，通过钻孔岩芯观测、钻孔孔壁窥视、围岩声波测试、近景摄像测量分析获取巷道表面围岩及深部围岩的结构面产状、密度等指标，通过地质雷达探测、原岩应力测量分析获取水压、初始应力等指标。
S3.3、围岩综合分级
对获取的围岩基本指标、围岩流变指标、围岩结构指标和围岩环境指标进行打分处理，然后利用已经建立好的神经网络进行预测，根据神经网络的输出矩阵中元素的最大值确定出待测深井巷道的围岩等级。
以上所述，仅是本发明的较佳实施例，并非对本发明作出任何限制，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效变化，均仍属于本发明技术方案的保护范围。
Claims (8)
1.一种深井巷道围岩综合分级预测方法，其特征在于，包括如下步骤：
S1、依据已有的深井巷道工程资料进行层次分析，建立深井巷道围岩综合分级评价指标体系；
S2、依据已有的深井巷道工程资料设计神经网络，建立深井巷道围岩综合分级预测模型；
S3、获取待测深井巷道的工程资料，依据深井巷道围岩综合分级预测模型进行等级预测。
2.如权利要求1所述一种深井巷道围岩综合分级预测方法，其特征在于，所述S1的具体步骤包括：
S1.1、建立层次结构模型；
根据已有的深井巷道工程资料，确定层次结构模型包括一个目标层A、四个准则层B及若干指标层C；其中，目标层A为围岩等级编码值；准则层B1~B4分别为围岩基本性质、围岩流变性质、围岩结构条件、围岩环境条件；指标层C由各个准则层B细分为若干个子指标构成；
S1.2、构造比较判断矩阵；
根据专家的建议以及客观的数据，对各指标因素在深井巷道围岩综合分级中影响程度的相对大小进行标度对比，分别建立各个准则层B与所属目标层A之间的判断矩阵E 0、各个指标层C与所属准则层B之间的判断矩阵E 1~E 4；
S1.3、计算各层次单排序；
将判断矩阵E的各个元素进行归一化，并求解相应的特征向量W；其中，特征向量W 0中的各个元素表示各个准则层B相对于所属目标层A的权重值；特征向量W 1~W 4中的各个元素表示各个指标层C相对于所属指标层B的权重值；
S1.4、检验矩阵的一致性；
根据归一化处理的判断矩阵E´和计算得到的特征向量W，计算最大特征根λ max及一致性指标CI，结合平均随机一致指标RI计算相对应的一致性比例CR，当一致性比例CR小于0.1表明判断矩阵具有满意的一致性；
S1.5、建立评价指标体系；
全部判断矩阵E满足一致性后，依据全部特征向量W，计算出指标层C对于目标层A的权重值，然后选取权重值大于0.01的子指标作为深井巷道围岩综合分级的评价指标，建立深井巷道围岩综合分级的评价指标体系。
3.如权利要求2所述一种深井巷道围岩综合分级预测方法，其特征在于，在S1.2中，所述标度对比的具体方法为把下层任意两个指标之间对于上层同一指标的相对重要性利用数值1~9进行标度。
4.如权利要求2所述一种深井巷道围岩综合分级预测方法，其特征在于，在S1.3中，所述归一化的具体方法为把判断矩阵E中每一列的单个元素除以该列全部元素之和，得到归一化判断矩阵E´；所述特征向量求解的具体方法为对归一化判断矩阵E´中各行元素求平均数，即可得到最大特征根λ max对应的归一化向量W。
5.如权利要求1所述一种深井巷道围岩综合分级预测方法，其特征在于，所述S2的具体步骤包括：
S2.1、神经网络样本采集；
根据已有的深井巷道工程资料，首先确定每个样本数据中均包括打分和处理后的评价指标构造的指标矩阵M和相应的围岩等级编码值构造的等级矩阵N，然后整理所有样本数据后形成神经网络的样本数据集，并将样本数据集按照7:3的比例划分为训练样本集和验证样本集；
S2.2、神经网络参数确定；
神经网络采用一层输入层、一层隐含层和一层输出层；其中，输入层为指标矩阵M，输入层节点数为指标矩阵M的元素个数；隐含层节点数通过反复试验确定；输出层为等级矩阵N，输出层节点数为等级矩阵N的元素个数；神经网络的激活函数采用S型函数，神经网络的初始权值和阈值通过遗传算法确定；
S2.3、神经网络训练验证；
首先选定初始学习速率和学习步长，对训练样本集按照设计的神经网络进行训练，同时在训练过程中对学习速率进行自适应调整，确保训练误差ε不超过0.01；然后将验证样本集运用已经训练好的神经网络对进行预测，并利用均方误差MSE、平均绝对偏差MAD和平均绝对百分误差MAPE对验证样本集的预测结果进行验证评价。
6.如权利要求5所述一种深井巷道围岩综合分级预测方法，其特征在于，在S2.1中，所述打分的具体方法为对每个评价指标的实际数值定量划分区间范围，并按照1~5分制的标准对每个区间赋值；所述处理的具体方法为将不同影响因素的评价分数经过premnmx函数处理后落在区间[0,1]上。
7.如权利要求5所述一种深井巷道围岩综合分级预测方法，其特征在于，在S2.2中，所述反复试验的具体方法为首先利用常用经验公式将隐含层节点数固定在一个范围内，然后获取不同隐含层节点数下的训练样本集预测结果，反复对比训练误差ε，以确定最适合的隐含层节点数；所述遗传算法的具体方法为首先形成包含神经网络全部权值和阈值的种群个体，个体通过适应度函数计算其适应度值，然后经过选择、交叉和变异操作找到最优适应度值对应的个体，最后依据最优个体对神经网络的初始权值和阈值进行赋值。
8.如权利要求1所述一种深井巷道围岩综合分级预测方法，其特征在于，所述S3的具体步骤包括：
S3.1、基本指标和流变指标获取；
在待测深井巷道进行取样加工成标准岩石力学试件，通过室内物理实验、单轴压缩实验、巴西圆盘试验和三轴压缩实验直接获取围岩基本指标，通过压缩蠕变试验配合岩石流变模型反演获取围岩流变指标；
S3.2、结构指标和环境指标获取；
在待测深井巷道进行现场检测，通过钻孔岩芯观测、钻孔孔壁窥视、围岩声波测试、近景摄像测量分析获取围岩结构指标，通过地质雷达探测、原岩应力测量分析获取围岩环境指标；
S3.3、围岩综合分级；
对获取的围岩基本指标、围岩流变指标、围岩结构指标和围岩环境指标进行打分处理，然后利用已经建立好的神经网络进行预测，根据神经网络的输出矩阵得出待测深井巷道的围岩等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258820.2A CN112365054A (zh) | 2020-11-12 | 2020-11-12 | 一种深井巷道围岩综合分级预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258820.2A CN112365054A (zh) | 2020-11-12 | 2020-11-12 | 一种深井巷道围岩综合分级预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365054A true CN112365054A (zh) | 2021-02-12 |
Family
ID=74516040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011258820.2A Withdrawn CN112365054A (zh) | 2020-11-12 | 2020-11-12 | 一种深井巷道围岩综合分级预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365054A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112987125A (zh) * | 2021-02-22 | 2021-06-18 | 中国地质大学（北京） | 一种基于测井数据的页岩脆性指数预测方法 |
| CN114240262A (zh) * | 2022-02-24 | 2022-03-25 | 加华地学(武汉)数字技术有限公司 | 基于一套单指标数据实现多种围岩质量分级的方法及系统 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102331488A (zh) * | 2011-07-06 | 2012-01-25 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩分级因素层次分析方法 |
| CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| RU2659109C1 (ru) * | 2017-08-31 | 2018-06-28 | Семен Алексеевич Горобец | Способ определения металлов в породах и флюидах зон трещиноватости |
| CN111291934A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 一种隧道施工过程中围岩实时分级预测及自检方法 |
| CN111815063A (zh) * | 2020-07-17 | 2020-10-23 | 中国环境科学研究院 | 一种井工煤矿开采环境风险预测分级方法 |
-
2020
- 2020-11-12 CN CN202011258820.2A patent/CN112365054A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102331488A (zh) * | 2011-07-06 | 2012-01-25 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩分级因素层次分析方法 |
| CN102496059A (zh) * | 2011-11-25 | 2012-06-13 | 中冶集团武汉勘察研究院有限公司 | 矿山竖井工程围岩人工智能分级方法 |
| CN105260575A (zh) * | 2015-11-17 | 2016-01-20 | 中国矿业大学 | 一种基于神经网络的巷道围岩变形预测方法 |
| RU2659109C1 (ru) * | 2017-08-31 | 2018-06-28 | Семен Алексеевич Горобец | Способ определения металлов в породах и флюидах зон трещиноватости |
| CN111291934A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 一种隧道施工过程中围岩实时分级预测及自检方法 |
| CN111815063A (zh) * | 2020-07-17 | 2020-10-23 | 中国环境科学研究院 | 一种井工煤矿开采环境风险预测分级方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112987125A (zh) * | 2021-02-22 | 2021-06-18 | 中国地质大学（北京） | 一种基于测井数据的页岩脆性指数预测方法 |
| CN114240262A (zh) * | 2022-02-24 | 2022-03-25 | 加华地学(武汉)数字技术有限公司 | 基于一套单指标数据实现多种围岩质量分级的方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365054A (zh) | 一种深井巷道围岩综合分级预测方法 | |
| CN109241627B (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN113820750B (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
| 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 | |
| CN115166853A (zh) | 页岩气藏天然裂缝模型建立方法、装置、电子设备及介质 | |
| CN110717689A (zh) | 一种露天矿矿岩台阶岩体可爆性分级评价方法 | |
| CN115577645B (zh) | 一种燃爆压裂破裂范围预测模型的构建方法及预测方法 | |
| CN111079810A (zh) | 基于支持向量机的隧道围岩等级预测方法 | |
| CN105046080A (zh) | 一种岩体质量评价方法 | |
| CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
| CN114036831A (zh) | 一种待检测工程场地边坡的岩土力学参数的实时检测方法 | |
| CN116537773B (zh) | 一种考虑参数不确定性的页岩储层可压性置信度评价方法 | |
| CN112329255A (zh) | 基于倾向度和未确知测度的岩爆预测方法 | |
| CN115391938B (zh) | 一种剪切作用下全长黏结锚杆破坏模式判识方法 | |
| CN117094222A (zh) | 基于神经网络的岩土体物性参数推演物理力学指标方法 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| Zhang et al. | Stability classification model of mine-lane surrounding rock based on distance discriminant analysis method | |
| Bheemasetti | Spatial variability models and prediction analysis of soil properties using geostatistics | |
| CN112132416A (zh) | 基于PageRank算法的工程勘察质量精细化评价方法 | |
| CN111797575A (zh) | 一种深层页岩压裂工艺参数优化方法 | |
| CN112818439A (zh) | 一种软岩隧道围岩亚级分级方法 | |
| CN114492627B (zh) | 一种基于改进knn算法的页岩脆性指数预测方法 | |
| CN115182395B (zh) | 一种海底地层稳定性评估预测方法及系统 | |
| CN117078106B (zh) | 一种爆破岩体质量综合评价及指标权重敏感性分析方法 | |
| CN117973191B (zh) | 一种基于随钻测试的围岩综合劣化度实时评价方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210212 |
|
| WW01 | Invention patent application withdrawn after publication |