CN112614021A - 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 - Google Patents

一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 Download PDF

Info

Publication number
CN112614021A
CN112614021A CN202011547734.3A CN202011547734A CN112614021A CN 112614021 A CN112614021 A CN 112614021A CN 202011547734 A CN202011547734 A CN 202011547734A CN 112614021 A CN112614021 A CN 112614021A
Authority
CN
China
Prior art keywords
tunnel
geological information
surrounding rock
information
geological
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
CN202011547734.3A
Other languages
English (en)
Other versions
CN112614021B (zh
Inventor
张琦
王宁
李建春
蒋擎
何磊
张宸浩
沈益鑫
郑彦龙
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011547734.3A priority Critical patent/CN112614021B/zh
Publication of CN112614021A publication Critical patent/CN112614021A/zh
Application granted granted Critical
Publication of CN112614021B publication Critical patent/CN112614021B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，通过数据预处理和格式化将工程地质信息进行分类存储，并利用聚类算法对已建隧道信息进行数据筛选；进而基于数据筛选的基础上建立BP神经网络预测模型，进行训练并验证模型的可靠性；最终利用训练完善的模型预测隧道未知断面的围岩地质信息；该基于已建隧道信息智能识别的隧道围岩地质信息预测模型具有较好的普适性和较高的预测精度，能够充分考虑已建隧道工程围岩数据，并对隧道围岩地质信息进行推断和动态更新，从而获得更加可靠的围岩地质信息用于隧道工程的精细化分析和设计，其适用于绝大多数隧道围岩地质信息的预测。

Description

一种基于已建隧道信息智能识别的隧道围岩地质信息预测 方法
技术领域
本发明涉及一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，属于岩体隧道工程技术领域。
背景技术
在隧道工程中，岩体本身由于各种复杂地质过程的影响，其地质信息的获取具有时间渐进性、空间变异性和局部信息难以获得等特点。在工程具体实施的过程中，受制于地质信息的各种不确定性，往往需要根据已建隧道信息对在建隧道工程地质信息进行推断，因此为准确评价在建隧道工程围岩地质信息，需要在考虑多种不确定性影响的基础上基于已建隧道围岩地质信息的智能识别，通过在建隧道工程地质进行数据筛选，选择近似隧道工程地质的数据进行机器学习，以此获取工程地质信息快速预测的依据，从而减低因工程地质不确定性所带来的安全问题。
发明内容
本发明提供一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，克服现有技术中的缺陷，解决已建隧道工程隧道围岩地质信息利用不足及隧道围岩地质预测模型精度低的问题。
本发明解决其技术问题所采用的技术方案是：
一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，具体包括以下步骤：
第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；
第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；
第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；
第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；
第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型；
作为本发明的进一步优选，在第一步中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的围岩不连续面条件评分以及定义为R4的地下水评分；其总分R＝R1+R2+R3+R4；
作为本发明的进一步优选，在第二步中，K-means聚类算法是针对给定样本集D＝{x1,x2,x3,…,xn}的簇划分C＝{C1,C2,C3,…,Cn}的最小化平方误差，其中平方误差的表达式为：
Figure BDA0002856916230000021
Figure BDA0002856916230000022
其中，x为隧道围岩地质信息样本，Ci为第i个簇，μi为簇Ci的均值向量，E为平方误差；
作为本发明的进一步优选，第二步中，将隧道围岩地质信息各项指标于不同断面上的均值放入参考数据中，以少数代表性断面与已开挖面围岩样本作为聚类中心，运行K-means聚类算法，对样本进行簇划分并更新聚类中心，迭代若干次后，形成稳定的簇划分，从而剔除地质条件差异过大的数据，建立合适稳定的数据集；
作为本发明的进一步优选，第三步中，已开挖断面隧道围岩地质信息包括已建隧道工程各断面的地质信息，以及在建隧道已开挖的断面地质信息；
待开挖断面隧道围岩地质信息为在建隧道的未开挖断面地质信息；
作为本发明的进一步优选，第四步中，均方根误差用于衡量模型预测值与真实值之间的偏差，其表达式为：
Figure BDA0002856916230000023
其中，m为地质信息数据的数目，xi为真实值，
Figure BDA0002856916230000024
为预测值；
作为本发明的进一步优选，第四步中，随机搜索法利用模拟生成的随机数计算表达式的极小值，从而求得函数近似最优解，采取的具体方法为模拟退火算法。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
1、本发明通过数据预处理、格式化将工程地质信息进行分类存储，能够有效归纳已建隧道工程地质信息，进而建立完善可靠的隧道围岩地质信息数据库，为隧道围岩地质信息预测模型的建立提供关键基础保证；
2、本发明通过聚类算法对数据库中的围岩数据进行筛选，能够充分考虑岩体本身存在的多种不确定性，精确筛选得到地质条件相似的隧道围岩地质数据用于机器学习以达到智能识别的目的，同时高关联度的数据集也会使得建立的最终预测模型具有较好的普适性和较高的预测精度；
3、本发明通过将开挖过程中新获得的地质信息融入BP神经网络预测模型的训练中，进一步完善预测模型，增加数据支撑的同时，提高预测断面附近地质信息的可信度，能够有效提升模型预测结果的精度，从而实时预测获取开挖面前方地质情况，及时调整施工和支护手段，减低因工程地质不确定性所带来的安全问题。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的基于已建隧道信息智能识别的隧道围岩地质信息预测方法流程示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
本申请旨在提供一种获取工程地质信息快速预测的依据，从而降低因工程地质不确定性所带来的安全问题；图1所示，是整个预测方法流程示意图，从图中可以看出整个流程示意图包括几个步骤：数据存储、数据筛选、建立模型、训练模型以及模型预测，即通过数据预处理和格式化将工程地质信息进行分类存储，并利用聚类算法对已建隧道数据进行数据筛选；进而基于数据筛选的基础上建立BP神经网络预测模型，进行训练并验证模型的可靠性；最终利用训练完善的模型预测隧道未知断面的围岩地质信息；
具体的，包括以下步骤：
第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；
其中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的围岩不连续面条件评分以及定义为R4的地下水评分；其总分R＝R1+R2+R3+R4。
第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；
其中，K-means聚类算法是针对给定样本集D＝{x1,x2,x3,…,xn}的簇划分C＝{C1,C2,C3,…,Cn}的最小化平方误差，其中平方误差的表达式为：
Figure BDA0002856916230000041
Figure BDA0002856916230000042
其中，x为隧道围岩地质信息样本，Ci为第i个簇，μi为簇Ci的均值向量，E为平方误差；最小化平方误差直观上使簇内样本围绕均值向量达到最紧密，即簇内样本相似度最高，完成了聚类的目的；
将隧道围岩地质信息各项指标于不同断面上的均值放入参考数据中，以少数代表性断面与已开挖面围岩样本作为聚类中心，运行K-means聚类算法，对样本进行簇划分并更新聚类中心，迭代若干次后，形成稳定的簇划分，从而剔除地质条件差异过大的数据，建立合适稳定的数据集。
第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；
其中，已开挖断面隧道围岩地质信息包括已建隧道工程各断面的地质信息，以及在建隧道已开挖的断面地质信息；待开挖断面隧道围岩地质信息为在建隧道的未开挖断面地质信息，且距离开挖断面越近，模型预测的精度越高。
第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；
其中，均方根误差用于衡量模型预测值与真实值之间的偏差，其表达式为：
Figure BDA0002856916230000051
其中，m为地质信息数据的数目，xi为真实值，
Figure BDA0002856916230000052
为预测值；
随机搜索法利用模拟生成的随机数计算表达式的极小值，从而求得函数近似最优解，采取的具体方法为模拟退火算法。
第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型。
基于上述预测方法，提供一种实施例：
以某工程的隧道围岩地质信息预测为例，已拥有数条隧道、多断面的围岩地质信息，同时在建隧道已开挖三分之一，需要对隧道开挖前方未知断面围岩地质信息进行预测，
第一步，实施例的预测对象为隧道围岩地质信息，其中包括R1为围岩强度，R2为围岩不连续面数目，R3为围岩不连续面条件评分，R4为地下水评分，R＝R1+R2+R3+R4。基于已拥有数条隧道、多断面的实测围岩地质信息，通过数据的预处理和格式化，采用最小-最大规范化的方式，根据已有数据集范围内的最大值与最小值对原始数据进行线性变换，变换到[0,1]区间，在维持数据特征的同时，有利于机器学习的开展；进而获取隧道围岩地质信息各项指标于不同隧道不同断面上的均值，通过将各数据按围岩—断面—地质信息的形式整理归纳，分类存储相关已建隧道工程的地质信息，建立隧道围岩地质信息数据库；
第二步，利用K-means聚类算法对数据库中的围岩数据进行筛选，选定在建隧道工程的掌子面作为待聚类目标，采集掌子面上地质信息，确定4个指标项的聚类中心和聚类组合，采用K-means聚类算法对待聚类样本(已建隧道工程所采集的标准化多源地质融合信息)进行簇划分，K-means聚类算法是针对给定样本集D＝{x1,x2,x3,…,xn}的簇划分C＝{C1,C2,C3,…,Cn}，最小化平方误差，其中平方误差的表达式为：
Figure BDA0002856916230000053
Figure BDA0002856916230000054
其中，x为隧道围岩地质信息样本，Ci为第i个簇，μi为簇Ci的均值向量，E为平方误差；最小化平方误差直观上使簇内样本围绕均值向量达到最紧密，即簇内样本相似度最高，完成了聚类的目的。
将样本表示为xk＝{R1k，R2k，R3k，R4k，Rk}，以少数代表性断面与已开挖面围岩样本作为聚类中心，应用K-means聚类算法，对样本进行簇划分并更新聚类中心，迭代若干次后，形成稳定的簇划分，从而得到与在建岩体隧道工程掌子面关联度较高的聚类样本组；重复上述过程，对所有的标准化多源地质融合信息进行筛选，筛选得到隧道围岩地质信息高关联数据链，剔除地质条件差异过大的数据，建立合适稳定的数据集，为开展机器学习可靠有效的数据基础；
第三步，建立BP神经网络预测模型进行工程地质机器学习，其包含输入层、输出层与隐层。其中，模型的输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；已开挖断面隧道围岩地质信息为已建隧道工程各断面的地质信息，以及在建隧道的已开挖的断面地质信息；待开挖断面隧道围岩地质信息为在建隧道的未开挖断面地质信息。
正向计算时，隐层第h个神经元的输入为
Figure BDA0002856916230000061
其中，d为输入神经元个数，vih为输入层第i个神经元与隐层第h个神经元之间的连接权，xi为第i个训练样本。输出层第j个神经元的输入为
Figure BDA0002856916230000062
其中，q为隐层神经元的个数，whj为隐层第h个神经元与输出层第j个神经元之间的连接权，bh为隐层第h个神经元的输出。建立BP神经网络预测模型将训练集带入进行正向计算，然后根据输出值与实际值误差，进行误差逆传播算法修正，最小化每个训练样本的均方误差
Figure BDA0002856916230000063
其中，
Figure BDA0002856916230000064
为第k组属性第j个训练样本的输出值，
Figure BDA0002856916230000065
为第k组属性第j个训练样本的实际值，或最小化累计误差
Figure BDA0002856916230000066
其中，m为训练样本的属性值数。完成模型训练。
BP神经网络预测模型具有易过拟合的缺陷，基于“早停”和“正则化”原则，需采用其他算法对BP神经网络进行优化改善。本实例中，输入层即为前序断面的围岩地质信息R，R1，R2，R3，R4，输出层为后序断面围岩地质信息(最好将新的地质信息与前断面地质信息做一个区分)R，R1，R2，R3，R4，训练样本为筛选得到的断面地质数据。由于不同隧道间的围岩地质信息数据可能有较大的差别，故不同隧道的样本不在一个模型中训练，而对每个关联的隧道都建立一个神经网络模型，最后形成基于n个有关联隧道的n个关系模型，对这些关系模型，按照各隧道中样本的个数为权重进行综合，得到所需的待测隧道前后断面关系模型；
第四步，将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的已建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差(RMSE)作为预测准确度评判标准，均方根误差用于衡量模型预测值与真实值之间的偏差，其表达式为：
Figure BDA0002856916230000071
其中m为地质信息数据的数目，xi为真实值，
Figure BDA0002856916230000072
为预测值；
采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，随机搜索法可利用模拟生成的随机数计算表达式的极小值，从而求得函数近似最优解。
本实例中采取的算法为随机搜索法中的模拟退火算法，
模拟退火算法具体步骤如下：
Step1：设定初始温度T＝Tmax，任意挑选初始解x＝x0；
Step2：从x的邻域中随机挑选一个解xT，计算x和xT所对应的目标函数值，若E(xT)-E(x)<0，令x＝xT；否则只有当exp(-(E(xT)-E(x))/T)>random(0,1)时，令x＝xT；
Step3：当所建立的目标函数均值不稳定，或连续若干步的目标函数值变化显著，或未达到抽样步数时，重复Step2；
Step4：降低温度T，若未达到达到预定的终止温度，或未达到预定的迭代次数，或函数的最优值不能保持稳定不变，则重复Step2；否则循环停止，得到函数近似最优解；
其中，在温度为T时，系统从E(xold)到E(xnew)的接受概率P为：
Figure BDA0002856916230000073
通过模拟退火算法优化神经网络模型，进而利用训练集与验证集多组多次训练神经网络模型，初步建立本实施例的隧道围岩地质信息预测模型。
第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息；此时的预测模型为初步的预测模型，为此提高预测面附近断面的地质信息权重，能够有效改善模型，提高模型的预测精度。
随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到模型中，通过将新获得的地质信息不断融入BP神经网络预测模型的训练中，进一步完善预测模型，增加数据支撑的同时，提高预测断面附近地质信息的可信度，能够有效提升模型预测结果的精度，实时预测获取开挖面前方地质情况，最终实现基于已建隧道信息智能识别的隧道围岩地质信息预测。
通过上述实施例的验证，可以得知该基于已建隧道信息智能识别的隧道围岩地质信息预测模型具有较好的普适性和较高的预测精度，能够充分考虑已建隧道工程围岩数据，并对隧道围岩地质信息进行推断和动态更新，从而获得更加可靠的围岩地质信息用于隧道工程的精细化分析和设计，其适用于绝大多数隧道围岩地质信息的预测。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：具体包括以下步骤：
第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；
第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；
第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；
第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；
第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型。
2.根据权利要求1所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：在第一步中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的围岩不连续面条件评分以及定义为R4的地下水评分；其总分R＝R1+R2+R3+R4。
3.根据权利要求1所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：在第二步中，K-means聚类算法是针对给定样本集D＝{x1,x2,x3,…,xn}的簇划分C＝{C1,C2,C3,…,Cn}的最小化平方误差，其中平方误差的表达式为：
Figure FDA0002856916220000011
Figure FDA0002856916220000021
其中，x为隧道围岩地质信息样本，Ci为第i个簇，μi为簇Ci的均值向量，E为平方误差。
4.根据权利要求3所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：第二步中，将隧道围岩地质信息各项指标于不同断面上的均值放入参考数据中，以少数代表性断面与已开挖面围岩样本作为聚类中心，运行K-means聚类算法，对样本进行簇划分并更新聚类中心，迭代若干次后，形成稳定的簇划分，从而剔除地质条件差异过大的数据，建立合适稳定的数据集。
5.根据权利要求1所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：第三步中，已开挖断面隧道围岩地质信息包括已建隧道工程各断面的地质信息，以及在建隧道已开挖的断面地质信息；
待开挖断面隧道围岩地质信息为在建隧道的未开挖断面地质信息。
6.根据权利要求1所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：第四步中，均方根误差用于衡量模型预测值与真实值之间的偏差，其表达式为：
Figure FDA0002856916220000022
其中，m为地质信息数据的数目，xi为真实值，
Figure FDA0002856916220000023
为预测值。
7.根据权利要求6所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：第四步中，随机搜索法利用模拟生成的随机数计算表达式的极小值，从而求得函数近似最优解，采取的具体方法为模拟退火算法。
CN202011547734.3A 2020-12-24 2020-12-24 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 Active CN112614021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011547734.3A CN112614021B (zh) 2020-12-24 2020-12-24 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011547734.3A CN112614021B (zh) 2020-12-24 2020-12-24 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法

Publications (2)

Publication Number Publication Date
CN112614021A true CN112614021A (zh) 2021-04-06
CN112614021B CN112614021B (zh) 2022-11-18

Family

ID=75244646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011547734.3A Active CN112614021B (zh) 2020-12-24 2020-12-24 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法

Country Status (1)

Country Link
CN (1) CN112614021B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255990A (zh) * 2021-05-21 2021-08-13 上海隧道工程有限公司 盾构法隧道施工开挖面土质实时预测系统及方法
CN113431635A (zh) * 2021-05-20 2021-09-24 上海交通大学 半监督的盾构隧道掌子面地质类型预估方法及系统
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559372A (zh) * 2013-11-20 2014-02-05 中铁十三局集团第一工程有限公司 隧道开挖施工断面大拱脚crd分层进尺动态分析方法及装置
CN109145520A (zh) * 2018-10-22 2019-01-04 重庆大学 基于数字图像和大数据的土石混合体隧道设计方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559372A (zh) * 2013-11-20 2014-02-05 中铁十三局集团第一工程有限公司 隧道开挖施工断面大拱脚crd分层进尺动态分析方法及装置
CN109145520A (zh) * 2018-10-22 2019-01-04 重庆大学 基于数字图像和大数据的土石混合体隧道设计方法
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113431635A (zh) * 2021-05-20 2021-09-24 上海交通大学 半监督的盾构隧道掌子面地质类型预估方法及系统
CN113431635B (zh) * 2021-05-20 2022-06-10 上海交通大学 半监督的盾构隧道掌子面地质类型预估方法及系统
CN113255990A (zh) * 2021-05-21 2021-08-13 上海隧道工程有限公司 盾构法隧道施工开挖面土质实时预测系统及方法
CN113255990B (zh) * 2021-05-21 2024-05-03 上海隧道工程有限公司 盾构法隧道施工开挖面土质实时预测系统及方法
CN115688251A (zh) * 2022-12-19 2023-02-03 山东大学 基于深度学习的地震多发区隧道风险决策方法及系统

Also Published As

Publication number Publication date
CN112614021B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN112614021B (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
WO2020125668A1 (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
CN105760673A (zh) 一种河流相储层地震敏感参数模板分析方法
CN115906675B (zh) 基于时序多目标预测模型的井位及注采参数联合优化方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
CN116050670B (zh) 一种基于数据驱动的道路养护决策方法及系统
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
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN116502455A (zh) 一种激光选区熔化技术的工艺参数确定方法及系统
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN111652444B (zh) 一种基于K-means和LSTM的日游客量预测方法
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN110263125B (zh) 一种基于极限学习机的服务发现方法
CN116189794A (zh) 一种夯土水盐含量测量方法
CN113283173B (zh) 地下工程能量与参数综合反分析系统及其方法
CN114881171A (zh) 基于卷积神经网络的陆相页岩油岩相类型识别方法及系统
CN114818493A (zh) 一种隧道岩体完整程度定量评价的方法
CN103049463A (zh) 一种基于粗集理论的地震属性优选方法
CN110852178A (zh) 基于提升决策树的钢琴乐谱难度识别方法
CN112529403B (zh) 一种运用神经网络算法确定建设用地面积影响因素权重值的方法
CN103048686A (zh) 一种快速求出地震属性约简的方法
CN111370068B (zh) 一种蛋白质异构体对相互作用预测方法及装置
CN117763356A (zh) 一种基于LightGBM算法的地震相快速识别方法

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