CN113283173B - 地下工程能量与参数综合反分析系统及其方法 - Google Patents
地下工程能量与参数综合反分析系统及其方法 Download PDFInfo
- Publication number
- CN113283173B CN113283173B CN202110603142.7A CN202110603142A CN113283173B CN 113283173 B CN113283173 B CN 113283173B CN 202110603142 A CN202110603142 A CN 202110603142A CN 113283173 B CN113283173 B CN 113283173B
- Authority
- CN
- China
- Prior art keywords
- module
- energy
- neural network
- antibody
- inversion
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000010276 construction Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013500 data storage Methods 0.000 claims abstract description 23
- 239000011435 rock Substances 0.000 claims description 95
- 238000012360 testing method Methods 0.000 claims description 61
- 210000002569 neuron Anatomy 0.000 claims description 33
- 239000000427 antigen Substances 0.000 claims description 26
- 108091007433 antigens Proteins 0.000 claims description 26
- 102000036639 antigens Human genes 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 18
- 210000004027 cell Anatomy 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000012669 compression test Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 4
- 108700028369 Alleles Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012351 Integrated analysis Methods 0.000 claims 5
- 230000016784 immunoglobulin production Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000003405 preventing effect Effects 0.000 description 2
- 241000213006 Angelica dahurica Species 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 108700026220 vif Genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公布了一种地下工程能量与参数综合反分析系统及其方法，包括反演问题输入模块，所述反演问题输入模块的输出端与反分析问题识别模块的输入端相连，所述反分析问题识别模块的输出端与训练样本读取模块的一个输入端相连，所述数据储存模块的输出端与训练样本读取模块的另一个输入端相连，所述训练样本读取模块的输出端与数据处理模块的输入端相连，所述数据处理模块的输出端与映射关系构建模块的输入端相连，所述映射关系构建模块的输出端与反分析问题求解模块的输入端相连；本发明方法可以通过利用以往的实验数据对BP神经网络进行训练，只需知道冲击气压、冲击速度、围压、温度、应变率、长径比、密度即可反演出能量。
Description
技术领域
本发明涉及地下工程领域，具体涉及一种地下工程能量与参数综合反分析系统及其方法。
背景技术
在隧道开挖、爆破、钻井等地下工程建设中产生的动力扰动会使岩体遭受较为强烈的动荷载作用，岩石材料在动荷载作用下的损伤或断裂伴随着能量聚集、转移、消耗、释放。此外，随着地下工程建设不断向深部发展，岩体所处地质环境趋于复杂，在地下工程建设中常会受到高地应力、高地温的影响。随着埋深的增加，高地应力、高地温对深部岩石储存能量的影响越大，岩石内部储存的能量就越多，受开挖扰动的影响就越大，进而会诱发岩爆、冒顶、岩块弹射等动力灾害发生。因此，研究深部岩石材料在动荷载作用下的能量耗散特征、力学特性，对地下工程建设中预防动力学灾害具有重要的基础意义。
目前，对于岩石在动荷载作用下的能量耗散特征的研究主要是基于实验的手段，建立相应的理论体系对其研究，尚缺少利用智能算法对岩体能量耗散进行反演研究。因此，本发明利用智能算法对岩体能量进行反演研究，可对地下工程灾害的预防和调控提供新思路和新方法，对地下工程建设中动力学灾害问题的研究具有一定的借鉴意义。
发明内容
本发明要解决的技术问题是提供一种地下工程能量与参数综合反分析系统及其方法，该系统及其方法通过已有的实验样本，利用IA-BP算法实现对岩体能量及参数的反演。
为了解决现有技术存在的问题，本发明采用以下技术方案：
地下工程能量与参数综合反分析系统，包括反演问题输入模块、反分析问题识别模块、数据储存模块、训练样本读取模块、数据处理模块、映射关系构建模块、反分析问题求解模块；所述反演问题输入模块的输出端与反分析问题识别模块的输入端相连，所述反分析问题识别模块的输出端与训练样本读取模块的一个输入端相连，所述数据储存模块的输出端与训练样本读取模块的另一个输入端相连，所述训练样本读取模块的输出端与数据处理模块的输入端相连，所述数据处理模块的输出端与映射关系构建模块的输入端相连，所述映射关系构建模块的输出端与反分析问题求解模块的输入端相连；
所述反演问题输入模块用于根据实际需要，输入需要反演的变量及变量个数；
所述反分析问题识别模块用于根据反演问题输入模块提供的变量信息及变量个数选取合适的反演方法；
所述数据储存模块用于获取利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据；
所述训练样本读取模块用于根据反分析问题识别模块所提供的反演方法，选择对应的训练样本；
所述数据处理模块用于对训练样本读取模块所提取的数据进行处理，将所获得的数据划分为训练集和测试集；
所述映射关系构建模块用于对数据处理模块中得到的训练样本进行训练，利用测试集对训练出来的结果进行检验，直至达到实际的需求，最终确定输入与输出之间良好的映射关系；
所述反分析问题求解模块用于利用映射关系构建模块训练好的神经网络样本实现对所需要反演问题的求解。
进一步地，所述反演的变量包括反演能量参数、反演强度参数、反演平均破碎块度和分形维数；
所述反演方法包括岩体能量反演问题、强度参数反演问题、平均破碎块度和分形维数反演问题；
利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据包括反演岩体能量数据、反演强度参数数据，反演平均破碎块度和分形维数数据；
所述数据存储模块格式为xlsx或xls；
所述映射关系构建模块通过IA-BP算法来构建输入与输出的映射关系。
地下工程能量与参数综合反分析方法，包括基于IA-BP算法的地下工程岩体能量反演方法、基于IA-BP算法的地下工程岩石强度参数的反演方法、基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法。
进一步地，所述基于IA-BP算法的地下工程岩体能量反演方法包括以下步骤：
S11：利用分离式霍普金森压杆对岩石试件进行动态冲击压缩试验，得到N组样本数据，将得到的N组样本数据储存到数据储存模块；
S12：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S13：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S14：免疫算法参数初始化；
S15：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S16：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
进一步地，所述步骤S11获得的样本数据包括：冲击气压、冲击速度、围压、应变率，温度、岩石试件的高径比、岩石密度、反射能、透射能、耗散能、能量吸收率；其中，反射能、透射能、耗散能、能量吸收率为因变量，剩余的为特征变量：
所述反射能、透射能、耗散能及能量吸收率的计算表达式如下：
Ws(t)＝WI(t)-WR(t)-WT(t) (1)
式中，Ws(t)、WI(t)、WR(t)、WT(t)分别表示耗散能、入射能、反射能和透射能，其中入射能、反射能和透射能按式(2)-(4)计算：
用能量吸收率ω来表示岩石动态破坏过程中能量的利用效率：
式中，E0、A0、C0分别为弹性杆的弹性模量、横截面积和弹性杆中的波速；小标I、R、T分别是指入射波、反射波、透射波；
所述步骤S12包括以下步骤：
对步骤S11获得的实验数据随机排列，选取0.8×N个数据集作为训练集train，剩余数据集作为测试集test，其中0.8×N取小于等于其具体指的整数；
所述步骤S13中BP神经网络参数设置包括以下步骤：
建立由输入层、隐含层、输出层组成的BP神经网络拓扑结构；
所述输入层和隐含层之间采用S型正切函数tansig，所述隐含层与输出层之间采用线性函数purelin，BP神经网络误差训练函数选用动量梯度下降函数traingdm；
所述隐含层神经元个数的取值范围按下式进行计算：
式中，h表示隐含层神经元个数，m表示输入层神经元个数，n表示输出层神经元个数；a为1～10的调节常数；
所述步骤S14免疫算法参数初始化包括：设定免疫基因的个数、种群数、进化代数、交叉概率、变异概率、抗体浓度阈值，免疫基因个数按下式进行计算：
P＝A1×B+A2×B+A1+A2 (7)
进一步地，所述步骤S15利用免疫算法优化BP神经网络对实验样本进行训练包括以下步骤：
步骤S15.1：将BP神经网络的误差作为免疫算法中的抗原，将BP神经网络的连接权值和阈值作为免疫算法中的抗体；
步骤S15.2：计算抗原与抗体的亲和度以及抗体和抗体之间亲和度，找到抗原亲和度高的抗体加入记忆细胞；其中抗体v和抗原w的亲和度：
式中，抗体v和抗原w的结合强度用optv表示，对于最优解，axv,w＝1(optv,w＝0)，此时抗原和抗体的匹配度最高；
抗体v和抗体m的亲和度为：
式中，E(2)表示v和m的平均信息熵；平均信息熵为：
式中，N为抗体数，M为基因个数，若为二进制数K就是2，pij为选择第i个抗体的第j位等位基因的概率；
步骤S15.3：利用上述步骤S15.2中得到的新抗体替代与之亲和度高的抗体来更新记忆细胞；
步骤S15.4：计算抗体v的期望值，消除期望值低的抗体，选择亲和度高、低密度的个体；抗体v的期望值和密度按下式进行计算。
式中，ev、cv分别表示抗体v的期望值和密度，axv,w为抗体v和抗原w的亲和度，qk为和抗体k有较大亲和力的抗体，N为抗体数；
步骤S15.5：交叉变异产生下一代抗体。
步骤S15.6：满足迭代次数停止更新记忆细胞。
步骤S15.7：从上述步骤S15.5中产生的记忆细胞中选取亲和度高的抗体将其作为BP神经网络的权值和阈值对BP神经网络进行优化。
所述基于IA-BP算法的地下工程岩石强度参数的反演方法，包括以下步骤：
S21利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中。
S22：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S23：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S24：免疫算法参数设定。
S25：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S26：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
进一步地，所述步骤S21获得样本数据包括：冲击气压、岩石试件的高径比、岩石密度、动态抗压强度、峰值应变、变形模量；其中，动态抗压强度、峰值应变、变形模量为因变量，剩余的为特征变量；
所述基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法，包括以下步骤：
S31：利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中；
S32：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S33：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S34：免疫算法参数设定。
S35：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S36：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
进一步地，所述步骤S31获得样本数据包括：冲击气压、围压、温度、岩石试件的高径比、岩石密度、平均破碎块度、分形维数；其中，平均破碎块度、分形维数为因变量，剩余的为特征变量；
进一步地，所述平均破碎块度按下式进行计算：
式中，di为不同孔径下的岩石块度尺寸；ri为当筛孔直径为di时，对应的碎块质量百分比；
所述分形维数按下式进行计算：
M(x)/MT＝(x/xm)3-D (14)
式中，MT表示碎块的总质量；M(x)表示筛下累计质量；x表示碎块的粒径；xm表示碎块的最大粒径；D为碎块分布的分形维数；
将上式两边同时取对数得：
lg(M(x)/MT)＝(3-D)lg(x/xm) (15)
以lg(x/xm)为横坐标，lg(M(x)/MT)为纵坐标，进行曲线拟合，得出来的斜率即为3-D，从而求得分形维数D。
本发明所具有的优点和有益效果是：
(1)本发明提供一种基于智能算法对地下工程岩体能量的反演方法，该方法可以通过利用以往的实验数据对BP神经网络进行训练，利用该方法进行反演时，只需知道冲击气压、冲击速度、围压、温度、应变率、长径比、密度即可反演出能量。
(2)利用免疫算法优化BP神经网络。该混合算法既可以利用免疫算法全局寻优的特点快速搜索到全局最优解或次优解附近，又可以采用BP算法去避免在最优解和次优解附近发生震荡，对其进行局部优化，从而达到快速收敛全局最优解的目的，从而提高反演精度。
(3)该应用系统的反演问题模块含有3种可反演的问题以及数据储存模块含有对应所需反演问题的训练样本，不仅可以反演岩体的能量，还可以反演岩石的强度参数、平均破碎块度及分形维数。
附图说明
图1为地下工程智能算法反分析方法与系统流程图；
图2为应用系统构建图；
图3为基于IA-BP算法进行反演时的流程图；
图4为对能量进行反演时BP神经网络的结构图；
图5为对岩石力学参数进行反演时BP神经网络的结构图；
图6为对岩石进行平均破碎块度及分形维数反演时BP神经网络的结构图；
图7为免疫算法优化BP神经网络的流程图。
具体实施方式
以下结合本发明实施例中的附图来对本发明的技术方案进行完整清晰的描述。
如图1、2所示，本发明地下工程能量与参数综合反分析系统，包括反演问题输入模块1、反分析问题识别模块2、数据储存模块3、训练样本读取模块4、数据处理模块5、映射关系构建模块、6反分析问题求解模块7；所述反演问题输入模块的输出端与反分析问题识别模块的输入端相连，所述反分析问题识别模块的输出端与训练样本读取模块的一个输入端相连，所述数据储存模块的输出端与训练样本读取模块的另一个输入端相连，所述训练样本读取模块的输出端与数据处理模块的输入端相连，所述数据处理模块的输出端与映射关系构建模块的输入端相连，所述映射关系构建模块的输出端与反分析问题求解模块的输入端相连；
所述反演问题输入模块用于根据实际需要，输入需要反演的变量及变量个数；
所述反分析问题识别模块用于根据反演问题输入模块提供的变量信息及变量个数选取合适的反演方法；
所述数据储存模块用于获取利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据；
所述训练样本读取模块用于根据反分析问题识别模块所提供的反演方法，选择对应的训练样本；
所述数据处理模块用于对训练样本读取模块所提取的数据进行处理，将所获得的数据划分为训练集和测试集；
所述映射关系构建模块用于对数据处理模块中得到的训练样本进行训练，利用测试集对训练出来的结果进行检验，直至达到实际的需求，最终确定输入与输出之间良好的映射关系；
所述反分析问题求解模块用于利用映射关系构建模块训练好的神经网络样本实现对所需要反演问题的求解。
所述反演的变量包括反演能量参数、反演强度参数、反演平均破碎块度和分形维数；
所述反演方法包括岩体能量反演问题、强度参数反演问题、平均破碎块度和分形维数反演问题；
利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据包括反演岩体能量数据、反演强度参数数据，反演平均破碎块度和分形维数数据；
所述数据存储模块格式为xlsx或xls；
所述映射关系构建模块通过IA-BP算法来构建输入与输出的映射关系。
所述IA-BP算法构建输入与输出的映射关系包括以下步骤：
①BP神经网络结构参数：设置BP神经网络中输入层、输出层、隐含层神经元个数、迭代次数、学习率、目标精度等参数。
②免疫算法参数初始化：设置免疫算法中免疫基因个数、种群数、进化代数、交叉概率、变异概率、抗体浓度阈值等参数。
③识别抗原，初始抗体产生：将BP神经网络的误差作为免疫算法中的抗原，将BP神经网络的连接权值和阈值作为免疫算法中的抗体。
④亲和度计算：计算抗原与抗体的亲和度以及抗体和抗体之间亲和度，找到抗原亲和度高的抗体加入记忆细胞。
⑤记忆细胞分化：利用上述步骤四中得到的新抗体替代与之亲和度高的抗体来更新记忆细胞。
⑥抗体产生的促进和抑制。计算抗体v的期望值，消除期望值低的抗体，选择亲和度高、低密度的个体。
⑦新抗体产生：交叉变异产生下一代抗体，满足迭代次数停止更新记忆细胞。
⑧从上述步骤⑦中产生的记忆细胞中选取亲和度高的抗体将其作为BP神经网络的权值和阈值对BP神经网络进行优化。
所述的地下工程能量与参数综合反分析系统的反分析方法，包括基于IA-BP算法的地下工程岩体能量反演方法、基于IA-BP算法的地下工程岩石强度参数的反演方法、基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法。
当需要进行基于IA-BP算法的地下工程岩体能量反演方法时，在反演问题输入模块中选择反演能量参数，反分析问题识别模块识别到反演问题输入模块中的反演能量参数的命令，选择基于IA-BP算法的地下工程岩体能量反演方法。
当需要进行基于IA-BP算法的地下工程岩石强度参数的反演方法时，在反演问题输入模块中选择反演强度参数，反分析问题识别模块识别到反演问题输入模块中的反演强度参数的命令，选择基于IA-BP算法的地下工程岩石强度参数的反演方法。
当需要进行基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法时，在反演问题输入模块中选择反演平均破碎块度和分形维数，反分析问题识别模块识别到反演问题输入模块中的反演平均破碎块度和分形维数的命令，选择基于IA-BP算法的地下工程岩体平均破碎块度和分形维数的反演方法。
实施例1：
分离式霍普金森压杆试验技术已成为国际上测量岩石材料动态力学常用的方法之一，分离式霍普金森压杆试验技术中所涉及的分析方法主要基于弹性一维应力波理论，需要满足弹性一维应力波理论的两个假设：
(1)一维应力波假定。在应力波传播过程中，弹性杆的每个截面始终保持为平面波。
(2)均匀性假定。即试样中应力、应变沿试样长度均匀分布假定。
如图1、图3、图4、图7所示，在反演问题输入模块中选择反演能量参数，反分析问题识别模块识别到反演问题输入模块中的反演能量参数的命令，选择基于IA-BP算法的地下工程岩体能量反演方法。
基于IA-BP算法的地下工程岩体能量反演方法，包括以下步骤：
步骤S11：利用分离式霍普金森压杆对岩石试件进行动态冲击压缩试验，获得N组样本数据，将获得的N组样本数据储存到数据储存模块。
步骤S11获得的样本数据包括冲击气压、冲击速度、围压、应变率，温度、岩石试件的高径比、岩石密度、反射能、透射能、耗散能、能量吸收率。其中，冲击气压、冲击速度、围压、应变率，温度下、岩石试件的高径比、岩石的密度下作为特征变量，反射能、透射能、耗散能、能量吸收率作为因变量。
按下式对反射能、透射能、耗散能及能量吸收率进行计算：
Ws(t)＝WI(t)-WR(t)-WT(t) (16)
式中，Ws(t)、WI(t)、WR(t)、WT(t)分别表示耗散能、入射能、反射能和透射能，其中，入射能、反射能、耗散能按式(17)-(19)计算。
用能量吸收率ω来表示岩石动态破坏过程中能量的利用效率。
式中，E0、A0、C0分别为弹性杆的弹性模量、横截面积和弹性杆中的波速；小标I、R、T分别是指入射波、反射波、透射波；
步骤S12：将步骤S11中得到M组实验数据利用数据处理模块划分成训练集train和测试集test。
所述步骤S12包括以下步骤：对步骤S11获得的实验数据随机排列，选取0.8×N个数据集作为训练集train，剩余数据集作为测试集test，其中0.8×N取小于等于其具体指的整数。
在步骤S12对样本数据进行训练集和测试集划分之后，对样本数据按下式进行归一化处理；
式中，x归表示样本数据归一化的值，x表示样本实际值，xmax,xmin分别表示样本数据区间的最大值，最小值。
步骤S13：对BP神经网络结构及参数进行设置。设置一个三层BP神经网络，选取合适的隐含层神经元个数。按照实际需要选取合适的迭代次数、学习率、目标精度等。
建立由输入层、隐含层、输出层组成BP神经网络拓扑结构，将冲击气压、冲击速度、围压、应变率，温度、岩石试件的长径比、密度作为输入，故输入层的个数设置为7，将反射能、透射能、耗散能及能量吸收率作为输出，故输出层的个数设置为4。隐含层神经元个数的取值范围按下式进行计算：
式中，h表示隐含层神经元个数，m表示输入层神经元个数，n表示输出层神经元个数。a为1～10的调节常数。
本发明实施例中隐含层神经元个数选取范围为3～13个。按隐含层神经元个数选取范围依次选取整数将其作为隐含层神经元个数，按上述选取方式寻找合适的隐含层神经元个数。计算训练集预测值与实验实测值的均方根误差，选取均方根误差最小时所对应的隐含层神经元个数将其作为本发明实施例中的隐含层神经元个数。
输入层和隐含层之间采用S型正切函数tansig，所述隐含层与输出层之间采用线性函数purelin，训练函数选用动量梯度下降函数traingdm。
步骤S14：免疫算法参数初始化。设定免疫基因个数、种群数、进化代数、交叉概率、变异概率、抗体浓度阈值等。免疫基因个数按下式进行计算：
P＝A1×B+A2×B+A1+A2 (23)
式中，P表示基因个数，A1表示输入层神经元个数，A2表示输出层神经元个数，B表示隐含层神经元个数。
步骤S15：利用免疫算法优化BP神经网络对实验样本进行训练，将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中。
所述步骤S15具体包括以下步骤：
步骤S15.1：识别抗原，初始抗体产生。将BP神经网络的误差作为免疫算法中的抗原，将BP神经网络的连接权值和阈值作为免疫算法中的抗体。
步骤S15.2：亲和度计算。计算抗原与抗体的亲和度以及抗体和抗体之间亲和度，找到抗原亲和度高的抗体加入记忆细胞。其中抗体v和抗原w的亲和度：
式中，抗体v和抗原w的结合强度用optv表示，对于最优解，axv,w＝1(optv,w＝0)，此时抗原和抗体的匹配度最高。
抗体v和抗体m的亲和度为：
式中，E(2)表示v和m的平均信息熵。平均信息熵为：
式中，N为抗体数，M为基因个数，若为二进制数K就是2，pij为选择第i个抗体的第j位等位基因的概率。
步骤S15.3：记忆细胞分化。利用上述步骤S15.2中得到的新抗体替代与之亲和度高的抗体来更新记忆细胞。
步骤S15.4：抗体产生的促进和抑制。计算抗体v的期望值，消除期望值低的抗体，选择亲和度高、低密度的个体。抗体v的期望值和密度按下式进行计算。
式中，ev、cv分别表示抗体v的期望值和密度，axv,w为抗体v和抗原w的亲和度，qk为和抗体k有较大亲和力的抗体，N为抗体数。
步骤S15.5：新抗体产生。交叉变异产生下一代抗体。
步骤S15.6满足迭代次数停止更新记忆细胞。
步骤S15.7：从上述步骤S15.5中产生的记忆细胞中选取亲和度高的抗体将其作为BP神经网络的权值和阈值对BP神经网络进行优化。
步骤S16：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
实施例2：
如图1、图5所示，在反演问题输入模块中选择反演强度参数。反分析问题识别模块识别到反演问题输入模块中的反演强度参数的命令，选择基于IA-BP算法的地下工程岩石强度参数的反演方法。
所述基于IA-BP算法的地下工程岩石强度参数的反演方法，包括以下步骤：
S21利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中。
S22：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S23：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度等；
S24：免疫算法参数设定。
S25：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S26：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
所述步骤S21获得样本数据包括：冲击气压、岩石试件的高径比、岩石密度、动态抗压强度、峰值应变、变形模量；其中，动态抗压强度、峰值应变、变形模量为因变量，冲击气压、岩石试件的高径比、岩石的密度下为特征变量。
本实施例中所述岩石高径比的范围0.5-2.0，所选岩石高径比梯度分别为0.5、0.7、0.9、1.0、1.2、1.4、1.6、1.8、2.0，其中岩石试件的直径为50mm。
本实施例中神经网络拓扑结构中将冲击气压、岩石试件的高径比、密度作为输入，故输入层的个数设置为3，将动态抗压强度、峰值应变、变形模量作为输出，故输出层的个数设置为3。隐含层神经元的个数范围为3-12。
实施例3：
如图1、图6所示，在反演问题输入模块中选择反演强度参数。反分析问题识别模块识别到反演问题输入模块中的反演平均破碎块度和分形维数的命令，选择基于IA-BP算法的地下工程岩体平均破碎块度和分形维数的反演方法。
所述基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法，包括以下步骤：
S31：利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中；
S32：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S33：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度等；
S34：免疫算法参数设定。
S35：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S36：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
所述步骤S31获得样本数据包括：冲击气压、围压、温度、岩石试件的高径比、岩石密度、平均破碎块度、分形维数；其中，平均破碎块度、分形维数为因变量，冲击气压、围压、温度、岩石试件的高径比、岩石密度为特征变量。
所述平均破碎块度按下式进行计算：
式中，di为不同孔径下的岩石块度尺寸；ri为当筛孔直径为di时，对应的碎块质量百分比。
所述分形维数按下式进行计算：
M(x)/MT＝(x/xm)3-D (30)
式中，MT表示碎块的总质量；M(x)表示筛下累计质量；x表示碎块的粒径；xm表示碎块的最大粒径；D为碎块分布的分形维数。
将上式两边同时取对数得：
lg(M(x)/MT)＝(3-D)lg(x/xm) (31)
以lg(x/xm)为横坐标，lg(M(x)/MT)为纵坐标，进行曲线拟合，得出来的斜率即为3-D，从而可求得分形维数D。
本实施例中神经网络的拓扑结构中将冲击气压、围压、温度、密度、岩石试件不同的高径比作为输入，故输入层的个数设置为5，将平均破碎块度、分形维数作为输出，故输出层的个数设置为2。隐含层神经元个数的范围为：3-12。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.地下工程能量与参数综合反分析系统，其特征在于：包括反演问题输入模块(1)、反分析问题识别模块(2)、数据储存模块(3)、训练样本读取模块(4)、数据处理模块(5)、映射关系构建模块(6)、反分析问题求解模块(7)；所述反演问题输入模块的输出端与反分析问题识别模块的输入端相连，所述反分析问题识别模块的输出端与训练样本读取模块的一个输入端相连，所述数据储存模块的输出端与训练样本读取模块的另一个输入端相连，所述训练样本读取模块的输出端与数据处理模块的输入端相连，所述数据处理模块的输出端与映射关系构建模块的输入端相连，所述映射关系构建模块的输出端与反分析问题求解模块的输入端相连；
所述反演问题输入模块用于根据实际需要，输入需要反演的变量及变量个数；
所述反分析问题识别模块用于根据反演问题输入模块提供的变量信息及变量个数选取合适的反演方法；
所述数据储存模块用于获取利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据；
所述训练样本读取模块用于根据反分析问题识别模块所提供的反演方法，选择对应的训练样本；
所述数据处理模块用于对训练样本读取模块所提取的数据进行处理，将所获得的数据划分为训练集和测试集；
所述映射关系构建模块用于对数据处理模块中得到的训练样本进行训练，利用测试集对训练出来的结果进行检验，直至达到实际的需求，最终确定输入与输出之间良好的映射关系；
所述反分析问题求解模块用于利用映射关系构建模块训练好的神经网络样本实现对所需要反演问题的求解。
2.根据权利要求1所述的地下工程能量与参数综合反分析系统，其特征在于：所述反演的变量包括反演能量参数、反演强度参数、反演平均破碎块度和分形维数；
所述反演方法包括岩体能量反演问题、强度参数反演问题、平均破碎块度和分形维数反演问题；
利用霍普金森压杆对岩石进行动态压缩试验而得到的试验数据包括反演岩体能量数据、反演强度参数数据，反演平均破碎块度和分形维数数据；
所述数据储存模块格式为xlsx或xls；
所述映射关系构建模块通过IA-BP算法来构建输入与输出的映射关系。
3.根据权利要求1所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于：包括基于IA-BP算法的地下工程岩体能量反演方法、基于IA-BP算法的地下工程岩石强度参数的反演方法、基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法。
4.根据权利要求3所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于所述基于IA-BP算法的地下工程岩体能量反演方法包括以下步骤：
S11：利用分离式霍普金森压杆对岩石试件进行动态冲击压缩试验，得到N组样本数据，将得到的N组样本数据储存到数据储存模块；
S12：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S13：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S14：免疫算法参数初始化；
S15：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S16：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
5.根据权利要求4所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于所述步骤S11获得的样本数据包括：冲击气压、冲击速度、围压、应变率，温度、岩石试件的高径比、岩石密度、反射能、透射能、耗散能、能量吸收率；其中，反射能、透射能、耗散能、能量吸收率为因变量，剩余的为特征变量：
所述反射能、透射能、耗散能及能量吸收率的计算表达式如下：
Ws(t)＝WI(t)-WR(t)-WT(t) (1)
式中，Ws(t)、WI(t)、WR(t)、WT(t)分别表示耗散能、入射能、反射能和透射能，其中入射能、反射能和透射能按式(2)-(4)计算：
用能量吸收率ω来表示岩石动态破坏过程中能量的利用效率：
式中，E0、A0、C0分别为弹性杆的弹性模量、横截面积和弹性杆中的波速；小标I、R、T分别是指入射波、反射波、透射波；
所述步骤S12包括以下步骤：
对步骤S11获得的实验数据随机排列，选取0.8×N个数据集作为训练集train，剩余数据集作为测试集test，其中0.8×N取小于等于其具体指的整数；
所述步骤S13中BP神经网络参数设置包括以下步骤：
建立由输入层、隐含层、输出层组成的BP神经网络拓扑结构；
所述输入层和隐含层之间采用S型正切函数tansig，所述隐含层与输出层之间采用线性函数purelin，BP神经网络误差训练函数选用动量梯度下降函数traingdm；
所述隐含层神经元个数的取值范围按下式进行计算：
式中，h表示隐含层神经元个数，m表示输入层神经元个数，n表示输出层神经元个数；a为1-10的调节常数；
所述步骤S14免疫算法参数初始化包括：设定免疫基因的个数、种群数、进化代数、交叉概率、变异概率、抗体浓度阈值，免疫基因个数按下式进行计算：
P＝A1×B+A2×B+A1+A2 (7)
所述步骤S15利用免疫算法优化BP神经网络对实验样本进行训练包括以下步骤：
步骤S15.1：将BP神经网络的误差作为免疫算法中的抗原，将BP神经网络的连接权值和阈值作为免疫算法中的抗体；
步骤S15.2：计算抗原与抗体的亲和度以及抗体和抗体之间亲和度，找到抗原亲和度高的抗体加入记忆细胞；其中抗体v和抗原w的亲和度：
式中，抗体v和抗原w的结合强度用optv表示，对于最优解，axv,w＝1(optv,w＝0)，此时抗原和抗体的匹配度最高；
抗体v和抗体m的亲和度为：
式中，E(2)表示v和m的平均信息熵；平均信息熵为：
式中，N为抗体数，M为基因个数，若为二进制数K就是2，pij为选择第i个抗体的第j位等位基因的概率；
步骤S15.3：利用上述步骤S15.2中得到的新抗体替代与之亲和度高的抗体来更新记忆细胞；
步骤S15.4：计算抗体v的期望值，消除期望值低的抗体，选择亲和度高、低密度的个体；抗体v的期望值和密度按下式进行计算：
式中，ev、cv分别表示抗体v的期望值和密度，axv,w为抗体v和抗原w的亲和度，qk为和抗体k有较大亲和力的抗体，N为抗体数；
步骤S15.5：交叉变异产生下一代抗体；
步骤S15.6：满足迭代次数停止更新记忆细胞；
步骤S15.7：从上述步骤S15.5中产生的记忆细胞中选取亲和度高的抗体将其作为BP神经网络的权值和阈值对BP神经网络进行优化。
6.根据权利要求3所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于所述基于IA-BP算法的地下工程岩石强度参数的反演方法，包括以下步骤：
S21利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中；
S22：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S23：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S24：免疫算法参数设定；
S25：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S26：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
7.根据权利要求6所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于：所述步骤S21获得样本数据包括：冲击气压、岩石试件的高径比、岩石密度、动态抗压强度、峰值应变、变形模量；其中，动态抗压强度、峰值应变、变形模量为因变量，剩余的为特征变量。
8.根据权利要求3所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于所述基于IA-BP算法的地下工程岩体平均破碎块度及分形维数反演方法，包括以下步骤：
S31：利用霍普金森压杆获取样本数据，将获得的样本数据存储到数据储存模块中；
S32：将步骤S11中得到样本数据利用数据处理模块划分成训练集train和测试集test；
S33：BP神经网络参数设置：设置一个三层BP神经网络，选取合适的隐含层神经元个数；按照实际需要选取合适的迭代次数、学习率、目标精度；
S34：免疫算法参数设定；
S35：利用免疫算法优化BP神经网络对实验样本进行训练；将利用免疫算法训练好的BP神经网络模型载入到映射关系构建模块中；
S36：利用映射关系构建模块训练好的BP神经网络模型通过反分析问题求解模块来实现对能量的反演。
9.根据权利要求8所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于：所述步骤S31获得样本数据包括：冲击气压、围压、温度、岩石试件的高径比、岩石密度、平均破碎块度、分形维数；其中，平均破碎块度、分形维数为因变量，剩余的为特征变量。
10.根据权利要求9所述的地下工程能量与参数综合反分析系统的反分析方法，其特征在于：
所述平均破碎块度按下式进行计算：
式中，di为不同孔径下的岩石块度尺寸；ri为当筛孔直径为di时，对应的碎块质量百分比；
所述分形维数按下式进行计算：
M(x)/MT＝(x/xm)3-D (14)
式中，MT表示碎块的总质量；M(x)表示筛下累计质量；x表示碎块的粒径；xm表示碎块的最大粒径；D为碎块分布的分形维数；
将上式两边同时取对数得：
lg(M(x)/MT)＝(3-D)lg(x/xm) (15)
以lg(x/xm)为横坐标，lg(M(x)/MT)为纵坐标，进行曲线拟合，得出来的斜率即为3-D，从而求得分形维数D。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603142.7A CN113283173B (zh) | 2021-05-31 | 2021-05-31 | 地下工程能量与参数综合反分析系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603142.7A CN113283173B (zh) | 2021-05-31 | 2021-05-31 | 地下工程能量与参数综合反分析系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283173A CN113283173A (zh) | 2021-08-20 |
| CN113283173B true CN113283173B (zh) | 2023-11-24 |
Family
ID=77282706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110603142.7A Active CN113283173B (zh) | 2021-05-31 | 2021-05-31 | 地下工程能量与参数综合反分析系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283173B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114383958A (zh) * | 2022-01-11 | 2022-04-22 | 沈阳工业大学 | 深部岩体键基近场动力学临界伸长率确定方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656124A (zh) * | 2015-02-06 | 2015-05-27 | 山东大学 | 一种基于物探方法的多参量综合岩爆预测方法 |
| CN107101887A (zh) * | 2017-05-09 | 2017-08-29 | 东北大学 | 一种声发射与数值计算相结合的岩石破裂过程分析方法 |
| CN111414658A (zh) * | 2020-03-17 | 2020-07-14 | 宜春学院 | 一种岩体力学参数反分析方法 |
| CN111695295A (zh) * | 2020-06-01 | 2020-09-22 | 中国人民解放军火箭军工程大学 | 一种光栅耦合器的入射参数反演模型的构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3149677A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical inversion with machine learning-based geologic priors |
-
2021
- 2021-05-31 CN CN202110603142.7A patent/CN113283173B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656124A (zh) * | 2015-02-06 | 2015-05-27 | 山东大学 | 一种基于物探方法的多参量综合岩爆预测方法 |
| CN107101887A (zh) * | 2017-05-09 | 2017-08-29 | 东北大学 | 一种声发射与数值计算相结合的岩石破裂过程分析方法 |
| CN111414658A (zh) * | 2020-03-17 | 2020-07-14 | 宜春学院 | 一种岩体力学参数反分析方法 |
| CN111695295A (zh) * | 2020-06-01 | 2020-09-22 | 中国人民解放军火箭军工程大学 | 一种光栅耦合器的入射参数反演模型的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 人工神经网络与遗传算法在岩石力学中的应用;葛宏伟, 梁艳春, 刘玮, 顾小炯;岩石力学与工程学报(09);130-138 * |
| 基于神经网络的大型深基坑工程土体参数反演;谭儒蛟;徐添华;徐文杰;张启斌;水力发电学报;第34卷(第7期);109-117 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283173A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Employing a genetic algorithm and grey wolf optimizer for optimizing RF models to evaluate soil liquefaction potential | |
| CN104732070B (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
| Yan et al. | Application of hybrid artificial intelligence model to predict coal strength alteration during CO2 geological sequestration in coal seams | |
| Zhou et al. | Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines | |
| CN105260599A (zh) | 一种基于bp神经网络建模的冲击地压动态预测方法 | |
| CN107194524B (zh) | 一种基于rbf神经网络的煤与瓦斯突出预测方法 | |
| CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
| CN112989708A (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| WO2023115596A1 (zh) | 一种基于迁移学习融合模型的桁架应力预测及轻量化方法 | |
| CN112711904A (zh) | 一种基于sa-ga-bp的爆破振动特征参量预测方法 | |
| CN113486570A (zh) | 一种基于随机ida和机器学习预测隧道地震易损性的方法 | |
| CN113326660B (zh) | 基于GA-XGBoost模型的隧道围岩挤压变形预测方法 | |
| CN115130375A (zh) | 一种岩爆烈度预测方法 | |
| CN113283173B (zh) | 地下工程能量与参数综合反分析系统及其方法 | |
| Zhao et al. | Decision tree model for rockburst prediction based on microseismic monitoring | |
| Pradeep et al. | Prediction of rock strain using hybrid approach of ANN and optimization algorithms | |
| Zhou et al. | Deep learning-based rapid damage assessment of RC columns under blast loading | |
| CN115980826A (zh) | 一种基于加权的元启发式组合模型的岩爆烈度预测方法 | |
| 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 | |
| CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
| CN113408190B (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
| Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
| Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
| Zou et al. | Intelligent control of smooth blasting quality in rock tunnels using BP-ANN, ENN, and ANFIS | |
| Xiong et al. | Intelligent prediction model of the triaxial compressive strength of rock subjected to freeze-thaw cycles based on a genetic algorithm and artificial neural network |
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 |