CN113673136A - 岩溶隧道顶板安全厚度预测方法、系统及设备 - Google Patents
岩溶隧道顶板安全厚度预测方法、系统及设备 Download PDFInfo
- Publication number
- CN113673136A CN113673136A CN202111040530.5A CN202111040530A CN113673136A CN 113673136 A CN113673136 A CN 113673136A CN 202111040530 A CN202111040530 A CN 202111040530A CN 113673136 A CN113673136 A CN 113673136A
- Authority
- CN
- China
- Prior art keywords
- top plate
- particle
- tunnel
- karst tunnel
- karst
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000002245 particle Substances 0.000 claims abstract description 125
- 238000012706 support-vector machine Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 39
- 239000011435 rock Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000013461 design Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000002790 cross-validation Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009933 burial Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 235000019994 cava Nutrition 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning 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
- 239000000178 monomer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
Abstract
本发明公开了一种岩溶隧道顶板安全厚度预测方法、系统及设备,方法包括:获取待预测岩溶隧道的顶板最小安全距离的影响因素;将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型;本发明采用粒子群算法优化后的支持向量机回归模型作为预先训练好的岩溶隧道顶板安全厚度预测模型;根据获取的待预测岩溶隧道的顶板最小安全距离的影响因素,进行岩溶隧道顶板安全厚度预测,避免了预测模型出现局部最小点,收敛速度快,有效提高了预测精度。
Description
技术领域
本发明属于隧道工程建设技术领域,特别涉及一种岩溶隧道顶板安全厚度预测方法、系统及设备。
背景技术
随着交通事业的高速发展,在岩溶地区修建隧道工程是不可避免的;当前在隧道周围溶洞对隧道施工影响上已做了一些研究,但尚有很多问题亟待解决;尤其是当隧道周围有岩溶洞穴时,在保证隧道施工安全和溶洞不会失稳坍塌的情况下,如何确定二者之间的最小安全距离很有必要研究。
目前,确定岩溶隧道顶板安全厚度的方法有:(1)类比法:根据工程实践经验及前人的研究成果,影响岩溶洞穴顶板稳定的因素主要有顶板的厚、顶板的形状(水平的、拱形的)、顶板的完整性及建筑物跨过溶洞的长度等;其中,以水平顶板受力条件最为不利。(2)解析法:当顶板岩层比较完整时,将溶洞围岩视为结构自承重体系,根据洞体形态、完整程度及裂隙情况进行内力分析,求得隧道顶板厚度H,再加适当安全系数,便为顶板安全厚度;当顶板严重风化,裂隙发育,且有可能坍塌,将溶洞围岩视为散体结构进行分析。(3)数值分析法和模型预测法:数值分析法能反映顶板应力与变形的具体情况,模型预测法以数值分析为工具,建模分析大量数据,结果能反映多因素对顶板安全厚度的影响情况。
现有技术中,使用最为广泛的预测模型包括BP神经网络预测模型、灰度模型和SVM模型等方法,上述方法均是基于测点历史数据建立岩溶隧道顶板安全顶板厚度预测模型。
但是在建立岩溶隧道顶板安全顶板厚度预测模型时,BP神经网络模型存在的缺点包括算法学习过程收敛速度慢、网络性能差及网络学习率不稳定的缺点;灰度模型通过少数几个测点的历史监测数据进行训练,且考虑历史监测数据的单一因素,建立的岩溶隧道顶板安全顶板厚度预测模型对顶板安全厚度的预测结果不够准确;SVM预测模型解决了小样本情况下的机器学习,由于使用核函数方法克服了维数灾难和非线性可分的问题,所以向高维空间映射时没有增加计算的复杂度;但是,SVM算法对大规模训练样本难以实施,现在常用的SVM理论都是使用固定惩罚系数c,但是正负样本的两种错误造成的损失是不一样的。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种岩溶隧道顶板安全厚度预测方法、系统及设备,以解决现有的岩溶隧道顶板安全顶板厚度预测模型收敛速度慢,易出现局部最小点,考虑因素单一易导致预测结果不准确及SVM模型参数的选取带来的损失不同的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种岩溶隧道顶板安全厚度预测方法,包括以下步骤:
获取待预测岩溶隧道的顶板最小安全距离的影响因素;
将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;
其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
进一步的,待预测岩溶隧道的顶板最小安全距离的影响因素包括隧道围岩条件、隧道侧压力系数、隧道埋深及溶洞尺寸;
其中,隧道围岩条件包括岩体粘聚力、岩体内摩擦角、岩体弹性模量、岩体泊松比及岩体容重;溶洞尺寸包括溶洞的高跨比。
进一步的,预先训练好的岩溶隧道顶板安全厚度预测模型的训练过程,具体如下:
获取历史岩溶隧道的顶板最小安全距离的影响因素,利用均匀试验设计方法,构建训练样本的计算方案;
采用有限元数值试验模型,对构建的训练样本的计算方案进行数值计算,根据溶洞与隧道间的安全距离,确定每个计算方案对应的最小安全距离值;并将计算方案与对应的最小安全距离值构成训练输入样本;
基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数,将使得训练输入样本预测准确率最高的支持向量机回归模型参数作为支持向量机回归模型的最优参数组合,得到预先训练好的岩溶隧道顶板安全厚度预测模型,以通过预先训练好的岩溶隧道顶板安全厚度预测模型对待预测岩溶隧道进行安全厚度预测;
其中,支持向量机回归模型的关键参数包括惩罚因子及RBF核函数。
进一步的,获取历史岩溶隧道的顶板最小安全距离影响因素,利用均匀试验设计方法,构建训练样本的计算方案的过程,具体如下:
根据获取的历史岩溶隧道的顶板最小安全距离的影响因素,确定因素数m和水平数n;
根据因素数m和水平数n,设计均匀试验设计表;并以确定的均匀试验设计表,构建训练样本的计算方案。
进一步的,基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数的过程,以待优化参数向量(c,g)为粒子群算法中的粒子;c为惩罚因子,g为RBF核函数;
具体如下:
初始化参数,设定种群规模、权重因子、最大迭代次数、粒子位置及粒子速度的限定范围;随机为粒子群中每个粒子指定初始位置和初始速度参数;粒子i的位置为(Xi,c,Xi,g),粒子i的速度为(Vi,c,Vi,g);
将粒子i的位置为(Xi,c,Xi,g)作为参数训练支持向量机回归模型;设置个体极值为粒子的当前位置,计算适应度值最好的个体极值作为最初的全局极值;
更新各粒子的速度和位置,若粒子速度和位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若当前粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置;
更新种群位置,将每个粒子的当前最佳位置对应的适应度值与个体极值对应的适应度相比,若某个粒子当前最佳位置对应的适应度值优于个体极值对应的适应度值,则将该粒子当前最佳位置作为种群的最佳位置;否则,保留原值;
若迭代次数小于预设最大迭代次数,且最佳适应度值小于预设阈值,则返回继续迭代;否则结束迭代;将得到的种群最佳位置作为支持向量机回归模型的惩罚因子及RBF核函数的最优组合。
进一步的,粒子的速度的更新公式为:
粒子的位置更新公式为:
其中,N为种群规模;ω为惯性权重;Vi j+1为粒子i经过多次迭代且在第j次迭代中所对应的速度;rand()为介于0至l区间内的随机数;为粒子i经过多次迭代且在第j次迭代中所对应的位置;c1和c2均为学习因子;pbest为粒子i所对应的个体最优值,gbest为群体最优值。
进一步的,利用均方根误差MSE计算粒子的适应度值,通过调用fitness函数来实现。
进一步的,采用粒子群算法优化支持向量机回归模型的关键参数之前,通过K折交叉验证算法选取关键参数,构建支持向量机回归模型的步骤;选取关键参数的步骤,具体过程如下:
将获取的历史岩溶隧道的顶板最小安全距离的影响因素,划分为k个集合,其中一个集合作为测试集,剩余k-1个集合则作为训练集;重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次;
计算k次训练的平均或加权平均交叉验证正确率,选取交叉验证正确率最高的一组参数作为关键参数;
将关键参数应用到模型中,构建得到支持向量机回归模型,并用于采用粒子群算法进行模型优化。
本发明还提供了一种岩溶隧道顶板安全厚度预测系统,包括:
获取模块,用于获取待预测岩溶隧道的顶板最小安全距离的影响因素;
预测模块,用于将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;
其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
本发明还提供了一种岩溶隧道顶板安全厚度预测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种岩溶隧道顶板安全厚度预测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种岩溶隧道顶板安全厚度预测方法,采用粒子群算法优化后的支持向量机回归模型作为预先训练好的岩溶隧道顶板安全厚度预测模型;根据获取的待预测岩溶隧道的顶板最小安全距离的影响因素,进行岩溶隧道顶板安全厚度预测,避免了预测模型出现局部最小点,收敛速度快;采用支持向量机回归模型,能够解决小样本的回归问题,利用粒子群算法寻优能够不依赖问题,采用实数求解,算法通用性强,需要调整的参数少;同时,利用个体局部信息和群体全局信息指导搜索;由于没有复杂的变异过程,模型收敛速度快,对计算机内存和内存和CPU要求不高;对于目标函数仅能提供极少搜索最优值的信息,在其他算法无法辨别搜索方向的情况下,粒子群算法的粒子具有飞越性的特点使其能够跨过搜索平面上信息严重不足的障碍,飞抵全局最优目标值;采用PSO-SVM智能算法能够自动寻找影响岩溶隧道顶板安全厚度与其影响因素之间的非线性关系,有效提高了预测精度。
进一步的,采用粒子群算法对支持向量机回归模型的关键参数:惩罚因子和RBF核函数进行寻优,避免了对单一参数进行优化,有效提高了优化效率。
进一步的,采用K折交叉验证算法对支持向量机回归模型的关键参数进行选取,充分考虑了多个影响因素,确保了预测结果的准确率。
附图说明
为了更清楚地说明本专利实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需使用的附图做简单地介绍,显而易见,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1为均匀试验设计流程图;
图2为SVM回归模型训练方法流程图;
图3为PSO–SVM回归预测模型流程图;
图4为PSO–SVM回归预测模型性能图(R2);
图5为PSO–SVM回归预测模型流程图(MAE);
图6为利用训练后的PSO–SVM回归预测模型对岩溶隧道顶板最小安全距离预测方法流程图。
具体实施方式
为了更清楚地说明本专利实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需使用的附图做简单地介绍,显而易见,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
本发明提供了一种岩溶隧道顶板安全厚度预测方法,包括以下步骤:
步骤1、获取待预测岩溶隧道的顶板最小安全距离的影响因素;其中,待预测岩溶隧道的顶板最小安全距离的影响因素包括隧道围岩条件、隧道侧压力系数、隧道埋深及溶洞尺寸;其中,隧道围岩条件包括岩体粘聚力、岩体内摩擦角、岩体弹性模量、岩体泊松比及岩体容重;溶洞尺寸包括溶洞的水平方向跨度及高跨比。
步骤2、将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
本发明中,预先训练好的岩溶隧道顶板安全厚度预测模型的训练过程,具体包括以下步骤:
获取历史岩溶隧道的顶板最小安全距离的影响因素,利用均匀试验设计方法,构建训练样本的计算方案;其中,构建训练样本的计算方案的过程,具体如下:
根据获取的历史岩溶隧道的顶板最小安全距离的影响因素,确定因素数m和水平数n;根据因素数m和水平数n,设计均匀试验设计表;并以确定的均匀试验设计表,构建训练样板的计算方案。
采用有限元数值试验模型,对构建的训练样本的计算方案进行数值计算,根据溶洞与隧道间的安全距离,确定每个计算方案对应的最小安全距离值;并将计算方案与对应的最小安全距离值构成训练输入样本。
通过K折交叉验证算法选取模型的关键参数,构建支持向量机回归模型;其中,选取关键参数的步骤,具体过程如下:
将获取的历史岩溶隧道的顶板最小安全距离的影响因素,划分为k个集合,其中一个集合作为测试集,剩余k-1个集合则作为训练集;重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次。
计算k次训练的平均或加权平均交叉验证正确率,选取交叉验证正确率最高的一组参数作为关键参数。
将关键参数应用到模型中,构建得到支持向量机回归模型;其中,支持向量机回归模型的关键参数包括惩罚因子及RBF核函数。
基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数,将使得训练输入样本预测准确率最高的支持向量机回归模型参数作为支持向量机回归模型的最优参数组合,得到预先训练好的岩溶隧道顶板安全厚度预测模型,以通过预先训练好的岩溶隧道顶板安全厚度预测模型对待预测岩溶隧道进行安全厚度预测。
本发明中,基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数的过程,以待优化参数向量(c,g)为粒子群算法中的粒子;c为惩罚因子,g为RBF核函数;
具体如下:
初始化参数,设定种群规模、权重因子、最大迭代次数、粒子位置及粒子速度的限定范围;随机为粒子群中每个粒子指定初始位置和初始速度参数;粒子i的位置为(Xi,c,Xi,g),粒子i的速度为(Vi,c,Vi,g);
将粒子i的位置为(Xi,c,Xi,g)作为参数训练支持向量机回归模型;设置个体极值为粒子的当前位置,计算适应度值最好的个体极值作为最初的全局极值;其中,利用均方根误差MSE计算粒子的适应度值,通过调用fitness函数来实现。
更新各粒子的速度和位置,若粒子速度和位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若当前粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置。
其中,粒子的速度的更新公式为:
粒子的位置更新公式为:
其中,N为种群规模;ω为惯性权重;Vi j+1为粒子i经过多次迭代且在第j次迭代中所对应的速度;rand()为介于0至l区间内的随机数;为粒子i经过多次迭代且在第j次迭代中所对应的位置;c1和c2均为学习因子;pbest为粒子i所对应的个体最优值,gbest为群体最优值。
更新种群位置,将每个粒子的当前最佳位置对应的适应度值与个体极值对应的适应度相比,若某个粒子当前最佳位置对应的适应度值优于个体极值对应的适应度值,则将该粒子当前最佳位置作为种群的最佳位置;否则,保留原值。
若迭代次数小于预设最大迭代次数,且最佳适应度值小于预设阈值,则返回继续迭代;否则结束迭代;将得到的种群最佳位置作为支持向量机回归模型的惩罚因子及RBF核函数的最优组合。
本发明还提供了一种岩溶隧道顶板安全厚度预测系统,包括获取模块及预测模块;获取模块,用于获取待预测岩溶隧道的顶板最小安全距离的影响因素;预测模块,用于将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
本发明还提供了一种岩溶隧道顶板安全厚度预测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如岩溶隧道顶板安全厚度预测程序。
其中,所述处理器执行所述计算机程序时实现如所述一种岩溶隧道顶板安全厚度预测方法的步骤,例如:获取待预测岩溶隧道的顶板最小安全距离的影响因素;将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:获取模块,用于获取待预测岩溶隧道的顶板最小安全距离的影响因素;预测模块,用于将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述岩溶隧道顶板安全厚度预测设备中的执行过程。例如,所述计算机程序可以被分割成获取模块及预测模块,各模块具体功能如下:获取模块,用于获取待预测岩溶隧道的顶板最小安全距离的影响因素;预测模块,用于将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
所述岩溶隧道顶板安全厚度预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述岩溶隧道顶板安全厚度预测设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述岩溶隧道顶板安全厚度预测设备,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述岩溶隧道顶板安全厚度预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CPU)),还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述岩溶隧道顶板安全厚度预测设备的控制中心,利用各种接口和线路连接整个岩溶隧道顶板安全厚度预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述岩溶隧道顶板安全厚度预测设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。
此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SMC),安全数字(SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在数值试验中,大多以塑性区贯通看做围岩破坏,此时,隧道与溶洞之间的垂直距离为最小安全厚度;本发明中,利用获取的历史岩溶隧道的顶板最小安全距离的影响因素,采用K折交叉验证算法,选取支持向量机回归模型的关键参数,构建得到支持向量机回归模型。
本发明中,评价指标是通过对比模型的测试集的最小安全距离和数值模拟的最小安全距离之间差异来评价预测模型的性能好坏;若预测模型性能较好,则可以输入新的影响因素参数作为输入,此时,该模型可以较为准确的给出岩溶隧道顶板最小安全距离。
获取历史岩溶隧道的顶板最小安全距离的影响因素,利用均匀试验设计方法,构建训练样本的计算方案;采用有限元数值试验模型,对构建的训练样本的计算方案进行数值计算,根据溶洞与隧道间的安全距离,确定每个计算方案对应的最小安全距离值;并将计算方案与对应的最小安全距离值构成训练输入样本。
本发明中,若训练输入样本{x1,y1},…,{xi,yi}为非线性样本,拟合函数f(x)可由以下方法确定:将每一个样本点用一个非线性函数映射到高维特征空间,并在高维特征空间进行线性回归,由此取得原空间非线性回归的效果,拟合函数f可表示为:
其中,ω∈Rn为权值向量;x∈Rn为输入向量;b∈Rn为偏差。
关键参数的选择直接影响着支持向量机回归模型的预测性能,其中,惩罚因子c、RBF核参数的取值决定着支持向量机回归模型的预测精度;为了预测的合理性,则需得到最优的惩罚因子c、RBF核函数组合;目前,广泛用于SVM参数优化的智能算法有遗传、蚁群、文化、模拟退火算法等,但部分算法操作中存在选择、交叉、变异等复杂过程,而且无法满足高维问题的收敛速度和精度。相较之下,粒子群算法是基于种群的并行全局搜索策略,采用速度、位移模型实现对整个解空间的寻优,易于实现且没有繁杂的参数需要调整,收敛速度更快,因此应对高维问题具有更强大的优势。
获得最佳惩罚因子c、RBF核函数是PSO-SVM模型最佳参数选择问题,利用PSO算法进行全局快速优化搜索,可以减少试算的盲目性,提高模型预测准确性。
本发明所述的岩溶隧道顶板安全厚度预测方法,根据获取的待预测岩溶隧道的顶板最小安全距离的影响因素,进行岩溶隧道顶板安全厚度预测,避免了预测模型出现局部最小点,收敛速度快;采用支持向量机回归模型,能够解决小样本的回归问题,利用粒子群算法寻优能够不依赖问题,采用实数求解,算法通用性强,需要调整的参数少;同时,利用个体局部信息和群体全局信息指导搜索;由于没有复杂的变异过程,模型收敛速度快,对计算机内存和内存和CPU要求不高;对于目标函数仅能提供极少搜索最优值的信息,在其他算法无法辨别搜索方向的情况下,粒子群算法的粒子具有飞越性的特点使其能够跨过搜索平面上信息严重不足的障碍,飞抵全局最优目标值;采用PSO-SVM智能算法能够自动寻找影响岩溶隧道顶板安全厚度与其影响因素之间的非线性关系,有效提高了预测精度。
实施例
以下通过某一隧道的具体工程,来说明本实施例所述的一种岩溶隧道顶板安全厚度预测方法。
具体的,通过调研,获取待预测岩溶隧道的顶板最小安全距离的影响因素,即,确定影响溶洞与隧道间最小安全距离的影响因素,包括溶洞与隧道的位置、隧道围岩条件、隧道侧压力系数λ、隧道埋深h及溶洞尺寸。
本实施例中,对于溶洞的大小,取椭圆溶洞水平方向跨度L为研究变量;对于溶洞的形状,取椭圆溶洞的高跨比为研究变量,即竖直轴与水平轴之比r。
因为进行溶洞与隧道间最小安全距离数值试验时,隧道跨度、溶洞与隧道位置关系是固定的,故溶洞与隧道位置关系和隧道跨度这个因素不用考虑。
表1最小安全距离影响因素的取值范围
本实施例中,确定安全距离影响因素之后,就可以进行溶洞与隧道间最小安全距离数值试验方案设计,需要考虑各种不同工况条件,建立尽可能逼近实际问题的有限元数值试验模型;上述有限元数值试验模型中应充分体现各个安全距离影响因素的作用,然后进行数值计算,根据溶洞与隧道间安全距离判据确定最小安全距离,从而得到各种工况下各个最小安全距离影响因素和最小安全距离值,再依靠这些样本数据建立基于PSO-SVM的岩溶隧道顶板最小安全距离预测模型。
如附图1所示,附图1中给出了本实施例所述的均匀试验设计流程图;其中,利用均匀试验设计方法,构建训练样本的计算方案的过程,包括以下步骤:
根据试验的目的,根据获取的历史岩溶隧道的顶板最小安全距离的影响因素,确定因素数m和水平数n;
根据因素数m和水平数n,设计均匀试验设计表;并以确定的均匀试验设计表,构建训练样本的计算方案。具体的,均匀试验设计过程,尽量把因素的水平数划分多一些,这样就可以更深入的研究各个影响因素和最小安全距离的影响规律,所设计的实验方案更加逼近实际工况;本实施例中,考虑将因素分别划分成30个水平。
具体的,倘若对围岩的5个物理力学参数:容重γ、弹性模量E、泊松比ν、内摩檫角和粘聚力C都做均匀试验设计,由于均匀试验设计表要将这个因素的诸水平做高低搭配,这样就造成均匀设计后的模型材料参数不合理的现象;比如,内摩擦角大的相反粘聚力却很小等,实际上这样的围岩材料是不存在的;从这一点考虑,应该把这个参数视为一个参数,在套用规范的均匀设计表时,应该套用标准的5因素的均匀设计表。
对于最小安全距离影响因素30水平的情况,套用标准的5因素30水平的均匀设计表后,得到溶洞与隧道间最小安全距离数值试验方案的水平均匀设计表如表2所示。
表2最小安全距离影响因素的30水平均匀设计表
通过数值模拟对表2中的最小安全距离影响因素进行数值模拟获取最小安全距离的值,将获取的最小安全距离的值和最小安全距离影响因素划分为训练样本集(1~25组)和测试样本集(26~30组),其具体分布如表3。
表3训练样本集和测样本集分布
如附图2所示,附图2中给出了支持向量机回归模型的训练方法流程图;模型训练具体包括以下步骤;
通过均匀试验设计,构建训练样本的计算方案,即获取溶洞和隧道间最小安全距离的影响因素的数据;再使用数值模拟获取在不同工况下的溶洞和隧道间最小安全距离值,以此构成训练输入样本。
采用K折交叉验证算法,训练支持向量机回归模型;具体的,将每一条岩溶和隧道间的最小安全距离值的训练集输入,预先构建的SVM回归模型中,以此,来训练SVM回归模型;之后,将测试集的溶洞和隧道间的最小安全距离和数值模拟值进行对比,以期获得较好的模型的性能。
在本实施例中,采用较多的影响因素作为溶洞和隧道间最小安全距离的自变量,使得最终训练的模型输出的岩溶隧道顶板最小安全距离预测结果会更加准确。
在本实施例中,支持向量机回归模型为在高斯特征空间中建立的线性回归函数为:
其中,ω∈Rn为权值向量;x∈Rn为输入向量;b∈Rn为偏差。
通过训练目标ω和b使以下泛函达到最小化:
为了调整样本的离散程度,在此,引入非负松弛变量ξ和ξ*,则式(1)的最优化问题具体化为:
将式(2)~(6)整理得出最终预测函数:
具体的,RBF核函数具有较宽的收敛域,广泛应用于低维、高维、小样本及大样本等情况,本实施例中选用RBF核函数。
如附图3所述,附图3中给出了利用粒子群算法优化后的支持向量机回归模型的训练过程流程图。
本实施例考虑容重γ、弹性模量E、泊松比ν等九个对岩溶隧道顶板最小安全距离的影响,以上述九个影响因素作为输入;岩溶隧道顶板最小安全距离值作为输出,然后通过粒子群算法去搜索获取最优的惩罚因子c和RBF核函数g以提高SVM预测结果的准确性。
当采用PS0算法时,关于潜在解的问题都可以被视为搜索空间的粒子;对于任何一个粒子而言,在优化函数的作用下它都会形成一个适应度值,同时还对应有一个额外的速度,它决定了粒子们飞的方向以及距离。
具体的,我们可以假设在D维的目标搜索空间内部,里面有N个例子组成的群体,此时第i个粒子则可以被视为D维向量,有:
xi=(xi1,xi2,…,xiN)T (8)
第i个v也可以表示为D维向量,表示为:
vi=(vi1,vi2,…,viN)T (9)
第i个粒子寻找到的最优解作为单体的极值,为:
pi=(pi1,pi2,…,piN)T (10)
所有粒子一起找到的整体最优解被称为全局的极值,表示为:
gi=(pg1,pg2,…,pgN)T (11)
粒子速度和位置更新公式为:
其中,N指的便是种群规模;ω指的是惯性权重;Vi j+1指的是粒子i经过多次迭代且在第j次迭代中所对应的速度;rand()指的是介于0至l区间内的随机数;指的是粒子i经过多次迭代且在第j次迭代中所对应的位置;c1和c2均指的是学习因子;pbest指的是粒子i所对应的个体最优值;最后,gbest指的是群体最优值。
具体的,在本实施例中,使用单独的验证集或诸如仅使用训练集验证性能的交叉验证等技术来评估最佳性能;本实施例中选取高斯核函数,通过5次交叉验证实现了这些参数的最优组合;最佳惩罚因子c值为92.9079,RBF核参数g值为1000;最佳CVMse为0.0979;c1和c2分别为1.5和1.7,种群大小为30。
附图3和附图4分别为本实施例提供的PSO–SVM回归预测模型性能图(R2)和PSO–SVM回归预测模型流程图(MAE),相关系数是用以反映变量之间相关关系密切程度的统计指标;在实施例中相关系数是按积差方法计算,以数值模拟的岩溶隧道顶板最小安全距离和PSO-SVM回归模型预测的岩溶隧道顶板最小安全距离两变量与各自平均值的离差为基础,通过两个离差相乘来反映两变量之间相关程度。
平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均;平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际预测误差的大小,在本实施例中以数值模拟的岩溶隧道顶板最小安全距离和PSO-SVM回归模型预测的岩溶隧道顶板最小安全距离两变量的柱状对比图表征,如附图5所示。
相关系数R2的绝对值一般在0.8以上,认为数值模拟的岩溶隧道顶板最小安全距离和PSO-SVM回归模型预测的岩溶隧道顶板最小安全距离两变量有强的相关性;相关系数R2的绝对值在0.3-0.8之间,可以认为有弱的相关性;相关系数R2的绝对值在0.3以下,认为没有相关性;绝对误差MAE越小代表预测模型性能越好。
如附图6为本实施例提供的利用训练后的PSO–SVM回归预测模型对岩溶隧道顶板最小安全距离预测方法流程图;其中,将每一条岩溶隧道顶板最小安全距离数据输入预先训练后的支持向量机回归模型中,输出每一条岩溶隧道顶板最小安全距离值包括:对于任一条岩溶隧道,提取所述任一条岩溶隧道顶板最小安全距离测数据的特征向量;将每一个岩溶隧道顶板最小安全距离影响因素对应的特征向量输入预先训练后的支持向量机回归模型中,输出每一个岩溶隧道顶板最小安全距离对应的特征向量对应的岩溶隧道顶板最小安全距离;在岩溶隧道的建设中,溶洞有无以及溶洞距离隧道之间的距离至关重要;因此,提前预知岩溶隧道顶板最小安全距离对保证隧道安全施工非常重要;根据所述任一条岩溶隧道顶板最小安全距离的影响因素对应的岩溶隧道顶板最小安全距离,得到所述任一条岩溶隧道顶板最小安全距离值。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种岩溶隧道顶板安全厚度预测方法,其特征在于,包括以下步骤:
获取待预测岩溶隧道的顶板最小安全距离的影响因素;
将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;
其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
2.根据权利要求1所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,待预测岩溶隧道的顶板最小安全距离的影响因素包括隧道围岩条件、隧道侧压力系数、隧道埋深及溶洞尺寸;
其中,隧道围岩条件包括岩体粘聚力、岩体内摩擦角、岩体弹性模量、岩体泊松比及岩体容重;溶洞尺寸包括溶洞的高跨比。
3.根据权利要求1所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,预先训练好的岩溶隧道顶板安全厚度预测模型的训练过程,具体如下:
获取历史岩溶隧道的顶板最小安全距离的影响因素,利用均匀试验设计方法,构建训练样本的计算方案;
采用有限元数值试验模型,对构建的训练样本的计算方案进行数值计算,根据溶洞与隧道间的安全距离,确定每个计算方案对应的最小安全距离值;并将计算方案与对应的最小安全距离值构成训练输入样本;
基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数,将使得训练输入样本预测准确率最高的支持向量机回归模型参数作为支持向量机回归模型的最优参数组合,得到预先训练好的岩溶隧道顶板安全厚度预测模型,以通过预先训练好的岩溶隧道顶板安全厚度预测模型对待预测岩溶隧道进行安全厚度预测;
其中,支持向量机回归模型的关键参数包括惩罚因子及RBF核函数。
4.根据权利要求3所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,获取历史岩溶隧道的顶板最小安全距离影响因素,利用均匀试验设计方法,构建训练样本的计算方案的过程,具体如下:
根据获取的历史岩溶隧道的顶板最小安全距离的影响因素,确定因素数m和水平数n;
根据因素数m和水平数n,设计均匀试验设计表;并以确定的均匀试验设计表,构建训练样本的计算方案。
5.根据权利要求3所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,基于训练输入样本训练支持向量机回归模型,采用粒子群算法优化支持向量机回归模型的关键参数的过程,以待优化参数向量(c,g)为粒子群算法中的粒子;c为惩罚因子,g为RBF核函数;
具体如下:
初始化参数,设定种群规模、权重因子、最大迭代次数、粒子位置及粒子速度的限定范围;随机为粒子群中每个粒子指定初始位置和初始速度参数;粒子i的位置为(Xi,c,Xi,g),粒子i的速度为(Vi,c,Vi,g);
将粒子i的位置为(Xi,c,Xi,g)作为参数训练支持向量机回归模型;设置个体极值为粒子的当前位置,计算适应度值最好的个体极值作为最初的全局极值;
更新各粒子的速度和位置,若粒子速度和位置超出了各自的限定范围,则取边界值,限制粒子速度和位置,对于更新后的每个粒子,若当前粒子当前位置对应的适应度高于其历史最佳位置对应的适应度,则将当前位置作为该粒子的最佳位置;
更新种群位置,将每个粒子的当前最佳位置对应的适应度值与个体极值对应的适应度相比,若某个粒子当前最佳位置对应的适应度值优于个体极值对应的适应度值,则将该粒子当前最佳位置作为种群的最佳位置;否则,保留原值;
若迭代次数小于预设最大迭代次数,且最佳适应度值小于预设阈值,则返回继续迭代;否则结束迭代;将得到的种群最佳位置作为支持向量机回归模型的惩罚因子及RBF核函数的最优组合。
7.根据权利要求6所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,利用均方根误差MSE计算粒子的适应度值,通过调用fitness函数来实现。
8.根据权利要求3所述的一种岩溶隧道顶板安全厚度预测方法,其特征在于,采用粒子群算法优化支持向量机回归模型的关键参数之前,通过K折交叉验证算法选取关键参数,构建支持向量机回归模型的步骤;选取关键参数的步骤,具体过程如下:
将获取的历史岩溶隧道的顶板最小安全距离的影响因素,划分为k个集合,其中一个集合作为测试集,剩余k-1个集合则作为训练集;重复进行k次训练与测试,保证每个集合都作为测试集将被验证过一次;
计算k次训练的平均或加权平均交叉验证正确率,选取交叉验证正确率最高的一组参数作为关键参数;
将关键参数应用到模型中,构建得到支持向量机回归模型,并用于采用粒子群算法进行模型优化。
9.一种岩溶隧道顶板安全厚度预测系统,其特征在于,包括:
获取模块,用于获取待预测岩溶隧道的顶板最小安全距离的影响因素;
预测模块,用于将待预测岩溶隧道的顶板最小安全距离的影响因素输入预先训练好的岩溶隧道顶板安全厚度预测模型中,输出得到所述岩溶隧道顶板安全厚度预测结果;
其中,预先训练好的岩溶隧道顶板安全厚度预测模型为利用粒子群算法优化后的支持向量机回归模型。
10.一种岩溶隧道顶板安全厚度预测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述一种岩溶隧道顶板安全厚度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040530.5A CN113673136A (zh) | 2021-09-06 | 2021-09-06 | 岩溶隧道顶板安全厚度预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040530.5A CN113673136A (zh) | 2021-09-06 | 2021-09-06 | 岩溶隧道顶板安全厚度预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673136A true CN113673136A (zh) | 2021-11-19 |
Family
ID=78548539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111040530.5A Pending CN113673136A (zh) | 2021-09-06 | 2021-09-06 | 岩溶隧道顶板安全厚度预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673136A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
-
2021
- 2021-09-06 CN CN202111040530.5A patent/CN113673136A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
Non-Patent Citations (2)
Title |
---|
李书全等: "基于改进的PSO-SVM项目安全预测模型仿真与验证", 企业管理, pages 1 - 2 * |
王勇等: "基于 SVM 的溶洞顶板安全厚度智能预测模型", 岩土力学, pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102072922B (zh) | 基于粒子群优化神经网络模型的木材含水率检测方法 | |
Han et al. | Surrogate-based optimization | |
Mansley et al. | Sample-based planning for continuous action markov decision processes | |
CN112735535B (zh) | 预测模型训练、数据预测方法、装置和存储介质 | |
Lin et al. | Evaluation and prediction of slope stability using machine learning approaches | |
Örkcü et al. | Estimating the parameters of 3-p Weibull distribution using particle swarm optimization: A comprehensive experimental comparison | |
CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
Zheng et al. | Understanding the property of long term memory for the LSTM with attention mechanism | |
CN115049176A (zh) | 材料性能评估方法、装置及计算机设备 | |
CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
Kusiak et al. | Effective strategies of metamodelling of industrial metallurgical processes | |
Balkrishna Tandale et al. | Intelligent stiffness computation for plate and beam structures by neural network enhanced finite element analysis | |
Gilan et al. | Sustainable building design: A challenge at the intersection of machine learning and design optimization | |
CN103559340A (zh) | 一种基于comi-pso算法的不相关多源频域载荷识别方法 | |
Kapoor et al. | Transfer learning for improved generalizability in causal physics-informed neural networks for beam simulations | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
CN113673136A (zh) | 岩溶隧道顶板安全厚度预测方法、系统及设备 | |
Armstrong et al. | A fast resample method for parametric and semiparametric models | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
Ritter et al. | Noise-resilient empirical performance modeling with deep neural networks | |
Hokes et al. | Selecting the objective function during the inverse identification of the parameters of a material model of concrete | |
CN114169258A (zh) | 一种明渠的流量测量方法、装置、设备及存储介质 |
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 |