CN115618610B - 一种基于信息变权重的地下工程岩爆烈度评价方法 - Google Patents
一种基于信息变权重的地下工程岩爆烈度评价方法 Download PDFInfo
- Publication number
- CN115618610B CN115618610B CN202211287259.XA CN202211287259A CN115618610B CN 115618610 B CN115618610 B CN 115618610B CN 202211287259 A CN202211287259 A CN 202211287259A CN 115618610 B CN115618610 B CN 115618610B
- Authority
- CN
- China
- Prior art keywords
- rock burst
- rock
- index
- weight coefficient
- burst
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 336
- 238000011156 evaluation Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000004880 explosion Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 30
- 238000005315 distribution function Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000010006 flight Effects 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 abstract description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于信息变权重的地下工程岩爆烈度评价方法,属于岩爆预警技术领域,包括以下步骤:在地下工程开挖过程中开展工程地质信息采集,构建岩爆案例及对应岩爆指标信息样本库;选取多个参变量作为岩爆烈度等级的预测评价指标;对样本中各评价指标数据进行综合聚类分析,剔除离散化指标信息;求出样本库每个参变量在各岩爆等级下的隶属函数分布;构建基于多评价指标的岩爆概率综合预测公式;利用粒子群智能算法搜索出岩爆评价指标的最优权系数,并确定多评价指标组合下的权系数更新原则。该预测公式适用于不同指标信息组合情况下的岩爆预测,不仅可以确定出待预测区主要发生的岩爆烈度等级,同时能够得出其发生概率。
Description
技术领域
本发明属于岩爆预警技术领域,具体涉及一种基于信息变权重的地下工程岩爆烈度评价方法。
背景技术
近年来在水电、交通和矿山等其他岩石工程领域,建设了越来越多的深、长、大的地下工程。随着埋深的增加,高地应力条件下的岩爆发生频率也随之增加。岩爆又称作冲击地压,是在深埋地下工程开挖的过程中围岩受到扰动,导致应力发生变化而造成岩体内部弹性能突然释放,进而引起岩体劈裂剥落、弹射甚至大面积破坏的现象。其具有突然性和猛烈性,会造成严重的人员伤亡、机械设备损失和工期延误等。
岩爆烈度预测一直都是国内外学者研究的热点,是深埋硬岩地下工程施工的重要依据。由于岩爆发生机理的复杂性,岩爆烈度等级的预测方法体系的建立尚未完善。目前国内外常用的岩爆指标预测方法主要分为两大类:(1)单因素预测方法:如Hoek判据、Russenes判据、Turchaninov判据、Barton判据等。该预测方法最明显的优势在于其形式较为简单便于直接进行工程应用,但评价指标过于单一,未能充分考虑岩爆影响因素,在应用方面存在一定的片面性和局限性。(2)综合考虑多因素预测方法:如随机森林法、属性综合评价方法、人工神经网络、云模型判别法等。该预测方法主要以建立的岩爆实例库为基础,通过综合考虑多种控制因素的影响,进而建立出合适的经验数学模型或评价系统对岩爆烈度等级进行预测。该类方法的应用效果直接取决于评价系统或模型是否准确、指标的选取是否合理全面、取值是否客观地反映现场实际等。目前综合考虑多因素岩爆预测方法无法使用适用于实际工程中岩爆指标信息提取不完备的情况,且大多数预测方法仅仅是得到了岩爆发生等级,而未能给出岩爆等级发生的概率。
发明内容
本发明针对现有技术中岩爆等级预测方法中出现的问题,提供一种考虑到岩爆数据库案例指标信息不完备的特点,建立出基于工程地质信息的多指标变权重(输入指标数量可随机组合)综合判别的地下工程岩爆烈度等级评价方法。针对所构建的实例数据库初步建立出岩爆评价指标与岩爆等级间隶属函数的分布关系,并与经验判据进行对比分析,确定最优优化隶属函数,进而构建出基于多指标信息的岩爆概率综合预测公式。随后在搜索最优权系数的过程中融入动态更新方法,得到适用于指标信息不完备情况下多指标变权重(考虑不同数量输入指标的自由组合)综合判别的地下工程岩爆烈度等级概率预测公式。为了实现上述目的,本发明提供如下技术方案:
一种基于信息变权重的地下工程岩爆烈度评价方法,包括以下步骤:
构建岩爆案例及对应岩爆指标信息样本库,获取影响岩爆发生的多参量信息;
选取与岩爆烈度等级相关的多个预测评价指标,通过聚类分析的方法将岩爆指标信息样本库中各评价指标的数据综合聚类,根据聚类结果构建岩爆样本数据库;
根据岩爆样本数据库中的各评价指标数据,确定各岩爆评价指标在不同岩爆等级下的隶属函数;根据所构建的隶属函数与常用经验判据对岩爆样本数据库进行回判,通过岩爆烈度等级的吻合率对比结果,进一步确定各个岩爆评价指标对应的最终隶属函数,进而构建出基于评价指标隶属函数与权系数的岩爆概率预测公式;
利用粒子群智能算法获取岩爆概率预测公式中各个评价指标的最优权系数;
根据岩爆预测评价指标的组合类型,确定岩爆概率预测公式中评价指标权系数更新原则,从而构建考虑多信息变权重的岩爆概率综合预测公式;
将待预测区实际调查得到的岩爆评价指标信息输入至相应评价指标组合下的岩爆概率综合预测公式中,预测该区域潜在的岩爆烈度等级及发生概率。
进一步的,所述构建岩爆案例及对应岩爆指标信息样本库,具体包括:
选取已建或在建工程中发生的岩爆案例构建岩爆数据库,并收集与岩爆发生密切相关的工程地质条件、应力条件、岩石力学特性信息,构建岩爆案例及对应岩爆指标信息样本库。
进一步的,多个所述预测评价指标,具体包括:
弹性应变能指数Wet、岩体完整性系数Kv、岩石单轴抗压强度与围岩最大主应力之比σc/σ1、围岩最大切向应力与岩石单轴抗压强度之比σθ/σc和岩石单轴抗压强度与岩石单轴抗拉强度之比σc/σt。
进一步的,所述通过聚类分析的方法将岩爆指标信息样本库中各评价指标的数据综合聚类,根据聚类结果构建岩爆样本数据库,具体包括:
将岩爆指标信息样本库中的各预测评价指标数据标准化;
将平方欧氏距离作为聚类的样本距离;
将类间平均连接法作为聚类的类间距对岩爆指标信息样本库中的各评价指标数据进行聚类;
根据聚类的结果,剔除离散化较大的指标数据,得到最终岩爆样本数据库。
进一步的,所述确定各岩爆评价指标在不同岩爆等级下的隶属函数,具体包括:
将每个岩爆等级各岩爆评价指标信息的均值D作为各自等级岩爆的中心点和相邻等级岩爆的分界点;
根据所构建的初步隶属函数与常用经验判据对岩爆样本数据库进行回判,通过岩爆烈度等级的吻合率对比结果,进一步确定各个岩爆评价指标对应的最终隶属函数;
构建出各个指标对应不同岩爆等级的概率分布函数,具体包括以下步骤:
①当j为最高等级岩爆时,
②当j为最低等级岩爆时,
③当j为其他等级岩爆时,
式中Pij为评价指标在不同岩爆等级下的概率分布函数,i为岩爆预测评价指标,j为岩爆烈度等级,Dij为j等级岩爆样本中评价指标i数据集对应的均值,X为实际观测所得的的指标取值。
进一步的,所述构建考虑多信息变权重的岩爆概率综合预测公式,具体包括:
建立基于多评价指标信息的深埋地下工程岩爆烈度等级预测公式:
式中i为岩爆评价指标,即Wet、Kv、σc/σ1、σθ/σc和σc/σt,其下标依次用1、2、3、4和5来表示;j为岩爆烈度等级,即无岩爆、轻微岩爆、中等岩爆和强烈岩爆,其下标依次记为0、1、2和3;Pj表示j等级岩爆发生的概率,ki表示i指标的权系数,Pij表示基于指标i的j等级岩爆的概率分布函数。
进一步的,所述利用粒子群智能算法获取岩爆预测公式中各评价指标的最优权系数,具体包括:
将PSO算法中的基本参数群体规模Ng,惯性权重w,学习因子n1和n2,飞行次数S,适应值结束条件ε和岩爆评价指标信息对应的权系数取值范围的上下限进行初始化设置,并在权系数的范围内将粒子群中粒子的飞行速度Vi和位置Yi初始化;在初始化的设置中要使关键指标权系数之和恒为1,进行下一步之前令群体飞行次数s为0;
将Yi代入岩爆概率综合预测公式中,对岩爆样本库中的岩爆等级及其概率进行预测,得到的结果与实际岩爆等级进行对比,然后求解得到适应值Qi;通过适应值Qi的大小确定全局最佳权系数Kg和粒子群中粒子个体飞行中最优权系数Kj;
将适应值Qi与适应值结束条件ε,群体飞行代数s与S分别进行对比,若Qi>ε或者s>S,则输出全局最优权系数Kg,结束搜索,否则进行下一步;
令s=s+1,将粒子群中粒子飞行速度和位置进行更新,得到相应的指标权系数Kj,然后再次求解适应值Qi,在此过程中确保各指标的权系数在上下限的范围内以及和为1。
进一步的,所述确定岩爆概率综合预测公式中评价指标权系数更新原则,具体包括:
针对岩爆预测评价指标不完备的情况,在利用所述岩爆预测公式时,将利用PSO搜索所得各评价指标权系数按照比例分配原则进行更新,得到相应指标组合情况下岩爆概率预测公式中最新权系数值;
将未采用到的指标权系数记为0,将其权重按照比例分配叠加至其余指标中,更新岩爆概率综合预测公式中相应评价指标的权系数。
本发明提供的一种基于信息变权重的地下工程岩爆烈度评价方法具有以下有益效果:
本发明一方面在建立岩爆评价指标与岩爆等级的隶属函数关系上进行了相应经验判决适应性对比分析,得出最优隶属函数,使得所建立的概率综合预测公式在岩爆等级预测准确度上得到了提升。另一方面针对岩爆评价指标的权重确定采用了粒子群(PSO)智能算法,使得到的权系数避免了人为主观性的干扰,同时在岩爆评价指标权系数确定的基础上提出了权系数更新原则,使得所提出的概率预测公式可以适用于指标信息不完备情况下(考虑不同数量与类型的输入指标的自由组合)的地下工程岩爆烈度等级预测。利用该预测公式不仅可以预测主要发生的岩爆烈度等级,还能得到各等级岩爆发生的概率。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,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为本发明提供的一种基于信息变权重的地下工程岩爆烈度评价方法的流程图。
图2为评价指标Wet对应的岩爆烈等级隶属函数分布图。
图3为评价指标Kv对应的岩爆烈等级隶属函数分布图。
图4为评价指标σc/σ1对应的岩爆烈等级隶属函数分布图。
图5为评价指标σθ/σc对应的岩爆烈等级隶属函数分布图。
图6为评价指标σc/σt对应的岩爆烈等级隶属函数分布图。
图7为粒子群算法搜索过程中的收敛过程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供了一种基于信息变权重的地下工程岩爆烈度评价方法,具体如图1所示,包括以下步骤:
步骤1:在地下工程开挖过程中开展工程地质信息采集,构建岩爆案例及对应岩爆指标信息样本库,获取与岩爆发生有关的的多参量信息。
步骤2:根据岩爆发生机理,选取弹性应变能指数(Wet)、岩体完整性系数(Kv)、岩石单轴抗压强度与围岩最大主应力之比(地应力值倒数σc/σ1)、围岩最大切向应力与岩石单轴抗压强度之比(应力系数σθ/σc)和岩石单轴抗压强度与岩石单轴抗拉强度之比(脆性系数σc/σt)等五个参变量作为岩爆烈度等级的预测评价指标。
步骤3:通过聚类分析的方法将样本中各评价指标的数据综合聚类,根据聚类分析的结果,从而确定最终岩爆样本数据库。
步骤3.1:将样本中的各岩爆评价指标的数据标准化。
步骤3.2:选用平方欧氏距离作为聚类的样本距离。
步骤3.3:选用类间平均连接法等作为聚类的类间距进行聚类。
步骤3.4:根据聚类的结果,剔除异常岩爆指标信息,得到最终岩爆样本据库。
步骤4:求出各个评价指标在不同岩爆等级下的隶属函数分布。
步骤4.1:针对不同等级下的岩爆案例样本集合,计算某一评价指标的均值D,将该均值作为该等级岩爆下的该评价指标分布的中心点,并将其视为区分相邻等级岩爆的分界点。
步骤4.2:逐一构建出各个评价指标对应不同岩爆等级的概率分布函数,记为Pij(i代表指标,j代表岩爆等级),各指标的隶属函数分布如图2至图6所示
详细计算步骤:
①当j为最高等级岩爆时,
②当j为最低等级岩爆时,
③当j为其他等级岩爆时,
式中Dij为指标i在j等级岩爆数据中的均值,X为测得的指标取值。
步骤5:基于优化隶属函数与权系数的岩爆概率综合预测公式
建立基于评价指标数据规律的深埋地下工程岩爆预测标准公式:
式中i为指标(Wet、Kv、σc/σ1、σθ/σc和σc/σ1,其下标依次用1、2、3、4和5来表示),j为岩爆等级(无岩爆、轻微岩爆、中等岩爆和强烈岩爆,其下标依次记为0、1、2和3),Pj表示j等级岩爆发生的概率,ki表示i指标的权系数,Pij表示基于指标i的j等级岩爆的概率分布函数。
步骤6:粒子群智能算法搜索出岩爆评价指标的最优权系数,如图7所示,包括:
步骤6.1:将PSO算法中的基本参数(群体规模Ng,惯性权重w,学习因子n1和n2,飞行次数S,适应值结束条件ε)和岩爆评价指标对应的权系数取值范围的上下限进行初始化设置,并在权系数的范围内将粒子群中粒子的飞行速度Vi和位置Yi初始化。在初始化的设置中要使关键指标权系数之和恒为1,进行下一步之前令群体飞行次数s为0。
步骤6.2:将Yi代入岩爆概率综合预测公式中,对岩爆实例数据库中的岩爆等级及其概率进行预测,得到的结果与实际岩爆等级进行对比,然后根据下式求解得到适应值Qi。通过适应值Qi的大小确定全局最佳权系数Kg和粒子群中粒子个体飞行中最优权系数Kj。
Q=kQ1+Q2
式中Q1为预测与实际相吻合的实例个数,Q2表示所有实例中实际岩爆等级对应的预测概率之和。
步骤6.3:将适应值Qi与适应值结束条件ε,飞行代数s与S分别进行对比,若Qi>ε或者s>S,则输出全局最优权系数Kg,结束搜索;否则进行下一过程④。
步骤6.4:令s=s+1,将粒子群中粒子按照下式进行飞行速度和位置的更新,得到相应的指标权系数Kj,然后再次进行过程②的步骤,在此过程中确保各指标的权系数在上下限的范围内以及和为1。
Vid=wVid+n1u1(Pid-Yid)+n2u2(Pgd-Yid)
Yid=Yid+Vid
步骤7:最优权系数的再分配
基于采集岩爆实例信息不完备情况下,对所得各岩爆评价指标权系数按照比例分配原则进行再次分配,将未采用到的指标权系数记为0,将其权重按照比例分配叠加至其余指标中,更新岩爆概率综合预测公式中相应评价指标的权系数。
步骤8:岩爆烈度等级的概率预测
根据工程待预测区调查所得的岩爆预测评价指标信息,将其输入至岩爆概率综合预测公式中,通过计算获得该区域潜在的岩爆烈度等级及对应的发生概率。
下面通过一个具体的实施例来验证本发明提供的基于多信息变权重的岩爆烈度评价方法,具体包括以下步骤:
1、通过岩爆案例信息收集,初步建立岩爆实例样本库(见附表1),选取6个特征参数,即弹性应变能指数(Wet)、岩体完整性系数(Kv)、岩石单轴抗压强度与围岩最大主应力之比(地应力值倒数σc/σ1)、围岩最大切向应力与岩石单轴抗压强度之比(应力系数σθ/σc)和岩石单轴抗压强度与岩石单轴抗拉强度之比(脆性系数σc/σt),确定特征参数的统计特征,其中统计特征包括均值、标准差、方差和分布范围。
表1具有明显特征的指标数据统计表
2、将数据库中的岩爆评价指标进行聚类分析,具体步骤如下:
①假设某等级岩爆有n个实例,第i个实例的某一指标数据为xi(i=1,2,3···,n),最小值和最大值分别是xmin和xmax。首先利用如下式(2.10)将某等级岩爆实例中的某一指标数据进行归一化处理,经过变换后这些数据的最大值为1,最小值为0,其他数据取值在0~1之间。
②分别对不同等级岩爆的每一项指标数据进行聚类分析,将该等级岩爆的n个实例各自归为一类,分别计算第i个和第j个实例的指标数据之间的距离dij(见式(2.11)),然后把两个距离最近的数据划为一类。
dij=|xi-xj|式中i,j=1,2,…,n。
③紧接着第二步继续计算剩下的n-1类之间的距离,并将距离最近的两类合并。若剩下类的个数大于1,则合并至一类时停止计算。
④停止合并类后绘制出相应的聚类谱系图,谱系图横坐标代表类之间的距离,纵坐标表示实例编号。将距离接近且集中的划为一大类作为该指标在该等级下的代表性特征值,其他未划入该大类的便是离散数据。
3、将聚类分析后的岩爆实例数据库中的五个岩爆评价指标分别按照隶属函数构建方法得到其与岩爆等级之间的概率分布函数关系式。
4、构建的评价指标隶属函数可以作为预测岩爆等级的判据,与相应的岩爆指标经验判据所得到的分布函数通过案例吻合率对比,进一步得到优化后的五个岩爆评价指标在不同岩爆等级下的概率分布函数。
5、根据岩爆各评价指标的不同岩爆等级的概率分布函数,带入至岩爆概率预测公式中展开形成不同岩爆烈度等级的综合预测公式,如下:
PN=k1P10+k2P20+k3P30+k4P40+k5P50
PL=k1P11+k2P21+k3P31+k4P41+k5P51
PM=k1P12+k2P22+k3P32+k4P42+k5P52
PS=k1P13+k2P23+k3P33+k4P43+k5P53
式中PN、PL、PM和PS分别表示在综合了各评价指标同一岩爆等级下的分布规律后,得到的无岩爆、轻微岩爆、中等岩爆和强烈岩爆发生的概率,其他参数的表示含义如前文所述。
7、运用此过程针对确定的评价指标岩爆实例数据库进行权系数搜索,搜索过程的参数设置如下:群体规模Ng=8000,惯性权重w=0.8,学习因子n1=n2=2,飞行次数=2000,适应值结束条件ε=600,适应值系数k=5,权系数范围为0~0.5。
8、最终得到各评价指标的最优权系数值,
Kg={k1,k2,k3,k4,k5}={0.082,0.210,0.398,0.130,0.180}
9、利用比例分配原则能够将缺失指标的权系数按照各剩余指标权系数的比例进行再分配,然后将各剩余指标原有的权系数值与再分配的数值相加得到新的权系数值,得到考虑权系数更新的岩爆概率综合预测公式。
10、将工程待预测区调查所得的岩爆预测评价指标信息输入至岩爆概率综合预测公式中,通过计算获得该区域不同岩爆烈度等级发生的概率,输出最可能发生的岩爆等级。
11、基于以上建立的岩爆烈度概率预测方法,以我国21个典型的岩爆案例进行评价,如下表所示,以此来验证本发明所建立方法的适用性。
21个典型岩爆案例及参量信息如表2,岩爆等级分别用相应数字表示(0-无岩爆,1-轻微岩爆,2-中等岩爆,3-强烈岩爆):
表2用以验证岩爆预测方法的国内地下工程岩爆实例
将数据库中实例代入岩爆概率综合预测公式中,得到如表3所示的结果:
表3岩爆预测结果
最终得到预测吻合度如下表4:
表4岩爆预测吻合度
该岩爆烈度评价方法公式在这21组岩爆实例中的预测准确率为85.7%,说明其在岩爆等级预测方面具有较高的适用性,可在实际工程中运用。
本发明对21个国内典型岩爆实例工程进行预警并与实际情况对比,结果显示评价方法的测试准确率达到了85.7%。此应用表明本发明提出的基于工程地质信息的岩爆实例数据库信息不完备情况下多指标变权重(输入指标可自由组合)综合判别的地下工程岩爆烈度等级评价方法具有较高的实用性和准确率,可确定出主要发生的岩爆等级,而且能够得到各等级岩爆发生的概率。
考虑到岩爆数据库案例指标信息不完备的特点,提出了基于工程地质信息多指标变权重综合判别的地下工程岩爆烈度等级概率综合预测方法,构建了关键预测指标对应的岩爆烈度等级隶属函数。考虑到以往权重确定的特点,采用基于粒子群(PSO)智能算法搜索获取最优权系数,一方面使得到的权重避免了人为主观性的干扰,另一方面解决了一般机器学习算法中的僵硬求解而无法收敛的问题。在此基础上确定了权系数可再分配的方法,最终建立了一套适用于指标信息不完备情况下多指标变权重(考虑不同数量输入指标的自由组合)综合判别的地下工程岩爆烈度等级概率综合预测公式,利用该预测公式不仅可以确定出主要发生的岩爆等级,而且能够得到各等级岩爆发生的概率。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (5)
1.一种基于信息变权重的地下工程岩爆烈度评价方法,其特征在于,包括以下步骤:
构建岩爆案例及对应岩爆指标信息样本库,获取影响岩爆发生的多参量信息;
选取与岩爆烈度等级相关的多个预测评价指标,通过聚类分析的方法将岩爆指标信息样本库中各评价指标的数据综合聚类,根据聚类结果构建岩爆样本数据库;
根据岩爆样本数据库中的各评价指标数据,确定各岩爆评价指标在不同岩爆等级下的隶属函数;根据所构建的隶属函数与常用经验判据对岩爆样本数据库进行回判,通过岩爆烈度等级的吻合率对比结果,进一步确定各个岩爆评价指标对应的最终隶属函数,进而构建出基于评价指标隶属函数与权系数的岩爆概率预测公式;
利用粒子群智能算法获取岩爆概率预测公式中各个评价指标的最优权系数;
根据岩爆预测评价指标的组合类型,确定岩爆概率预测公式中评价指标权系数更新原则,从而构建考虑多信息变权重的岩爆概率综合预测公式;
将待预测区域实际调查得到的岩爆评价指标信息输入至相应评价指标组合下的岩爆概率综合预测公式中,预测该区域潜在的岩爆烈度等级及发生概率;
其中,所述确定各岩爆评价指标在不同岩爆等级下的隶属函数,具体包括:
将每个岩爆等级各岩爆评价指标信息的均值D作为各自等级岩爆的中心点和相邻等级岩爆的分界点;
根据所构建的初步隶属函数与常用经验判据对岩爆样本数据库进行回判,通过岩爆烈度等级的吻合率对比结果,进一步确定各个岩爆评价指标对应的最终隶属函数;
构建出各个指标对应不同岩爆等级的概率分布函数,具体包括以下步骤:
①当j为最高等级岩爆时,
②当j为最低等级岩爆时,
③当j为其他等级岩爆时,
式中Pij为评价指标在不同岩爆等级下的概率分布函数,i为岩爆预测评价指标,j为岩爆烈度等级,Dij为j等级岩爆样本中评价指标i数据集对应的均值,X为实际观测所得的的指标取值;
所述利用粒子群智能算法获取岩爆预测公式中各评价指标的最优权系数,具体包括:
将PSO算法中的基本参数群体规模Ng,惯性权重w,学习因子n1和n2,飞行次数S,适应值结束条件ε和岩爆评价指标信息对应的权系数取值范围的上下限进行初始化设置,并在权系数的范围内将粒子群中粒子的飞行速度Vi和位置Yi初始化;在初始化的设置中要使关键指标权系数之和恒为1,进行下一步之前令群体飞行次数s为0;
将Yi代入岩爆概率综合预测公式中,对岩爆样本库中的岩爆等级及其概率进行预测,得到的结果与实际岩爆等级进行对比,然后求解得到适应值Qi;通过适应值Qi的大小确定全局最佳权系数Kg和粒子群中粒子个体飞行中最优权系数Kj;
将适应值Qi与适应值结束条件ε,群体飞行代数s与S分别进行对比,若Qi>ε或者s>S,则输出全局最优权系数Kg,结束搜索,否则进行下一步;
令s=s+1,将粒子群中粒子飞行速度和位置进行更新,得到相应的指标权系数Kj,然后再次求解适应值Qi,在此过程中确保各指标的权系数在上下限的范围内以及和为1;
所述利用粒子群智能算法获取岩爆预测公式中各评价指标的最优权系数,具体包括:
将PSO算法中的基本参数群体规模Ng,惯性权重w,学习因子n1和n2,飞行次数S,适应值结束条件ε和岩爆评价指标信息对应的权系数取值范围的上下限进行初始化设置,并在权系数的范围内将粒子群中粒子的飞行速度Vi和位置Yi初始化;在初始化的设置中要使关键指标权系数之和恒为1,进行下一步之前令群体飞行次数s为0;
将Yi代入岩爆概率综合预测公式中,对岩爆样本库中的岩爆等级及其概率进行预测,得到的结果与实际岩爆等级进行对比,然后求解得到适应值Qi;通过适应值Qi的大小确定全局最佳权系数Kg和粒子群中粒子个体飞行中最优权系数Kj;
将适应值Qi与适应值结束条件ε,群体飞行代数s与S分别进行对比,若Qi>ε或者s>S,则输出全局最优权系数Kg,结束搜索,否则进行下一步;
令s=s+1,将粒子群中粒子飞行速度和位置进行更新,得到相应的指标权系数Kj,然后再次求解适应值Qi,在此过程中确保各指标的权系数在上下限的范围内以及和为1。
2.根据权利要求1所述的一种基于信息变权重的地下工程岩爆烈度评价方法,其特征在于,所述构建岩爆案例及对应岩爆指标信息样本库,具体包括:
选取已建或在建工程中发生的岩爆案例构建岩爆数据库,并收集与岩爆发生密切相关的工程地质条件、应力条件、岩石力学特性信息,构建岩爆案例及对应岩爆指标信息样本库。
3.根据权利要求1所述的一种基于信息变权重的地下工程岩爆烈度评价方法,其特征在于,多个所述预测评价指标,具体包括:
弹性应变能指数Wet、岩体完整性系数Kv、岩石单轴抗压强度与围岩最大主应力之比σc/σ1、围岩最大切向应力与岩石单轴抗压强度之比σθ/σc和岩石单轴抗压强度与岩石单轴抗拉强度之比σc/σt。
4.根据权利要求1所述的一种基于信息变权重的地下工程岩爆烈度评价方法,其特征在于,所述通过聚类分析的方法将岩爆指标信息样本库中各评价指标的数据综合聚类,根据聚类结果构建岩爆样本数据库,具体包括:
将岩爆指标信息样本库中的各预测评价指标数据标准化;
将平方欧氏距离作为聚类的样本距离;
将类间平均连接法作为聚类的类间距对岩爆指标信息样本库中的各评价指标数据进行聚类;
根据聚类的结果,剔除离散化较大的指标数据,得到最终岩爆样本数据库。
5.根据权利要求1所述的一种基于信息变权重的地下工程岩爆烈度评价方法,其特征在于,所述构建考虑多信息变权重的岩爆概率综合预测公式,具体包括:
建立基于多评价指标信息的深埋地下工程岩爆烈度等级预测公式:
式中i为岩爆评价指标,即Wet、Kv、σc/σ1、σθ/σc和σc/σt,其下标依次用1、2、3、4和5来表示;j为岩爆烈度等级,即无岩爆、轻微岩爆、中等岩爆和强烈岩爆,其下标依次记为0、1、2和3;Pj表示j等级岩爆发生的概率,ki表示i指标的权系数,Pij表示基于指标i的j等级岩爆的概率分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287259.XA CN115618610B (zh) | 2022-10-20 | 2022-10-20 | 一种基于信息变权重的地下工程岩爆烈度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287259.XA CN115618610B (zh) | 2022-10-20 | 2022-10-20 | 一种基于信息变权重的地下工程岩爆烈度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618610A CN115618610A (zh) | 2023-01-17 |
CN115618610B true CN115618610B (zh) | 2023-11-07 |
Family
ID=84865272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211287259.XA Active CN115618610B (zh) | 2022-10-20 | 2022-10-20 | 一种基于信息变权重的地下工程岩爆烈度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618610B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110584B (zh) * | 2023-10-23 | 2024-03-26 | 中铁四局集团有限公司 | 一种应变型隧道岩爆烈度等级预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN109948198A (zh) * | 2019-02-28 | 2019-06-28 | 大连海事大学 | 一种基于非线性函数的围岩分级可靠性评价方法 |
CN112949202A (zh) * | 2021-03-19 | 2021-06-11 | 交通运输部科学研究院 | 一种基于贝叶斯网络的岩爆概率预测方法 |
CN113076700A (zh) * | 2021-04-27 | 2021-07-06 | 昆明理工大学 | 一种基于数据分析原理的svm-lda岩爆机器学习预测模型方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9103933B2 (en) * | 2011-05-06 | 2015-08-11 | Westerngeco L.L.C. | Estimating a property by assimilating prior information and survey data |
-
2022
- 2022-10-20 CN CN202211287259.XA patent/CN115618610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN109948198A (zh) * | 2019-02-28 | 2019-06-28 | 大连海事大学 | 一种基于非线性函数的围岩分级可靠性评价方法 |
CN112949202A (zh) * | 2021-03-19 | 2021-06-11 | 交通运输部科学研究院 | 一种基于贝叶斯网络的岩爆概率预测方法 |
CN113076700A (zh) * | 2021-04-27 | 2021-07-06 | 昆明理工大学 | 一种基于数据分析原理的svm-lda岩爆机器学习预测模型方法 |
Non-Patent Citations (1)
Title |
---|
突变级数法在隧道岩爆等级预测中应用;张天余;李建朋;廖万辉;;公路(第09期);321-325页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115618610A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN107992746A (zh) | 恶意行为挖掘方法及装置 | |
CN105677873A (zh) | 基于领域知识模型的文本情报关联聚类汇集处理方法 | |
CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
CN107038505B (zh) | 基于机器学习的找矿模型预测方法 | |
CN115618610B (zh) | 一种基于信息变权重的地下工程岩爆烈度评价方法 | |
CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
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 | |
CN112685459A (zh) | 一种基于K-means集群算法的攻击源特征识别方法 | |
Chandrashekhar et al. | Performance evaluation of data clustering techniques using KDD Cup-99 Intrusion detection data set | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN114596010B (zh) | 一种结合注意力机制的BiGRU网络钻井工况识别方法 | |
CN109858134A (zh) | 大数据驱动的辅助多装备系统体系结构模型构建的方法 | |
CN115034671A (zh) | 基于关联规则与聚类的二次系统信息故障分析方法 | |
CN110765668B (zh) | 一种基于偏差指标的混凝土侵彻深度试验数据异常点检测方法 | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
Huang et al. | Evaluation of rock quality of tunnel wall rock based on rough set theory and unascertained measurement theory | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
CN110097126B (zh) | 基于dbscan聚类算法的核查重点人员、房屋漏登记的方法 | |
Liang et al. | Shearer cutting pattern recognition based on multi-scale fuzzy entropy and support vector machine |
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 |