權(quán)利要求書(shū)： 1.一種基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法，其特征在于，包括如下步驟：

第一步：樣本數(shù)據(jù)采集

選定地質(zhì)條件復(fù)雜的隧道項(xiàng)目，隨著隧道開(kāi)挖掘進(jìn)的同時(shí)，對(duì)隧道工作面前方圍巖進(jìn)行超前鉆探，并采集整條隧道施工時(shí)的超前鉆進(jìn)參數(shù)和選定的支護(hù)模式作為樣本；選定的支護(hù)模式以阿拉伯?dāng)?shù)字序號(hào)表示，對(duì)于區(qū)段內(nèi)相同的支護(hù)模式，只需記錄一次；

所述的鉆進(jìn)參數(shù)包括：鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力、鉆比能量；其中鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力為直接測(cè)得的鉆進(jìn)參數(shù)，鉆比能量為鉆進(jìn)單位體積巖石所需要的能量，是間接計(jì)算得到的鉆進(jìn)參數(shù)，鉆比能量的計(jì)算公式為： 其中，Ed為鉆進(jìn)比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打頻率，v為鉆進(jìn)速度，S為鉆孔直徑，k為損失系數(shù)；

第二步：樣本數(shù)據(jù)預(yù)處理

對(duì)步驟一采集到的支護(hù)模式序號(hào)數(shù)據(jù)進(jìn)行編碼，按矩陣[00100…]中數(shù)字1從左至右所處的位數(shù)對(duì)應(yīng)支護(hù)模式的序號(hào)進(jìn)行編號(hào)，一組鉆進(jìn)參數(shù)和一個(gè)支護(hù)模式編碼構(gòu)成一個(gè)數(shù)據(jù)集，所有的數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)庫(kù)，將樣本數(shù)據(jù)庫(kù)中的6個(gè)鉆進(jìn)參數(shù)歸一化到[0?1]數(shù)值；

第三步：確定最優(yōu)預(yù)測(cè)模型及參數(shù)

將采集到的樣本數(shù)據(jù)庫(kù)分別按80％和20％的比例劃分為訓(xùn)練集和測(cè)試集，并用鉆進(jìn)參數(shù)作為預(yù)測(cè)模型的輸入，支護(hù)模式作為預(yù)測(cè)模型的輸出，具體確定過(guò)程如下：第3.1步：采用多元線性回歸模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)對(duì)訓(xùn)練集進(jìn)行多元線性回歸擬合，得到擬合方程，再將測(cè)試集的鉆進(jìn)參數(shù)代入到得到的擬合方程，求出對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率；

第3.2步：采用神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，從而確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)，具體包括以下過(guò)程：

3.2.1：采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、動(dòng)量系數(shù)、激活函數(shù)；

3.2.2：設(shè)置對(duì)照試驗(yàn)，將神經(jīng)網(wǎng)絡(luò)的輸入維度分別設(shè)置為1至6，神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層，隱含層節(jié)點(diǎn)數(shù)設(shè)置為30，然后對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值，也就是預(yù)測(cè)正確率；分別對(duì)訓(xùn)練集和測(cè)試集得到的模型評(píng)價(jià)指標(biāo)值進(jìn)行排序，排序原則為，越大的預(yù)測(cè)正確率獲得的排序序號(hào)值越大，最大的序號(hào)值對(duì)應(yīng)的結(jié)果即為最優(yōu)的模型評(píng)價(jià)指標(biāo)值，以此來(lái)確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入維度，即確定最優(yōu)的鉆進(jìn)參數(shù)組合；

3.2.3：設(shè)置對(duì)照試驗(yàn)，設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)量，將步驟3.2.2中確定的最優(yōu)鉆進(jìn)參數(shù)組合設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，神將網(wǎng)絡(luò)的隱含層設(shè)置為1層，然后對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值，同時(shí)確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，進(jìn)而確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

第3.3步：采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用步驟3.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定遺傳算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，具體包括以下過(guò)程：

3.3.1：采用試錯(cuò)法確定最優(yōu)的變異概率和交叉概率參數(shù)；

3.3.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.3.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集的支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率值，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

3.3.4:采用步驟3.3.1、3.3.2和3.3.3中確定的最優(yōu)遺傳算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

第3.4步：采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，具體包括以下過(guò)程：

3.4.1：采用試錯(cuò)法確定最優(yōu)的自適應(yīng)參數(shù)c1,c2和慣性因子參數(shù)；

3.4.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.4.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為種群算法最優(yōu)的最大迭代次數(shù)；

3.4.4：采用步驟3.4.1、3.4.2和3.4.3中確定的最優(yōu)種群算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率；

第3.5步：采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟

3.2中確定的最優(yōu)的參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率；具體過(guò)程如下：

3.5.1：采用試錯(cuò)法確定最優(yōu)的的神經(jīng)網(wǎng)絡(luò)模型隨機(jī)數(shù)β、偏移方向θ和殖民地影響因子ξ參數(shù)；

3.5.2：對(duì)于總國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、

350、400、450、500、550、600，帝國(guó)數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟

3.2.2中的排序原則，確定最優(yōu)的總國(guó)家數(shù)量；

3.5.3：對(duì)于帝國(guó)主義國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、

300、350、400、450、500、550、600，總國(guó)家數(shù)量設(shè)置為b中確定的最優(yōu)總國(guó)家數(shù)量，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的帝國(guó)主義國(guó)家數(shù)量；

3.5.4：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，總國(guó)家數(shù)量分別設(shè)置為50、75、100、150、

200、250、300、350、400、450、500、550、600，帝國(guó)主義數(shù)量設(shè)置為c中確定的最優(yōu)帝國(guó)主義國(guó)家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集的支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)于所有的總國(guó)家數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為帝國(guó)競(jìng)爭(zhēng)算法最優(yōu)的最大迭代次數(shù)；

3.5.5：采用步驟3.5.1、3.5.2、3.5.3和3.5.4中確定的最優(yōu)帝國(guó)競(jìng)爭(zhēng)算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.6步：對(duì)步驟3.1到步驟3.5獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型獲得的最優(yōu)模型評(píng)價(jià)指標(biāo)值進(jìn)行對(duì)比，同樣利用步驟3.2.2中中的排序原則，最終確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，進(jìn)而確定最優(yōu)的預(yù)測(cè)模型及參數(shù)；

第四步：支護(hù)模式選型快速實(shí)時(shí)預(yù)測(cè)

在其他隧道項(xiàng)目開(kāi)挖施工時(shí)，在超前鉆進(jìn)時(shí)，僅記錄鉆機(jī)鉆進(jìn)參數(shù)，不記錄支護(hù)模式，采集的鉆機(jī)鉆進(jìn)參數(shù)經(jīng)過(guò)預(yù)處理后，利用步驟3.6中最優(yōu)的支護(hù)模式預(yù)測(cè)模型對(duì)預(yù)處理后的鉆進(jìn)參數(shù)進(jìn)行分析，最終預(yù)測(cè)出支護(hù)模式選型。

說(shuō)明書(shū)： 基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及巖土工程支護(hù)選型領(lǐng)域，尤其涉及一種基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法。

背景技術(shù)[0002] 在隧道施工過(guò)程中，往往會(huì)遇到大量影響安全生產(chǎn)的地質(zhì)因素，特別是因探測(cè)技術(shù)限制而未能提前預(yù)測(cè)到的險(xiǎn)惡復(fù)雜地質(zhì)條件，比如斷層構(gòu)造、巖層突變、巖溶及其它含水

異常體，都將會(huì)較大可能的造成隧道施工過(guò)程中支護(hù)的失穩(wěn)，從而引發(fā)突發(fā)性事故。而現(xiàn)有

的隧道支護(hù)模式選型技術(shù)：一方面通過(guò)對(duì)整體地質(zhì)的粗略預(yù)估，往往會(huì)導(dǎo)致支護(hù)設(shè)計(jì)的不

合理，比如超支或者欠支；另一方面根據(jù)掘進(jìn)工作面施工揭露的地質(zhì)情況或者采用物理探

測(cè)等超前探測(cè)技術(shù)來(lái)超前探測(cè)工作面前方地質(zhì)條件，再依據(jù)人工經(jīng)驗(yàn)進(jìn)行支護(hù)模式的選

型，如此復(fù)雜的流程將導(dǎo)致支護(hù)模式選型的不及時(shí)，同時(shí)還往往因人工經(jīng)驗(yàn)的不足或者主

觀因素的影響而造成支護(hù)模式的選型不合理。因此，盡管傳統(tǒng)的支護(hù)模式選型技術(shù)能夠滿

足良好的地質(zhì)條件下隧道安全施工的要求，但卻不能滿足危險(xiǎn)復(fù)雜地質(zhì)條件的施工要求。

[0003] 隨著先進(jìn)的隨鉆探測(cè)技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，使得利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)鉆進(jìn)參數(shù)進(jìn)行分析進(jìn)而對(duì)隧道工作面前方地質(zhì)條件的超前預(yù)測(cè)成為可能，但同時(shí)面臨以下

技術(shù)瓶頸：

[0004] (1)現(xiàn)場(chǎng)采集的鉆進(jìn)參數(shù)需專(zhuān)業(yè)技術(shù)人員的后期分析，無(wú)法保證分析的實(shí)時(shí)性；(2)采用常規(guī)統(tǒng)計(jì)學(xué)技術(shù)對(duì)數(shù)以幾十萬(wàn)計(jì)甚至更多的鉆進(jìn)參數(shù)的分析效率較低；(3)利用神

經(jīng)網(wǎng)絡(luò)技術(shù)雖然具有善于處理復(fù)雜的多元非線性擬合問(wèn)題的優(yōu)勢(shì)，但同時(shí)具有易陷入局部

收斂的缺點(diǎn)；(4)先進(jìn)的鉆進(jìn)參數(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)現(xiàn)場(chǎng)施工人員的要求較高，預(yù)測(cè)方法的

實(shí)用性較低。

發(fā)明內(nèi)容[0005] 為了能夠同時(shí)解決以上技術(shù)缺陷。本發(fā)明提供一種基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法，在隧道開(kāi)挖過(guò)程中，對(duì)掘進(jìn)工作面前方進(jìn)行超前鉆探，通過(guò)采集鉆

機(jī)的鉆進(jìn)參數(shù)數(shù)據(jù)和采用的支護(hù)模式選型數(shù)據(jù)，建立多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和

優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并對(duì)比選定最優(yōu)的預(yù)測(cè)性能，再利用確定的最優(yōu)預(yù)測(cè)模型直接實(shí)

時(shí)預(yù)測(cè)待施工隧道的支護(hù)模式選型，則可實(shí)現(xiàn)危險(xiǎn)復(fù)雜地質(zhì)條件的提前探測(cè)的同時(shí)，對(duì)隧

道支護(hù)模型進(jìn)行合理有效的選型，從而簡(jiǎn)化支護(hù)選型程序，縮短選型時(shí)間，可以提高施工安

全，縮短工期，

[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：[0007] 一種基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法，其特征在于包括如下步驟：

[0008] 第一步：樣本數(shù)據(jù)采集[0009] 選定地質(zhì)條件較為復(fù)雜的隧道項(xiàng)目，隨著隧道開(kāi)挖掘進(jìn)的同時(shí)，對(duì)隧道工作面前方圍巖進(jìn)行超前鉆探，并采集整條隧道施工時(shí)的超前鉆進(jìn)參數(shù)和選定的支護(hù)模式作為樣

本；選定的支護(hù)模式以阿拉伯?dāng)?shù)字序號(hào)(“1”、“2”等)表示，對(duì)于區(qū)段內(nèi)相同的支護(hù)模式，只

需記錄一次；

[0010] 所述的鉆進(jìn)參數(shù)包括：鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力、鉆比能量；其中鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力為直接測(cè)得的鉆進(jìn)參數(shù)，鉆比能量為鉆進(jìn)單

位體積巖石所需要的能量，是間接計(jì)算得到的鉆進(jìn)參數(shù)，鉆比能量的計(jì)算公式為：

其中，Ed為鉆進(jìn)比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打

頻率，v為鉆進(jìn)速度，S為鉆孔直徑，k為損失系數(shù)；

[0011] 第二步：樣本數(shù)據(jù)預(yù)處理[0012] 對(duì)步驟一采集到的支護(hù)模式序號(hào)數(shù)據(jù)進(jìn)行編碼，按矩陣[00100…]中數(shù)字“1”從左至右所處的位數(shù)對(duì)應(yīng)支護(hù)模式的序號(hào)進(jìn)行編號(hào)，例如，矩陣[00100…]代表支護(hù)模

式“3”；一組鉆進(jìn)參數(shù)和一個(gè)支護(hù)模式編碼構(gòu)成一個(gè)數(shù)據(jù)集，所有的數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)

庫(kù)，為了消除數(shù)量級(jí)的影響，將樣本數(shù)據(jù)庫(kù)中的6個(gè)鉆進(jìn)參數(shù)歸一化到[0?1]數(shù)值；

[0013] 第三步：確定最優(yōu)預(yù)測(cè)模型及參數(shù)[0014] 將采集到的樣本數(shù)據(jù)庫(kù)分別按80％和20％的比例劃分為訓(xùn)練集和測(cè)試集，并用鉆進(jìn)參數(shù)作為預(yù)測(cè)模型的輸入，支護(hù)模式作為預(yù)測(cè)模型的輸出，具體確定過(guò)程如下：

[0015] 第3.1步：采用多元線性回歸模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)[0016] 對(duì)訓(xùn)練集進(jìn)行多元線性回歸擬合，得到擬合方程，再將測(cè)試集的鉆進(jìn)參數(shù)代入到得到的擬合方程，求出對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算得

到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率；

[0017] 第3.2步：采用神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，從而確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)，具體包括以下過(guò)程：

[0018] 3.2.1：采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、動(dòng)量系數(shù)、激活函數(shù)；[0019] 3.2.2：對(duì)于神經(jīng)網(wǎng)絡(luò)的輸入維度，設(shè)置對(duì)照試驗(yàn)，將神經(jīng)網(wǎng)絡(luò)的輸入維度分別設(shè)置為1至6，神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層，隱含層節(jié)點(diǎn)數(shù)設(shè)置為30，然后對(duì)訓(xùn)練集和測(cè)試集

分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集

的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值，也就是預(yù)測(cè)正確率；分別對(duì)

訓(xùn)練集和測(cè)試集得到的模型評(píng)價(jià)指標(biāo)值進(jìn)行排序，排序原則為，越大的預(yù)測(cè)正確率獲得的

排序序號(hào)值越大，最大的序號(hào)值對(duì)應(yīng)的結(jié)果即為最優(yōu)的模型評(píng)價(jià)指標(biāo)值，以此來(lái)確定最優(yōu)

的神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入維度，即確定最優(yōu)的鉆進(jìn)參數(shù)組合；

[0020] 3.2.3：為了充分對(duì)比不同隱含層節(jié)點(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能的影響，設(shè)置對(duì)照試驗(yàn)，設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、

90、95、100，將步驟3.2.2中確定的最優(yōu)鉆進(jìn)參數(shù)組合設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，神將網(wǎng)絡(luò)的

隱含層設(shè)置為1層，然后對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)

的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型

評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值，同時(shí)

確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，進(jìn)而確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

[0021] 第3.3步：采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用步驟3.2中確定

的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定遺傳算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?

預(yù)測(cè)正確率，具體包括以下過(guò)程：

[0022] 3.3.1：采用試錯(cuò)法確定最優(yōu)的變異概率和交叉概率參數(shù)；[0023] 3.3.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)

練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)

模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率，利用步驟3.2.2中的排序

原則，確定最優(yōu)的種群數(shù)量；

[0024] 3.3.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)

練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集的支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的

模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最

大迭代次數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

[0025] 3.3.4:采用步驟3.3.1、3.3.2和3.3.3中確定的最優(yōu)遺傳算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)

練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，

利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

[0026] 第3.4步：采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2中

確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指

標(biāo)值?預(yù)測(cè)正確率，具體包括以下過(guò)程：

[0027] 3.4.1：采用試錯(cuò)法確定最優(yōu)的自適應(yīng)參數(shù)c1,c2和慣性因子參數(shù)；[0028] 3.4.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)

練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)

模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率，利用步驟3.2.2中的排序

原則，確定最優(yōu)的種群數(shù)量；

[0029] 3.4.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)

練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的模

型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大

迭代次數(shù)即為種群算法最優(yōu)的最大迭代次數(shù)；

[0030] 3.4.4：采用步驟3.4.1、3.4.2和3.4.3中確定的最優(yōu)種群算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)

練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，

利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率；

[0031] 第3.5步：采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步

驟3.2中確定的最優(yōu)的參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?

預(yù)測(cè)正確率；具體過(guò)程如下：

[0032] 3.5.1：采用試錯(cuò)法確定最優(yōu)的的神經(jīng)網(wǎng)絡(luò)模型隨機(jī)數(shù)β、偏移方向θ和殖民地影響因子ξ參數(shù)；

[0033] 3.5.2：對(duì)于總國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國(guó)數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試

集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和

測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步

驟3.2.2中的排序原則，確定最優(yōu)的總國(guó)家數(shù)量；

[0034] 3.5.3：對(duì)于帝國(guó)主義國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國(guó)家數(shù)量設(shè)置為b中確定的最優(yōu)總國(guó)家數(shù)量，最大

迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)

應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模

型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的帝國(guó)主義國(guó)家數(shù)量；

[0035] 3.5.4：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，總國(guó)家數(shù)量分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國(guó)主義數(shù)量設(shè)置為c中確定的最優(yōu)帝國(guó)主

義國(guó)家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)

測(cè)值，根據(jù)訓(xùn)練集的支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)于

所有的總國(guó)家數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為帝國(guó)競(jìng)爭(zhēng)算法最

優(yōu)的最大迭代次數(shù)；

[0036] 3.5.5：采用步驟3.5.1、3.5.2、3.5.3和3.5.4中確定的最優(yōu)帝國(guó)競(jìng)爭(zhēng)算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)

值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)

測(cè)正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值。

[0037] 3.6步：對(duì)步驟3.1到步驟3.5獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型

獲得的最優(yōu)模型評(píng)價(jià)指標(biāo)值進(jìn)行對(duì)比，同樣利用步驟3.2.2中中的排序原則，最終確定最優(yōu)

的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，進(jìn)而確定最優(yōu)的預(yù)測(cè)模型及參數(shù)；

[0038] 第四步：支護(hù)模式選型快速實(shí)時(shí)預(yù)測(cè)[0039] 在其他隧道項(xiàng)目開(kāi)挖施工時(shí)，在超前鉆進(jìn)時(shí)，僅記錄鉆機(jī)鉆進(jìn)參數(shù)，不記錄支護(hù)模式，采集的鉆機(jī)鉆進(jìn)參數(shù)經(jīng)過(guò)預(yù)處理后，利用步驟3.6中最優(yōu)的支護(hù)模式預(yù)測(cè)模型對(duì)預(yù)處理

后的鉆進(jìn)參數(shù)進(jìn)行分析，最終預(yù)測(cè)出支護(hù)模式選型，從而為隧道開(kāi)挖施工的支護(hù)選型提供

依據(jù)。

[0040] 本發(fā)明步驟一到五，除了鉆進(jìn)作業(yè)、支護(hù)模型選型數(shù)據(jù)采集是由人工進(jìn)行操作，其余過(guò)程均由程序自動(dòng)運(yùn)行，無(wú)需人工干預(yù)。

[0041] 本發(fā)明所帶來(lái)的有益技術(shù)效果是：[0042] 本發(fā)明方法根據(jù)鉆機(jī)的鉆進(jìn)參數(shù)來(lái)預(yù)測(cè)隧道支護(hù)模式選型，大大降低了人工選型時(shí)的主觀因素的影響，從而保證了支護(hù)模型選型的準(zhǔn)確、有效性；同時(shí)，自動(dòng)對(duì)比多元線性

回歸模型、神經(jīng)網(wǎng)絡(luò)模型和優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能，選擇出最優(yōu)的模型作為最終

的預(yù)測(cè)模型并自動(dòng)更新至現(xiàn)場(chǎng)施工移動(dòng)終端和辦公區(qū)電腦終端，無(wú)需人工干預(yù)，確保了選

型方法的實(shí)用性和高效性；另外，使用預(yù)測(cè)結(jié)果可以實(shí)時(shí)顯示在現(xiàn)場(chǎng)移動(dòng)終端和辦公區(qū)電

腦端，保證了選型預(yù)測(cè)的實(shí)時(shí)性。

附圖說(shuō)明[0043] 圖1為本發(fā)明所述基于隨鉆探測(cè)技術(shù)的隧道支護(hù)模式選型實(shí)時(shí)預(yù)測(cè)方法實(shí)施例的示意圖；

[0044] 圖2為本發(fā)明一種實(shí)施方式的流程示意圖。[0045] 圖中，1、鉆進(jìn)參數(shù)采集裝置；2、鉆機(jī)；3、信號(hào)收發(fā)器；4、數(shù)據(jù)物理存儲(chǔ)端；5、圍巖；6、地上辦公區(qū)電腦終端；7、現(xiàn)場(chǎng)施工移動(dòng)終端。

具體實(shí)施方式[0046] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本

發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以

根據(jù)這些附圖獲得其他的附圖。能不能給一個(gè)實(shí)例結(jié)合說(shuō)明

[0047] 下面結(jié)合一個(gè)實(shí)例和圖1?2說(shuō)明本發(fā)明的具體操作步驟。[0048] 現(xiàn)有待開(kāi)挖某一條隧道，隧道總長(zhǎng)約為1千米，為穿山隧道，經(jīng)地質(zhì)初步勘探待該隧道地質(zhì)條件較為復(fù)雜，經(jīng)初步判斷該隧道開(kāi)挖時(shí)將穿過(guò)的圍巖等級(jí)涵蓋了全部六個(gè)等

級(jí)，即為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ六個(gè)等級(jí)，該隧道開(kāi)挖的同時(shí)將采用本發(fā)明方法進(jìn)行隧道支護(hù)

模式的樣本數(shù)據(jù)采集工作。

[0049] 第一步：連接數(shù)據(jù)采集裝置[0050] 隧道開(kāi)挖掘進(jìn)的同時(shí)，采用液壓旋轉(zhuǎn)沖擊鉆機(jī)2對(duì)隧道工作面前方圍巖5進(jìn)行超前鉆探，液壓旋轉(zhuǎn)沖擊鉆配置鉆進(jìn)參數(shù)采集裝置1，鉆進(jìn)參數(shù)采集裝置1采集的鉆進(jìn)參數(shù)信號(hào)

通過(guò)無(wú)線傳輸至信號(hào)收發(fā)器，所述無(wú)線信號(hào)收發(fā)器3并入隧道施工現(xiàn)場(chǎng)有線(或無(wú)線)傳輸

網(wǎng)絡(luò)，實(shí)現(xiàn)采集的信號(hào)實(shí)時(shí)傳送至辦公區(qū)的數(shù)據(jù)物理存儲(chǔ)端4和現(xiàn)場(chǎng)施工移動(dòng)終端7，鉆進(jìn)

參數(shù)采集裝置安裝之后，調(diào)試并確保鉆進(jìn)參數(shù)采集裝置的信號(hào)傳輸正常。鉆進(jìn)參數(shù)采集裝

置采集的鉆進(jìn)參數(shù)包括：鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力、鉆比能量。其中鉆進(jìn)

速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力為直接測(cè)得的鉆進(jìn)參數(shù)，鉆比能量為鉆進(jìn)單位體積

巖石所需要的能量，是間接計(jì)算得到的鉆進(jìn)參數(shù)，鉆比能量的計(jì)算公式為：

其中，Ed為鉆進(jìn)比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打頻率，v為鉆進(jìn)速

度，S為鉆孔直徑，k為損失系數(shù)。

[0051] 第二步：樣本數(shù)據(jù)采集[0052] 采集該待開(kāi)挖整條隧道施工時(shí)的超前鉆進(jìn)參數(shù)和選定的支護(hù)模式作為樣本，將鉆進(jìn)參數(shù)通過(guò)信號(hào)收發(fā)器傳送至數(shù)據(jù)物理存儲(chǔ)端，選定的支護(hù)模式以阿拉伯?dāng)?shù)字序號(hào)“1”、

“2”等記錄至現(xiàn)場(chǎng)施工移動(dòng)端，對(duì)于區(qū)段內(nèi)相同的支護(hù)模式，只需記錄一次，記錄的支護(hù)模

型數(shù)據(jù)同樣經(jīng)信號(hào)收發(fā)器傳輸至物理存儲(chǔ)端。

[0053] 第三步：樣本數(shù)據(jù)預(yù)處理[0054] 對(duì)步驟2采集到的支護(hù)模式序號(hào)數(shù)據(jù)進(jìn)行編碼，按矩陣[00100…]中數(shù)字“1”從左至右所處的位數(shù)對(duì)應(yīng)支護(hù)模式的序號(hào)進(jìn)行編號(hào)，例如，矩陣[00100…]代表支護(hù)模

式“3”；一組鉆進(jìn)參數(shù)和一個(gè)支護(hù)模式編碼構(gòu)成一個(gè)數(shù)據(jù)集，所有的數(shù)據(jù)集構(gòu)成樣本數(shù)據(jù)

庫(kù)，為了消除數(shù)量級(jí)的影響，將樣本數(shù)據(jù)庫(kù)中的6個(gè)鉆進(jìn)參數(shù)歸一化到[0?1]數(shù)值。

[0055] 第四步：確定最優(yōu)預(yù)測(cè)模型及參數(shù)[0056] 將采集到的樣本數(shù)據(jù)庫(kù)分別按80％和20％的比例劃分為訓(xùn)練集和測(cè)試集，鉆進(jìn)參數(shù)作為預(yù)測(cè)模型的輸入，支護(hù)模式作為預(yù)測(cè)模型的輸出，具體過(guò)程如下：

[0057] (1)采用多元線性回歸模型對(duì)支護(hù)模式的預(yù)測(cè)[0058] 對(duì)訓(xùn)練集進(jìn)行多元線性回歸擬合，得到擬合方程，再將測(cè)試集的鉆進(jìn)參數(shù)代入到得到的擬合方程，求出對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算得

到最優(yōu)模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，預(yù)測(cè)正確率＝預(yù)測(cè)錯(cuò)誤的個(gè)數(shù)/預(yù)測(cè)的總個(gè)數(shù)。

[0059] (2)采用神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)的正確率，從而確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)：

[0060] a、采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、動(dòng)量系數(shù)、激活函數(shù)；[0061] b、對(duì)于神經(jīng)網(wǎng)絡(luò)的輸入維度，設(shè)置對(duì)照試驗(yàn)，設(shè)置6個(gè)鉆進(jìn)參數(shù)的全部不同組合分別設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，即神經(jīng)網(wǎng)絡(luò)的輸入維度分別設(shè)置為1至6，對(duì)于每一維數(shù)來(lái)說(shuō)，具

有不同的鉆進(jìn)參數(shù)組合，將神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層，隱含層節(jié)點(diǎn)數(shù)設(shè)置為30，然后對(duì)

訓(xùn)練集進(jìn)行訓(xùn)練得到訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，將測(cè)試集的鉆進(jìn)參數(shù)輸入訓(xùn)練后的神

經(jīng)網(wǎng)絡(luò)，得到測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式預(yù)測(cè)值和實(shí)

際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，分別對(duì)訓(xùn)練集和測(cè)試集得到的模型評(píng)

價(jià)指標(biāo)值進(jìn)行排序，排序原則為，越大的預(yù)測(cè)正確率獲得的排序序號(hào)值越大，最大的序號(hào)值

對(duì)應(yīng)的結(jié)果即為最優(yōu)的模型評(píng)價(jià)指標(biāo)值，以此來(lái)確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入維度，即

確定最優(yōu)的鉆進(jìn)參數(shù)組合；

[0062] c、為了充分對(duì)比不同隱含層節(jié)點(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能的影響，設(shè)置對(duì)照試驗(yàn)，設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、

95、100，將b中確定的最優(yōu)鉆進(jìn)參數(shù)組合設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，神將網(wǎng)絡(luò)的隱含層設(shè)置為

1層，然后對(duì)訓(xùn)練集進(jìn)行訓(xùn)練得到訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，將測(cè)試集的鉆進(jìn)參數(shù)輸入

訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，得到測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的支護(hù)模式

預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用b中的排序原則，得到

最優(yōu)的模型評(píng)價(jià)指標(biāo)值，同時(shí)確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，進(jìn)而確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參

數(shù)。

[0063] (3)采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用(2)中確定的最優(yōu)的神經(jīng)網(wǎng)

絡(luò)模型參數(shù)，從而確定遺傳算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)的正確率：

[0064] a、采用試錯(cuò)法確定最優(yōu)的變異概率和交叉概率參數(shù)；[0065] b、對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和

測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值分

別計(jì)算訓(xùn)練集和測(cè)試集的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用(2)中的排序原則，確定最優(yōu)

的種群數(shù)量；

[0066] c、最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，

記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)

指標(biāo)值?預(yù)測(cè)正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次

數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

[0067] d、采用a、b、c中確定的最優(yōu)遺傳算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值

分別計(jì)算訓(xùn)練集和測(cè)試集的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用(2)中的排序原則，確定最

優(yōu)的模型評(píng)價(jià)指標(biāo)值。

[0068] (4)采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，也就是采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用(2)中確定的最優(yōu)的神

經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確

率：

[0069] a、采用試錯(cuò)法確定最優(yōu)的自適應(yīng)參數(shù)c1,c2和慣性因子參數(shù)；[0070] b、確定最優(yōu)的種群數(shù)量，方法同步驟(3)遺傳算法中的b；[0071] c、最大迭代次數(shù)的確定，方法同步驟(3)遺傳算法中的c；[0072] d、采用a、b、c中確定的最優(yōu)種群算法參數(shù)，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率,方法同步驟(3)遺傳算法中的d。

[0073] (5)采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)支護(hù)模式進(jìn)行預(yù)測(cè)，也就是采用帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用(2)中確定的

最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值?預(yù)

測(cè)正確率，具體過(guò)程如下：

[0074] a、采用試錯(cuò)法確定最優(yōu)的的神經(jīng)網(wǎng)絡(luò)模型隨機(jī)數(shù)β、偏移方向θ和殖民地影響因子ξ參數(shù)；

[0075] b、對(duì)于總國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國(guó)數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分

別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)

值和實(shí)際值分別計(jì)算訓(xùn)練集和測(cè)試集的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，利用(2)中的排序原

則，確定最優(yōu)的總國(guó)家數(shù)量；

[0076] c、對(duì)于帝國(guó)主義國(guó)家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國(guó)家數(shù)量設(shè)置為b中確定的最優(yōu)總國(guó)家數(shù)量，最大迭代

次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的

支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和實(shí)際值分別計(jì)算訓(xùn)練集和測(cè)試集的模型評(píng)價(jià)指標(biāo)

值?預(yù)測(cè)正確率。利用(2)中的排序原則，確定最優(yōu)的帝國(guó)主義國(guó)家數(shù)量；

[0077] d、最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，總國(guó)家數(shù)量分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國(guó)主義數(shù)量設(shè)置為c中確定的最優(yōu)帝國(guó)主義國(guó)

家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)

值，根據(jù)訓(xùn)練集的支護(hù)模式預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)指標(biāo)值?預(yù)測(cè)正確率，對(duì)

于所有的總國(guó)家數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為帝國(guó)競(jìng)爭(zhēng)算法

最優(yōu)的最大迭代次數(shù)；

[0078] e、采用a、b、c、d中確定的最優(yōu)帝國(guó)競(jìng)爭(zhēng)算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的支護(hù)模式預(yù)測(cè)值，根據(jù)支護(hù)模式預(yù)測(cè)值和

實(shí)際值分別計(jì)算訓(xùn)練集和測(cè)試集的模型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率，利用(2)中的排序原則，確

定最優(yōu)的模型評(píng)價(jià)指標(biāo)值。

[0079] (6)對(duì)(1)?(5)獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國(guó)競(jìng)爭(zhēng)算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型獲得的最優(yōu)模

型評(píng)價(jià)指標(biāo)?預(yù)測(cè)正確率進(jìn)行對(duì)比，同樣利用(2)中的排序原則，最終確定最優(yōu)的模型評(píng)價(jià)

指標(biāo)值，進(jìn)而確定最優(yōu)的支護(hù)模式預(yù)測(cè)模型及參數(shù)。

[0080] 第五步：支護(hù)模式選型快速實(shí)時(shí)預(yù)測(cè)[0081] 在其他隧道項(xiàng)目開(kāi)挖施工時(shí)，現(xiàn)場(chǎng)施工移動(dòng)終端和辦公區(qū)電腦終端5的預(yù)測(cè)模型自動(dòng)設(shè)置為步驟四獲得的最優(yōu)預(yù)測(cè)模型及參數(shù)；僅記錄鉆機(jī)鉆進(jìn)參數(shù)，不記錄支護(hù)模式，采

集的鉆機(jī)鉆進(jìn)參數(shù)通過(guò)無(wú)線傳輸至信號(hào)收發(fā)器，經(jīng)信號(hào)收發(fā)器分別傳輸至現(xiàn)場(chǎng)施工移動(dòng)終

端和辦公區(qū)電腦終端，兩終端的預(yù)測(cè)程序自動(dòng)進(jìn)行3)中的數(shù)據(jù)預(yù)處理得到歸一化后的鉆進(jìn)

參數(shù)，再利用最優(yōu)預(yù)測(cè)模型對(duì)預(yù)處理后的鉆進(jìn)參數(shù)進(jìn)行分析，最終預(yù)測(cè)出支護(hù)模式選型。

[0082] 當(dāng)然，以上說(shuō)明僅僅為本發(fā)明的較佳實(shí)施例，本發(fā)明并不限于列舉上述實(shí)施例，應(yīng)當(dāng)說(shuō)明的是，任何熟悉本領(lǐng)域的技術(shù)人員在本說(shuō)明書(shū)的指導(dǎo)下，所做出的所有等同替代、明

顯變形形式，均落在本說(shuō)明書(shū)的實(shí)質(zhì)范圍之內(nèi)，理應(yīng)受到本發(fā)明的保護(hù)。