久久看看永久视频,日日狠狠久久偷偷色,亚洲中文字幕在线网,午夜福利院中文字幕

  • <dfn id="vuqxj"><td id="vuqxj"></td></dfn>
  • <dfn id="vuqxj"></dfn>

    1. <div id="vuqxj"><option id="vuqxj"><b id="vuqxj"></b></option></div>
    2. 合肥金星智控科技股份有限公司
      宣傳

      位置:中冶有色 >

      有色技術(shù)頻道 >

      > 采礦技術(shù)

      > 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

      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

      400   編輯:中冶有色技術(shù)網(wǎng)   來(lái)源:山東科技大學(xué)  
      2023-12-14 15:16:40
      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)。



      聲明:
      “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” 該技術(shù)專(zhuān)利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學(xué)習(xí)研究,如用于商業(yè)用途,請(qǐng)聯(lián)系該技術(shù)所有人。
      我是此專(zhuān)利(論文)的發(fā)明人(作者)
      分享 0
               
      舉報(bào) 0
      收藏 0
      反對(duì) 0
      點(diǎn)贊 0
      全國(guó)熱門(mén)有色金屬技術(shù)推薦
      展開(kāi)更多 +

       

      中冶有色技術(shù)平臺(tái)微信公眾號(hào)
      了解更多信息請(qǐng)您掃碼關(guān)注官方微信
      中冶有色技術(shù)平臺(tái)微信公眾號(hào)中冶有色技術(shù)平臺(tái)

      最新更新技術(shù)

      報(bào)名參會(huì)
      更多+

      報(bào)告下載

      第二屆中國(guó)微細(xì)粒礦物選礦技術(shù)大會(huì)
      推廣

      熱門(mén)技術(shù)
      更多+

      衡水宏運(yùn)壓濾機(jī)有限公司
      宣傳
      環(huán)磨科技控股(集團(tuán))有限公司
      宣傳

      發(fā)布

      在線客服

      公眾號(hào)

      電話

      頂部
      咨詢(xún)電話:
      010-88793500-807
      專(zhuān)利人/作者信息登記