基于自动机器学习的岩爆烈度分级预测模型

为了解决岩爆预测过程中人为因素影响过大与预测时间过长的问题,提出了一种基于自动机器学习的岩爆烈度分级预测模型。收集国内外岩爆案例样本构建数据,基于5个自动机器学习模型框架训练岩爆烈度分级预测模型,采用准确率、精确度、召回率、F1指标评价模型性能。与13种常见机器学习模型预测结果进行对比分析,得出AutoML框架构建的岩爆预测模型预测准确率远远高于13种传统机器学习算法构建的岩爆预测模型。其中,基于Auto-Sklearn框架构建的岩爆预测模型准确率高达0.969,基于Auto-Gluon框架构建的岩爆预测模型准确率在5个框架中最低,准确率也高达0.927。应用构建的模型预测晒旗河磷矿的岩爆发生情况,预测结果与现场情况一致,表明基于自动机器学习的岩爆烈度分级预测模型能够有效预测实际工程中的岩爆发生情况。

岩爆烈度分级预测中的贝叶斯判别分析

针对岩爆烈度分级预测中存在诸多不确定因素的问题,应用贝叶斯判别分析法建立岩爆烈度分级预测的评价模型。根据岩爆的特点及成因,选取岩石的弹性能量指数Wet,应力系数σθ/σc及岩石脆性系数σc/σt作为判别因子;将岩爆烈度分为无、弱、中、强4个等级并作为贝叶斯判别分析的4个正态总体;以国内外14组工程岩爆分析初始数据进行分级判别,以训练样本建立贝叶斯线性判别函数,以该函数计算待判样品的贝叶斯判别函数值,以最大值对应的总体作为样品的归属。为进一步考察该模型的有效性与实用性,运用该模型对秦岭隧道工程及凡口铅锌矿的岩爆实例进行分析,并与人工神经网络模型、模糊概率模型的判别结果及实际情况进行比较。研究结果表明,该模型判别预测结果与人工神经网络模型及模糊概率模型的判别结果及实际岩爆情况较吻合。

基于灰关联投影法的岩爆烈度分级预测研究

岩爆是高应力区开挖过程中常见的地质灾害,具有突发性和极强的破坏性,因此岩爆烈度分级预测一直是岩爆课题研究的重点。基于灰关联投影法的基本理论,综合分析影响岩爆发生的主要因素以及现有的岩爆评价指标体系,选取最大切应力与单轴抗压强度比值σθ/σc、岩石脆性系数σc/σt(单轴抗压强度与单轴抗拉强度比值)、围岩弹性储能系数Wet及岩石完整性系数Kv4个指标,采用熵权理论确定指标权重,并运用灰关联投影法进行灰关联投影值计算和分级,从而预测出岩爆烈度等级。利用国内外多组典型工程实例对方法的可行性及适用性进行验证,将所得结果与熵权-正态云模型、RS-TOPSIS模型及实际情况进行对比。研究结果表明:灰关联投影法用于岩爆烈度分级预测具有较高的准确性,且原理简单,运用方便,具有一定的工程应用前景。

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI1,RCI2,RCI3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。

基于深度神经网络的岩爆烈度分级预测

岩爆是大型地下岩土和深部资源开采工程中面临的关键问题之一。为准确可靠地预测岩爆灾害,本研究提出一种基于Dropout与改进的Adam的深度神经网络(DNN)岩爆预测模型(DA-DNN)。根据岩爆的影响因素、特点及成因,选取硐壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数构成岩爆预测指标体系。在国内外岩爆研究成果的基础上,搜集289组岩爆工程实例数据,并以此作为岩爆预测的样本数据,然后采用深度学习技术建立基于DA-DNN岩爆预测模型。DA-DNN模型避开了指标权重确定问题,完全由数据驱动,减少了人为因素影响,可实现不完全、不精确并带有噪声的有限数据集中复杂且微妙的深层关系的学习。考虑到岩爆样本数据量有限,根据深度学习领域常用的数据集划分方法,即训练集、验证集、测试集按照6∶2∶2划分。先从样本数据中随机抽取58组作为测试集(预测样本),在模型最终训练完成后,评估其泛化能力,测试其真正的预测准确率。剩余的231组样本数据作为DA-DNN模型的学习样本,在训练过程中随机采样,抽取学习样本的80%作为训练集,20%作为验证集。当训练次数(epochs)取60时,学习样本为231组时,预测样本的预测准确率达到了98.3%。锦屏二级水电站、秦岭隧道和冬瓜山铜矿岩爆预测等3个工程应用实例来自于预测样本中,预测结果验证了DA-DNN岩爆预测模型的有效性与正确性。

基于四大集成学习的岩爆烈度分级预测

为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆数据集,通过对原始岩爆数据集中不同岩爆等级的统计参数进行分析,以及使用TSNE(t-distributed Stochastic Neighbor Embedding)算法将原始岩爆数据集进行降维可视化分析,可知原始岩爆数据集中存在大量离群点并且数据不平衡。其次,先后使用Yeo-Johnson变换与K-means SMOTE过采样将数据正态化与平衡化,分别减少离群点以及数据不平衡的影响。正态化并且平衡化后岩爆数据可分性增强。然后,对包含普通机器学习,集成Boosting,集成Bagging的15种机器学习算法进行训练预测,通过宏平均的精确率以及Friedman统计假设检验比较各类模型的预测性能。最后,提出一种多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法。使用穷举法依次剔除精确率不高或者预测结果相似性高的模型,从一般机器学习算法,集成Boosting,集成Bagging保留精确率高、预测结果尽可能不同的模型作为Stacking或者Voting的基模型。结果表明:Boosting,Bagging,Stacking,Voting其预测性能大多比普通机器学习性能好。多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法能有效提高岩爆预测性能。

基于卷积神经网络的岩爆烈度等级预测

岩爆是深部资源开采过程中亟待解决的问题之一。为安全高效地预测岩爆灾害,提出一种基于链式方程多重插补法(MICE)与卷积神经网络(CNN)的岩爆烈度等级预测模型(MICE-CNN)。基于岩爆的主要影响因素与获取条件,建立预测指标体系,搜集120组岩爆案例原始数据,运用拉依达准则进行异常值处理,应用MICE选取RF、BLR、ET、KNN这4种插补模型进行缺失值插补,结合Mean、Median这2种传统插补方法,依据ERMS选取最优模型进行数据插补得到完整数据集,将数据平铺为6×1×1的一维图像数据作为输入层,结合输入层大小进行计算,确定卷积核与池化核大小均为3×1,特征边缘处理方法为前后补零。添加批量归一化层增加模型稳定性与收敛速度,优选ReLU激活函数、SGDM优化器函数。对CNN预测模型进行训练,训练集与验证集的准确率分别为100.00%、91.67%。建立RBF、SVM与PNN模型,分别对3个模型与CNN模型输入测试集数据进行对比验证,CNN模型预测结果准确率高于其他模型,为91.67%;对比PNN模型与CNN模型的混淆矩阵,CNN模型误判结果比实际结果岩爆程度高,即误判后的安全性更好,表明MICE-CNN岩爆等级预测模型切实可行。

基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测

岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_(θ)/σ_(c)、岩石脆性系数σ_(c)/σ_(t)以及弹性能量指数W_(et)作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。

西南某电站辅助隧洞岩爆地质力学模式研究

在现场大量调研的基础上,结合隧洞施工记录中上百次的岩爆资料,分析西南某电站辅助隧洞岩爆的典型发育特征,结果表明洞内岩爆现象总体以轻微岩爆(Ⅰ级)和中等岩爆(Ⅱ级)为主,局部地段有强烈岩爆(Ⅲ级)发生。总结了隧道内岩爆变形破坏的六种基本地质力学模式,即张裂-剥落、张裂-倾倒、张裂-滑移、张裂-剪断、弯曲-鼓折和穹状爆裂,最后得出了基本地质力学模式与岩爆烈度等级的关系,即张裂-剥落和张裂-倾倒模式的岩爆烈度较低,多为Ⅰ级,围岩以张性破坏为主;张裂-滑移、张裂-剪断模式的岩爆,烈度可达Ⅱ级,围岩以张剪破坏为主;弯曲-鼓折或穹状爆裂模式的岩爆烈度可达Ⅱ～Ⅲ级,岩石以剪切破坏为主。

高地应力与岩爆有关问题的研究现状

从高地应力的含义、岩爆及其主要特征、岩爆烈度分级及其预测方法、岩爆安全防护与防治工程措施等方面着手,较为系统地阐述了国内外高地应力与岩爆有关问题的研究现状。

岩爆有关问题的研究现状

从岩爆形成机制、岩爆的特点及烈度分级、岩爆的预测方法和岩爆的防治措施等方面进行综合分析,较为系统地阐述了岩爆有关问题的研究现状。

投影寻踪与NC模型在岩爆倾向性研究中的应用

针对深埋隧洞岩爆分级预测问题,引入云模型理论建立了基于PPA-正态云的岩爆分级预测模型方法。在综合分析影响岩爆发生的相关因素的基础上,采用投影寻踪分析确定各指标权重,由云模型正向发生器计算各指标的确定度并生成相应的云图,并以国内外7个深埋隧洞工程为例建模计算。结果表明该预测方法可以得出准确的结果。

有关岩爆问题的研究综述

岩爆的预测和防治是众所周知的难题,因不可预见的地质变化很难及时、精确地预测和防治。文章结合文献资料及对岩爆的研究成果,从岩爆的定义、类型、烈度分级、岩爆的影响因素岩爆的预测及防治措施等方面总结了我国岩爆研究的现状。

二郎山隧道围岩变形破裂的调研与监测

以川藏公路二郎山隧道为依托工程 ,概述了围岩变形破裂的主要类型和发育分部特征 ,提出了岩爆烈度分级原则与方案 ,建立了隧道施工中的地质调研与监测系统。