文摘

岩爆的不确定性和复杂性带来巨大困难岩爆的预测成绩。为了估计岩爆的风险等级,一个集成的方法结合主成分分析(PCA)和麻雀搜索算法(SSA)和概率神经网络(并)提出。考虑到岩体的地应力、岩石的强度,和岩体的强度的主要影响因素是岩石破裂,最大地应力 ,最大切向应力 ,岩石强度 ,岩体强度 ,和三个岩爆评价指标( , ,和 )被挑选构成了岩爆等级评价指标体系。43组岩石破裂工程数据聚集。使用PCA预处理岩石破裂后数据,四个新PCA线性独立的索引1,主成分分析2,主成分分析3,主成分分析4得到估算岩爆的成绩。掸邦军是利用并优化平滑因子。使用PCA-SSA-PNN-based体系结构,提出了一种新的多索引岩爆等级预测方法。新的多索引的结果岩爆等级预测方法比较与单和多索引的预测方法。这表明多索引的预测岩爆预测方法更接近实际岩爆等级比单指标的岩爆预测方法;与其他多索引岩爆预测方法相比,预测精度PCA-SSA-PNN更大(90%)和更有效的预测岩爆的成绩。这里给出的结果可能对岩爆预警提供参考。

1。介绍

岩爆是一种动态的故障现象经常发生在高地应力区深埋隧道。当岩体的力学平衡状态被破坏,岩体中积累的能量释放的一次突然和猛烈的形式,导致动态不稳定现象(1- - - - - -5]。岩爆等级分类的准确评估是岩爆的预防措施的一个重要内容。

预测方法用于实际工程的岩爆等级通常是基于岩石强度,如Russenes标准(6],Erlang山标准[7),而巴顿标准(巴顿et al。8])。此外,近年来,一些学者们进一步研究了岩爆预测方法也基于岩石强度。例如,Afraei et al。9]分析了岩爆影响因素的贡献率,岩爆等级预测和发现最大切向应力和岩石单轴抗压强度大大促进了岩爆等级预测;他等。10)修改了先前的岩爆等级预测方法通过引入梯度压力和认识到,岩石强度应力比的范围用于岩爆等级预测不是均匀;吴et al。11]提出Lalin铁路隧道岩爆判据,并与Russenes标准和Erlang山标准,Lalin铁路隧道的岩爆判据是更符合Lalin铁路的实际情况;王等人。12)建立了岩爆预测模型基于岩石力学性能和原位应力,可以可靠地应用于岩爆的预测。上述预测岩爆等级的方法考虑岩石的应力状态和力学性能好,促进岩爆预测方法的研究。

然而,实际岩爆的发生更接近于岩体结构和力量,还有一些报道预测岩爆使用岩体结构和力量。例如,邱et al。13]讨论了岩体结构对飞行的速度的影响岩石岩爆发生时,发现地板上偏转导致岩石的速度是一个重要的震源机制和严重的岩爆破坏;陈等人。14和马等。15)考虑岩体完整性对岩爆的影响,发现岩体的强度是主要控制因素的预测岩爆等级;杜et al。16]分析了结构面强度对岩爆的影响,认为结构面强度的主要因素是判断瞬时岩爆或滞后岩爆发生在岩体;穆罕默德et al。17]认为联合间距和孔径的主要原因是确定的数量和距离飞行岩石岩爆发生;冯et al。18和周et al。19]认为岩体结构是一个重要因素影响岩爆的发生和结构表面,岩爆发生主要是刚性表面。上述研究以岩体结构为诱导岩爆的重要因素,这与实际情况是一致的。

在实践中,大多数的岩爆等级分类预测方法基于岩石材料的强度或岩体是建立单指标方法,这些方法通常从具体工程实例总结了相对较少的评价信息。考虑到实际的复杂性,许多学者采用了多索引方法来估计岩爆等级。例如,周et al。20.)认为,遗传算法和粒子群优化算法可以加快参数优化搜索支持向量机(SVM),和岩爆等级预测的方法具有较强的鲁棒性;董et al。21)发现,与支持向量机相比,随机森林算法误判率岩爆等级低;王等人。22)建立了岩爆预测多索引方法基于模糊物元理论,信息熵理论,和邻近规则,发现既定的方法比传统方法更可靠;Zhang et al。23]做了一个全面的预测岩爆岩石弹性能量指数基础上,岩石强度,和主应力,从而弥补不足的单指标的岩爆预测方法;李等人。24)提出了岩爆预测网络基于遗传算法和极端的学习机器,和预测结果表明,该方法的最大相对误差为4.71%;徐et al。25,26)提出一种新的岩爆等级评估使用的理想点理论,出错率是5%,平均交叉出错率为13.33%;梁等。27)发现gradient-boosted决策树算法可以应用到短期岩爆预测的准确性超过90%;孟et al。28]认为BP(反向传播)神经网络预测和最小二乘法可以减少主观判断的影响的预测结果,可以在第一次获得预测结果;陈等人。29日]利用贝叶斯方法估计岩爆等级,发现贝叶斯统计学习模型具有鲁棒性和泛化岩爆风险评估;高et al。30.)认为,径向基神经网络优化的混合粒子群优化算法可以考虑个体优化和全局优化和可以预测岩爆等级正确和有效;龚et al。31日]建立了深度学习岩爆预测模型基于辍学和亚当算法和模型避免了确定指标权重和完全数据驱动的问题;刘等人。32]发现岩爆预测网络基于直方图gradient-enhanced树算法仍然具有很高的预测能力不完整岩石破裂的数据,有近80%的准确性。在以上研究,机器学习和深度学习方法通过建立多索引岩爆等级预测网络,和预测结果的准确性显著提高比单个索引的岩爆预测方法。多索引岩爆等级预测方法可以考虑在许多方面岩爆的影响因素,减少人为因素的干扰,使预测结果更接近实际情况。

实际上,多索引岩爆预测方法可用于更详细地揭示岩爆的机制。然而,现有multi-index-based预测通常集中在岩石强度和忽略岩体强度的影响。高复杂性和不可预测性的岩石破裂,有必要进行一个新的多索引的岩爆等级评价方法考虑岩体强度。在这项研究中,在中国西部一个隧道的现场数据和导流隧洞工程的案例数据在巴基斯坦(33和Erlangshan隧道工程在中国7,34)被用作岩爆等级评价的数据集。当时的数据集分为训练集和测试集,主成分分析(PCA)方法而且用来减少岩爆数据集的维数和消除不同指标间的线性相关。麻雀搜索算法也进行了优化平滑因子的概率神经网络(并)。之后对所测试改进算法的预测结果与其他现有的岩爆预测方法相比,包括单和多索引岩爆预测方法。

2。PCA-SSA-PNN-Based架构

2.1。对所测试的结构

概率神经网络(并)是一种基于径向基函数网络结构提出的1990年Specht [35),主要构成的输入层,图案层,求和层和输出层,如图1。并具有快速收敛的特点,高稳定性,没有当地的最适条件和适用于岩爆等级分类。下面简要描述并通过。


图1
并通过结构。
2.1.1。输入层

输入到输入层之前,样本数据需要被标准化。输入层的激活函数是用来介绍示例数据和计算输入和训练向量之间的距离,计算了 在哪里 代表了标准化的样本数据, 代表集团 在样本数据 , 代表类的训练样本数据 和组 , 代表了类 和组 样本数据中的数据必须进行标识, 代表了样本数据的组数 ,和 每组代表的数量特征。

2.1.2。模式层

细胞的数量在这一层的训练样本是一样的。高斯函数被引入这一层的激活函数。输入层的距离作为模式的输入层。层的输出模式 在哪里 代表类的输出值 和组 在模式层; 代表了平滑因子,并通过培训的关键参数;和 代表样本向量的维数。

2.1.3。求和层

细胞的数量在这一层对所测试的数量是一样的目标类。在这一层,模式的输出层添加了分别基于不同的类,和求和层的输出如下(36,37]: 在哪里 类是一组号码 在训练样本 反映了输入向量的概率 判断是类 。

2.1.4。输出层

细胞层的数量是1。相对应的类中最大的一个 输出为1,其余输出为0。

2.2。SSA

麻雀搜索算法(SSA)是一种智能优化算法来模拟麻雀的觅食和antipredation行为的人口,在2020年提出了(38]。该算法的优化能力强,收敛速度快的特点。麻雀种群分为发现者和追随者,追随者和提供的发现者觅食的方向。麻雀人口设置一定比例的麻雀意识到危险,以避免受到攻击,通常10 - 20%。SSA图所示2,可分为七个步骤如下。


图2
SSA流程图。
2.2.1。设置SSA初始参数

麻雀的数量,最大迭代次数,发现者比追随者,麻雀知道麻雀的危险的比例,并警告值集。

2.2.2。计算适应度函数值

适应度函数值计算通过使用SSA的初始参数。适应度函数通常是估计值和实际之间的误差函数。

2.2.3。更新探测器的位置信息的基础上计算报警值

人群中发现者的位置信息是更新使用(39- - - - - -41] 在哪里 代表当前的迭代次数; 代表的最大迭代数; 代表的位置信息 th的麻雀 th麻雀人口的维度; 代表一个随机数从0到1; 代表了预警值最初设置,一般0.5 - 1; 代表一个随机数服从正态分布;和 代表一个矩阵 ,在哪里 代表了麻雀人口的维度。当 ,也就是说,周围没有食肉动物觅食环境,finder可以执行广泛的搜索操作;当 ,一些麻雀已经发现捕食者,所有的麻雀都需要快速移动到一个安全的地方。

2.2.4。更新位置信息的追随者

位置信息的追随者人口更新使用 在哪里 代表了人口的数量, 代表了最糟糕的位置信息在麻雀的人口 迭代, 代表的最佳位置信息发现者在麻雀的人口 迭代, 是一个矩阵 ,其中每个元素 随机分配1还是1和 。当 ,也就是说, th追随者健身价值没有得到食物和较低需要飞到别的地方去寻找食物。

2.2.5。更新位置信息的麻雀意识到危险

麻雀的更新位置信息意识到危险人群中使用 在哪里 代表了在麻雀种群最优位置信息 迭代, 代表一个随机数遵循正态分布, 代表一个随机数字从1到1, 代表的健身价值 麻雀, 代表当前最佳的健身价值, 代表最健康的当前值, 代表一个非常小的常数防止分母返回零。当 ,麻雀的边缘人口和极其容易受到食肉动物;当 ,麻雀,意识到了危险,需要接近其他麻雀捕食的风险降到最低。

2.2.6款。更新健身和记录最优参数值

使用位置信息麻雀人口方程(4),(5)和(6),健身值被重新计算,重新排序。健身价值和麻雀的最好和最差的位置信息也记录下来。

2.2.7。是否达到最大迭代次数

如果迭代次数没有达到最大数量的迭代,迭代计算将继续,直到到达最大迭代数,然后,最佳的健身价值和相应的最优位置信息的麻雀会输出。

2.3。PCA-SSA-PNN模型的发展

基于隧道在中国西部的现场数据和数据导流隧洞岩爆的巴基斯坦和中国的Erlang山隧道工程,43组数据(7,14,25,26,33被选中。每组数据包含七个岩爆的影响因素,包括最大原位应力 ,最大切向应力 ,岩石强度 ,岩体强度 ,的比例 来 ,的比例 来 ,和的比值 来 。其中, , ,和 通过室内和室外测试,而 Hoek-Brown估计的强度准则。这七个因素构成预测岩爆等级的指标体系。用表的方法1(提出的国家标准编制组中华人民共和国(42]),岩爆等级的分类分为四类:没有岩爆,轻微的岩爆,中等岩爆,和强烈岩爆,对应数字I, II, III和IV。

表1
岩爆等级的分类(42]。

考虑到高斯函数对所测试的需要独立的岩爆预测的每个索引,主成分分析(PCA)方法被用来减少七个维度的索引岩爆等级预测,和四个新的独立岩爆等级预测得到的索引:PCA1,主成分分析2,主成分分析3,主成分分析4。图3显示了新多索引的结构PCA-SSA-PNN岩爆等级预测方法。原始的和新的预测指标如表所示2。


图3
PCA-SSA-PNN结构。
表2
岩爆的数据。

如图3,43组岩爆的新索引数据表2被标准化 在哪里 代表了标准化的数据, 代表新索引数据的岩爆, 和 代表了新索引数据的均值和方差的岩石破裂,分别。

43岁的29组新索引数据被随机选中作为训练集,剩下的14组被选为测试集。平滑因子 是一个关键参数确定对所测试的性能。网络是容易overfitted如果平滑系数太小,虽然细节可能无法区分如果平滑系数太大(43]。在最近的研究中,SSA被用来优化平滑因子,并通过训练集又分为训练集和测试集优化,优化和岩爆等级的估计损失价值优化计算测试集。估计损失价值被不断更新光滑因素最小化,然后最优平滑因子值和输出记录,和最优平滑因子终于输入并得到利用预测网络PCA-SSA-PNN岩爆等级。

3所示。评价PCA-SSA-PNN-Based架构

3.1。预测的结果PCA-SSA-PNN-Based架构

新的岩爆索引数据表2被利用的原始数据集岩爆等级预测网络,和训练集和测试集的总误差作为适应度函数值的岩爆等级预测网络。SSA被用来对所测试优化、最优平滑系数(1.0217)。因此,多索引岩爆等级预测网络基于PCA-SSA-PNN构造。PCA-SSA-PNN-based架构采用预测岩爆等级的测试集。图4显示了预测的结果。


图4
PCA-SSA-PNN的预测结果。

从图可以看出4有误判10组的测试数据集,以及预测比实际岩爆等级高一级,与一个错误的比率不到8%;PCA-SSA-PNN-based架构一般的预测结果与实际岩爆等级一致。为了进一步分析PCA-SSA-PNN的性能,统计结果如图4如表所示3。

表3
各种岩爆等级的预测结果。

表3显示了比较详细PCA-SSA-PNN的预测结果和实际成绩。从表可以看出4PCA-SSA-PNN已经没有岩爆的预测精度更高,轻微的岩爆,和强烈岩爆的精确率100%;PCA-SSA-PNN为中等岩爆的预测精度是接近90%,可以满足工程的需要;PCA-SSA-PNN可能高估了中等岩爆11.11%;岩爆预测的平均overprediction比PCA-SSA-PNN小于8%;PCA-SSA-PNN不低估了岩爆等级;由PCA-SSA-PNN岩爆预测的平均精度达到90%(92.86%),表明建立PCA-SSA-PNN估计岩爆等级能力强。

表4
单指标预测岩爆等级的方法。
3.2。对比PCA-SSA-PNN和其他预测方法

探索的可行性above-established PCA-SSA-PNN估算岩爆等级,三个单指标方法,或Russenes”(6],巴顿的[8),和徐et al。(25,26)方法,进行估计的岩爆等级测试集数据。单指标预测方法如表所示4。此外,四个省内各地,或反向传播(BP)神经网络,支持向量机(SVM),随机森林(RF),对所测试和标准(平滑因子设置为0.5),也进行了估计岩爆等级。

从表可以看出4在预测岩爆等级,巴顿和Russenes的方法是基于岩石强度,而徐et al。’s方法是基于岩体强度。考虑到一致性相比,病例 大于0.15被认为是次要的岩爆。

使用上面这些单和多索引的预测方法,预测岩爆等级(见表得到5)。

表5
结果通过各种岩爆预测方法。

岩爆的预测结果的统计成绩通过使用单和多索引预测方法进行并表所示6。

表6
表的统计结果5。

如表所示6,(一)PCA-SSA-PNN和单指标预测方法的比较,巴顿的方法和Russenes的方法是基于岩石强度和贫穷的表演与预测精度小于50%,和徐et al。方法基于岩体强度和有一个更好的性能的预测精度超过70%,而在本研究建立PCA-SSA-PNN最佳性能;Russenes”方法可能高估了岩石破裂年级在大多数情况下,紧随其后的是巴顿,徐et al。”年代,和PCA-SAA-PNN方法(b)比较单一和多索引的预测方法,岩爆的underprediction比率很低,远低于overprediction比单和多索引方法;与单指标预测方法相比,预测多索引方法有更高的精度比和较低的overprediction比;单指标方法中,徐et al。’s方法精度最高,达到71.5%,而在多索引方法,BP方法的准确性,最少也达到71.5;多索引方法的平均精度高于单指标方法,所以多索引的预测方法更接近实际岩爆等级(c)PCA-SSA-PNN的比较和其他多索引的预测方法,PCA-SSA-PNN预测精度最高,其次是支持向量机,对所测试的标准,英国石油(BP)和射频;预测由PCA-SSA-PNN建立更接近实际岩爆等级比其他四个多索引方法;所有的五个多索引方法高估了岩爆等级与射频的张小高估比率,英国石油(BP)支持向量机,对所测试的标准,和PCA-SSA-PNN;PCA-SSA-PNN、支持向量机和射频不低估了岩爆等级,而英国石油(BP)和标准并可能低估了成绩;标准PNN-based架构低估了岩爆等级,而PCA-SSA-PNN-based架构是大大提高的精度比增加14.3%,与underprediction比减少为零

总之,多索引方法更适合预测岩爆等级比单指标预测方法;与其他四个多索引岩爆预测方法,建立PCA-SSA-PNN更合理预测岩爆的等级分类。

4所示。讨论

为了分析性能与新条件下,当该模型面临一个新的岩爆情况。Mufeiling Hangzhou-Wenzhou铁路隧道位于桐庐县,杭州,浙江,中国。里程是DK74 + 702.93开始,结束里程数DK84 + 943.27,和中央的里程是DK79 + 823.08,总长度为10240.34米。隧道现场位于中、低山区,与大型救援和自然边坡25 ~ 35°。隧道现场的最高海拔约为889米,最大深度是619米。据统计,岩石破裂发生421次六面临Mufeiling隧道的施工工作。

岩石破裂造成严重损害Mufeiling隧道,最初支持的难度增加,工程的数量,并严重阻碍了施工进度。因此,它是必要的,以确定Mufeiling隧道岩爆等级,以采取适当的预防措施。PCA-SSA-PNN被用来预测岩爆DK77 + 500和DK79 + 050 Mufeiling隧道的位置,分别,结果如表所示7。

表7
Mufeiling隧道岩爆等级预测。

从表可以看出7预测结果基本上符合实际岩爆等级。基于PCA-SSA-PNN岩爆等级预测方法已经被应用于Mufeiling隧道。

5。结论

在这个工作,在中国西部一个隧道的现场数据和巴基斯坦导流隧洞的岩爆数据项目和Erlang山隧道工程在中国被用作岩爆预测的原始输入数据网络。不同的岩爆影响因素被认为是建立岩爆等级预测指标体系。主成分分析(PCA)被用来减少岩爆数据集的维数和消除不同影响因素间的线性相关。麻雀搜索算法(SSA)被用来优化平滑因子的概率神经网络(并),和一个多索引岩爆预测网络PCA-SSA-PNN之后。预测结果的比较PCA-SSA-PNN与单和其他多索引是另外进行岩爆预测方法,分别。它显示了以下几点:(1)单指标的岩爆预测方法,该方法考虑到岩体的强度具有较高的预测精度(2)多索引方法的准确性往往高于单指标方法在预测岩爆的等级分类(3)多索引的岩爆预测方法,从大到小的顺序,overprediction利率是随机森林,反向传播,支持向量机,对所测试的标准,和PCA-SSA-PNN underprediction利率射频,英国石油(BP)标准并通过SVM和PCA-SSA-PNN(4)建立了岩爆预测方法基于PCA-SSA-PNN架构考虑岩体强度的影响,以及岩爆等级估计的方法是在良好的协议与实际岩爆等级,可用于在实践中岩爆的快速预测

多索引岩爆等级预测方法建立在这项研究中考虑了岩体强度对岩爆的影响。然而,不能直接获得的岩体强度测试方法目前,它通常由经验公式估计,可能有估计结果和实际值之间的误差。此外,不同岩爆等级PCA-SSA-PNN培训的数量很小,这将对网络的泛化能力有影响。因此,岩爆等级数据的类别和数量需要增加在随后的研究中,岩石力学特征参数的选择方法和新的多索引预测方法的应用范围也需要进一步研究。

数据可用性

部分或全部数据、模型或代码支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

所提供的金融支持研究河南省的科技项目批准号222102320204。