预测隧道挤压变形的建模及分析方法、设备和存储介质技术

本申请公开了一种预测隧道挤压变形的建模及分析方法、设备和存储介质。建模方法，包括以下步骤：建立隧道挤压变形历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的用作训练库参数的多个特征；对所述历史数据集进行参数优化得到优化数据库；以隧道挤压变形程度作为分类标准，利用所述优化数据库进行多分类SVM训练，得到多分类SVM模型。能够缩短分类器的训练时间，将隧道根据变形大小进行分类，在预测精度上表现出较好的性能；可以根据预测的挤压类别来估计潜在的挤压问题的严重性。

【技术实现步骤摘要】
预测隧道挤压变形的建模及分析方法、设备和存储介质
本公开一般涉及隧道变形预测
，尤其涉及一种预测隧道挤压变形的建模及分析方法、设备和存储介质。
技术介绍
在软岩体隧道施工过程中，由于高地应力的影响，软岩隧道挤压大变形是在经常发生的重大地质灾害之一。期间发生坍塌，盾构隧道掘进机施工(TBM)堵塞，导致工程被迫中断，预算超支和施工延误，有时甚至可能导致隧道的不稳定和人员伤亡，如荷兰西斯凯尔特河隧道施工过程中因围岩挤压强烈而被困两周；引黄工程隧道施工过程中掘进机遇到软岩挤压变形而长时间被困，给工程带来严重后果。目前对于软岩挤压大变形隧道的研究，主要侧重于常规定性定量分析，无法对隧道挤压大变形进行预测，更无法评估潜在的挤压问题的严重性，这对隧道的设计和施工产生极为不利的影响。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种能够有效预测隧道挤压变形的方案。第一方面，本申请实施例提供了一种预测隧道挤压变形的建模方法，包括以下步骤：建立隧道挤压变形历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的多个特征；对所述历史数据集进行参数优化得到优化数据库；以隧道挤压变形程度作为分类标准，利用所述优化数据库进行多分类SVM训练，得到多分类SVM模型。本专利技术的目的及解决其技术问题还可采用以下技术措施进一步实现。所述多个特征包括隧道的直径，隧道埋深(H)，岩石质量指数(Q)和支护刚度。采用上述特征作为训练库参数，使得训练更加科学高效。对所述历史数据集进行参数优化包括采用粒子群优化算法或网格搜索法。采用粒子群优化算法是一种基于群体智能方法的优化技术，用于解决全局优化问题，本专利中主要用来进行SVM模型参数的优化，以提高分类精度，减少误分类数量。所述进行多分类SVM训练包括采用DAGSVM法进行训练。DAGSVM是有向无环图支持向量机的简称，是针对“一对一(one-against-one)”多分类SVM存在误分、拒分现象提出的，DAGSVM在训练阶段与“一对一”SVM方法相同，也要对任意两类创建SVM分类器，所创建SVM分类器的总数为n(n-1)/2。DAGSVM简单易行，只需使用n-1个SVM分类器即可做出预测，与“一对一”SVM方法相比提高了计算速度，而且不存在误分、拒分区域；另外，DAGSVM有一定的容错性，分类精度较高。在所述利用所述优化数据库进行多分类SVM训练过程中，采用交叉验证法对所述SVM训练进行精度检验，可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。在所述利用所述优化数据库进行多分类SVM训练过程中，采用混淆矩阵来显示所创建的多分类SVM的性能和分类效果，能够直观的显示所创建的多分类SVM的性能和分类效果。第二方面，本申请实施例提供了一种预测隧道挤压变形的分析方法，包括：下载待预测的隧道数据集，所述隧道数据集包括描述所述数据的多个特征；利用上述建模方法形成的模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。一种预测隧道挤压变形的分析方法，包括：下载待预测的隧道挤压变形数据集，所述隧道数据集包括描述所述数据的多个特征；利用经过多分类SVM训练形成的隧道挤压模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。DAGSVM简单易行，只需使用n-1个SVM分类器即可做出预测，与“一对一”SVM方法相比提高了计算速度，而且不存在误分、拒分区域；另外，DAGSVM有一定的容错性，分类精度较高。第三方面，本申请实施例提供了一种设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述预测隧道挤压变形的建模方法。本申请实施例还提供了一种设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时完成上述预测隧道挤压变形的分析方法。第四方面，本申请实施例提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现上述预测隧道挤压变形的建模方法或分析方法。目前，将概率分析方法应用到软岩挤压大变形隧道来进行分类预测的相关研究非常少。本申请实施例提供的预测隧道挤压变形的方案，提出利用概率分析方法来对隧道变形的分类进行预测：通过建立隧道挤压变形历史数据集，采用多分类支持向量机算法来预测挤压类别，进而可以评估潜在的挤压问题的严重性，从而实现对支护刚度影响性的评估。由于支持向量机算法(SupportVectorMachine，SVM)是一种基于统计学习理论的机器学习算法，其采用结构风险最小化(StructuralRiskMinimization，SRM)准则，可以在最小化样本误差的同时缩小模型泛化误差的上界，从而提高模型的泛化能力，提高对隧道挤压变形分类预测的准确性和适应性。与现有的经验方法相比，所提出的多分类支持向量机分类器模型在准确性和适用性方面产生了更好的性能，耗时更短，精度更高，对于处理隧道挤压变形数据特别有用，能产生良好的预测结果。与其他技术相比，多分类支持向量机分类器可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间，将隧道根据变形大小进行分类，在预测精度上表现出较好的性能；可以根据预测的挤压类别来估计潜在的挤压问题的严重性。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1示出了一种多分类支持向量机的隧道挤压变形的预测分类方法的结构；图2为本申请实施例一中隧道挤压变形预测使用的四个参数；图3为本申请实施例一中按照变形程度对隧道的分类情况；图4为本申请实施例一中支持向量机结构；图5为本申请实施例一中支持向量机最佳超平面示意图；图6为本申请实施例一中对于三类多分类支持向量机的二叉树分类结构；图7为本申请实施例一中8-CV交叉验证数据集划分情况；图8为本申请实施例一中采用8-CV法的预测分类流程结构；图9为本申请实施例一中混淆矩阵分类结果展示；图10为本申请实施例一中最佳参数c和g的寻优结果；图11为本申请实施例一中测试集的实际分类和预测分类示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。实施例一本申请实施例提供一种能够有效预测隧道挤压变形的方案，具体包括预测隧道挤压变形的建模方法、预测隧道挤压变形的分析方法和用以预测隧道挤压变形的设备和存储介质。预测隧道挤压变形的建模方法，主要包括对导入数据库进行处理及相关分析，如图1所示流程，具体包括以下过程：1)基于四个因素，如图2所示，包括：隧道的直径(D)，埋深(H)，岩石质量指数(Q)和支护刚度(K)，作为训练库参数。采用这四种因素作为训练库参数，使得训练更加科学高效。2)建立隧道挤压变形数据集，从印度，尼泊尔，本文档来自技高网...

【技术保护点】
一种预测隧道挤压变形的建模方法，其特征在于，包括以下步骤：建立隧道挤压变形历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的用作训练库参数的多个特征；对所述历史数据集进行参数优化得到优化数据库；以隧道挤压变形程度作为分类标准，利用所述优化数据库进行多分类SVM训练，得到多分类SVM模型。

【技术特征摘要】
1.一种预测隧道挤压变形的建模方法，其特征在于，包括以下步骤：建立隧道挤压变形历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的用作训练库参数的多个特征；对所述历史数据集进行参数优化得到优化数据库；以隧道挤压变形程度作为分类标准，利用所述优化数据库进行多分类SVM训练，得到多分类SVM模型。2.根据权利要求1所述的预测隧道挤压变形的建模方法，其特征在于，所述多个特征包括隧道的直径，隧道埋深，岩石质量指数和支护刚度。3.根据权利要求1所述的预测隧道挤压变形的建模方法，其特征在于，对所述历史数据集进行参数优化包括采用粒子群优化算法或网格搜集法。4.根据权利要求1-3任一所述的预测隧道挤压变形的建模方法，其特征在于，所述进行多分类SVM训练包括采用DAGSVM法进行训练。5.根据权利要求4所述的预测隧道挤压变形的建模方法，其特征在于，在所述利用所述优化数据库进行多分类SVM训练过程中，采用交叉验证法对所述SVM训练进行精度检验。6.根据权利要求4所述的预测隧道挤压变形的建模方法，其特征在于，在所述...

【专利技术属性】
技术研发人员：孙炀，冯现大，杨令强，蒋伟，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东,37