基于神经网络的围岩变形预测系统及预测方法技术方案

一种基于神经网络的围岩变形预测系统及预测方法，利用监测设备获取设定时间范围内的围岩变形的监测数据作为算法的学习样本，建立基于萤火虫搜索算法优化的非线性自回归动态组合神经网络人工智能算法模型，即运用萤火虫算法对神经网络的训练结果全局搜索来确定神经网络初始参数中延时阶数和隐含层单元个数的最优解；随后更新的神经网络对作为样本数据的学习样本重新展开学习训练，构建围岩变形预测模型；根据围岩变形预测模型的精度设定预测范围，自动输出围岩变形预测值。提高了网络学习效率和预测精度，同时扩大了预测外推的时间范围，使得围岩变形预测真正有效服务科研工作和工程实践。

【技术实现步骤摘要】
基于神经网络的围岩变形预测系统及预测方法
本专利技术涉及围岩长期变形时序预测
，具体涉及一种基于神经网络的围岩变形预测系统及预测方法，尤其涉及一种基于组合神经网络的围岩变形预测系统及预测方法，特别涉及一种特别是当围岩长期变形且受监测仪器设备寿命、监测环境条件限制而难以获得长期有效值的时候下的基于组合神经网络的围岩变形预测系统及预测方法。
技术介绍
围岩变形是指地下洞室周围岩体发生的形状与体积的变化及洞壁的变位。是围岩发生流变、蠕变、徐变、位移、沉降及底鼓的总称。在力学分析中常用围岩的位移场表示。传统的对围岩变形的预测是建立在力学分析的基础上。由于地下工程受岩土本构模型、岩土体结构构造、地质环境以及工程结构等多因素耦合作用，使得围岩变形力学计算过于复杂，很难通过纯理论方法给出封闭解。同时影响围岩变形的各因素之间以及众因素与围岩变形之间具有非线性、离散型和随机性等特征，计算机辅助的数值模拟方法虽然在方法和结果上更贴合实际工况，但由于参数过于繁复，不适合应用于实际工程。因此在现有技术条件下无论是理论计算还是数值模拟都难以准确预测围岩变形。...

【技术保护点】
1.一种基于神经网络的围岩变形预测系统，其特征在于，包括：/n监测设备，用于把监测来的围岩变形的数据输入到测试终端中；/n测试终端，所述测试终端包括NAR动态神经网络，所述NAR动态神经网络由输入层、隐含层、输出层和延时阶数部分组成。/n

【技术特征摘要】
20200528 CN 20201046685971.一种基于神经网络的围岩变形预测系统，其特征在于，包括：
监测设备，用于把监测来的围岩变形的数据输入到测试终端中；
测试终端，所述测试终端包括NAR动态神经网络，所述NAR动态神经网络由输入层、隐含层、输出层和延时阶数部分组成。


2.一种基于神经网络的围岩变形预测系统的预测方法，其特征在于，包括：
利用监测设备获取设定时间范围内的围岩变形的监测数据作为算法的学习样本，建立基于萤火虫搜索算法优化的非线性自回归动态组合神经网络人工智能算法模型，即运用萤火虫算法对神经网络的训练结果全局搜索来确定神经网络初始参数中延时阶数和隐含层单元个数的最优解；随后更新的神经网络对作为样本数据的学习样本重新展开学习训练，构建围岩变形预测模型；根据围岩变形预测模型的精度设定预测范围，自动输出围岩变形预测值。


3.一种基于神经网络的围岩变形预测系统的预测方法，其特征在于，具体包括如下步骤：
步骤1：输入围岩变形的监测数据；
步骤2：初始化萤火虫算法，随机生成萤火虫数目为N的非线性自回归动态神经网络的参数群体，其中N为正整数；
步骤3：NAR动态神经网络读入样本数据，同时读取初始群体中各萤火虫个体即网络参数，对NAR动态神经网络进行训练和预测；
步骤4：将最佳网络参数传回NAR动态神经网络重新进行学习训练，并依据NAR动态神经网络的预测效果图和误差自相关性的条形图判断NAR动态神经网络好坏，不满足要求的NAR动态神经网络返回步骤3进行迭代训练，直至理想状态即完成围岩变形的预测模型的建立。


4.根据权利要求3所述的基于神经网络的围岩变形预测系统的预测方法，其特征在于，所述输入围岩变形的监测数据，包括：通过人工采集或自动监测采集来获取围岩的监测断面的目标点径向的单维度位移数据。


5.根据权利要求3所述的基于神经网络的围岩变形预测系统的预测方法，其特征在于，所述初始化萤火虫算法，随机生成萤火虫数目为N的非线性自回归动态神经网络的参数群体，包括：使用萤火虫算法全局搜索来优化作为神经网络参数的延时阶数d和隐含层单元个数nh，对应的搜索范围为：d：5～10，nh：5～20；还设置最大迭...

【专利技术属性】
技术研发人员：李二兵，濮仕坤，段建立，高磊，蔡舒凌，潘越，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：江苏;32