一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法技术

本发明专利技术涉及一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，通过数据预处理和格式化将工程地质信息进行分类存储，并利用聚类算法对已建隧道信息进行数据筛选；进而基于数据筛选的基础上建立BP神经网络预测模型，进行训练并验证模型的可靠性；最终利用训练完善的模型预测隧道未知断面的围岩地质信息；该基于已建隧道信息智能识别的隧道围岩地质信息预测模型具有较好的普适性和较高的预测精度，能够充分考虑已建隧道工程围岩数据，并对隧道围岩地质信息进行推断和动态更新，从而获得更加可靠的围岩地质信息用于隧道工程的精细化分析和设计，其适用于绝大多数隧道围岩地质信息的预测。

【技术实现步骤摘要】
一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
本专利技术涉及一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，属于岩体隧道工程

技术介绍
在隧道工程中，岩体本身由于各种复杂地质过程的影响，其地质信息的获取具有时间渐进性、空间变异性和局部信息难以获得等特点。在工程具体实施的过程中，受制于地质信息的各种不确定性，往往需要根据已建隧道信息对在建隧道工程地质信息进行推断，因此为准确评价在建隧道工程围岩地质信息，需要在考虑多种不确定性影响的基础上基于已建隧道围岩地质信息的智能识别，通过在建隧道工程地质进行数据筛选，选择近似隧道工程地质的数据进行机器学习，以此获取工程地质信息快速预测的依据，从而减低因工程地质不确定性所带来的安全问题。
技术实现思路
本专利技术提供一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，克服现有技术中的缺陷，解决已建隧道工程隧道围岩地质信息利用不足及隧道围岩地质预测模型精度低的问题。本专利技术解决其技术问题所采用的技术方案是：一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，具体包括以下步骤：第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型；作为本专利技术的进一步优选，在第一步中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的围岩不连续面条件评分以及定义为R4的地下水评分；其总分R＝R1+R2+R3+R4；作为本专利技术的进一步优选，在第二步中，K-means聚类算法是针对给定样本集D＝{x1,x2,x3,…,xn}的簇划分C＝{C1,C2,C3,…,Cn}的最小化平方误差，其中平方误差的表达式为：其中，x为隧道围岩地质信息样本，Ci为第i个簇，μi为簇Ci的均值向量，E为平方误差；作为本专利技术的进一步优选，第二步中，将隧道围岩地质信息各项指标于不同断面上的均值放入参考数据中，以少数代表性断面与已开挖面围岩样本作为聚类中心，运行K-means聚类算法，对样本进行簇划分并更新聚类中心，迭代若干次后，形成稳定的簇划分，从而剔除地质条件差异过大的数据，建立合适稳定的数据集；作为本专利技术的进一步优选，第三步中，已开挖断面隧道围岩地质信息包括已建隧道工程各断面的地质信息，以及在建隧道已开挖的断面地质信息；待开挖断面隧道围岩地质信息为在建隧道的未开挖断面地质信息；作为本专利技术的进一步优选，第四步中，均方根误差用于衡量模型预测值与真实值之间的偏差，其表达式为：其中，m为地质信息数据的数目，xi为真实值，为预测值；作为本专利技术的进一步优选，第四步中，随机搜索法利用模拟生成的随机数计算表达式的极小值，从而求得函数近似最优解，采取的具体方法为模拟退火算法。通过以上技术方案，相对于现有技术，本专利技术具有以下有益效果：1、本专利技术通过数据预处理、格式化将工程地质信息进行分类存储，能够有效归纳已建隧道工程地质信息，进而建立完善可靠的隧道围岩地质信息数据库，为隧道围岩地质信息预测模型的建立提供关键基础保证；2、本专利技术通过聚类算法对数据库中的围岩数据进行筛选，能够充分考虑岩体本身存在的多种不确定性，精确筛选得到地质条件相似的隧道围岩地质数据用于机器学习以达到智能识别的目的，同时高关联度的数据集也会使得建立的最终预测模型具有较好的普适性和较高的预测精度；3、本专利技术通过将开挖过程中新获得的地质信息融入BP神经网络预测模型的训练中，进一步完善预测模型，增加数据支撑的同时，提高预测断面附近地质信息的可信度，能够有效提升模型预测结果的精度，从而实时预测获取开挖面前方地质情况，及时调整施工和支护手段，减低因工程地质不确定性所带来的安全问题。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是本专利技术提供的基于已建隧道信息智能识别的隧道围岩地质信息预测方法流程示意图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。本申请旨在提供一种获取工程地质信息快速预测的依据，从而降低因工程地质不确定性所带来的安全问题；图1所示，是整个预测方法流程示意图，从图中可以看出整个流程示意图包括几个步骤：数据存储、数据筛选、建立模型、训练模型以及模型预测，即通过数据预处理和格式化将工程地质信息进行分类存储，并利用聚类算法对已建隧道数据进行数据筛选；进而基于数据筛选的基础上建立BP神经网络预测模型，进行训练并验证模型的可靠性；最终利用训练完善的模型预测隧道未知断面的围岩地质信息；具体的，包括以下步骤：第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；其中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的围岩不连续面条件评分以及定义为R4的地下水评分；其总分R＝R1+R2+R3+R4。第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；其中，本文档来自技高网...

【技术保护点】
1.一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：具体包括以下步骤：/n第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；/n第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；/n第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；/n第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；/n第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型。/n...

【技术特征摘要】
1.一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：具体包括以下步骤：
第一步，数据预处理、格式化及存储：基于已建隧道工程和在建隧道已开挖断面的实测围岩地质信息，对数据预处理以及格式化，获取隧道围岩地质信息各项指标于不同断面上的均值，按照围岩-断面-地质信息的次序，将工程地质信息进行分类存储，建立隧道围岩地质信息数据库；
第二步，K-means聚类算法数据筛选：利用K-means聚类算法对已建立的隧道围岩地质信息数据库内数据进行筛选，得到隧道围岩地质信息高关联数据链；
第三步，建立BP神经网络预测模型：建立的BP神经网络预测模型包括输入层、隐层以及输出层，通过BP神经网络预测模型进行工程地质机器学习，其中，输入层为已开挖断面隧道围岩地质信息，输出层为待开挖断面隧道围岩地质信息；
第四步，训练神经网络模型并验证：将整理筛选得到的已建隧道工程围岩地质数据作为训练集，将本工程的在建隧道已开挖断面围岩地质数据作为验证集，考虑不同断面地质信息数据的差别，选取均方根误差作为预测准确度评判标准，采用随机搜索法寻找在验证集上计算误差最小的模型参数组合，训练BP神经网络预测模型并进行验证；
第五步，利用训练后的BP神经网络预测模型对当前开挖断面的隧道围岩地质信息进行预测，并对开挖前方一定距离的地质信息进行不确定性推断，推断隧道开挖前方未知断面的地质信息，随着工作面的向前推进，实时将施工过程中新观测得到的数据加入到训练后的BP神经网络预测模型中，进一步训练BP神经网络预测模型，逐步提升预测精度，从而建立基于已建隧道信息智能识别的隧道围岩地质信息预测模型。


2.根据权利要求1所述的基于已建隧道信息智能识别的隧道围岩地质信息预测方法，其特征在于：在第一步中，基于的已建隧道工程和在建隧道已开挖断面的实测围岩地质信息包括围定义为R1的岩强度，定义为R2的围岩不连续面数目，定义为R3的...

【专利技术属性】
技术研发人员：张琦，王宁，李建春，蒋擎，何磊，张宸浩，沈益鑫，郑彦龙，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32