隧道围岩级别识别方法和装置制造方法及图纸

本发明专利技术提供一种隧道围岩级别识别方法和装置，方法包括：获取不同隧道围岩级别的数据样本来形成包含训练样本的训练集，训练样本包括电脑型凿岩台车采集的钻爆法施工隧道的随钻参数；将获取的训练样本的数据进行特征的向量化，采用基于人工少数类过采样法的自适应综合过采样法进行样本数均衡；利用随机森林算法将样本数平衡的样本集中的特征按重要程度进行排序；基于特征排序结果按照重要程度从高到低的顺序提取样本数平衡的样本集中样本的预定数量的特征，基于提取的特征来训练预定的机器模型；采集不同隧道围岩级别的待测试数据样本，基于特征排序结果提取预定数量的特征生成特征向量，输入至已训练的机器模型，输出隧道围岩级别识别。围岩级别识别。围岩级别识别。

【技术实现步骤摘要】
隧道围岩级别识别方法和装置


[0001]本专利技术涉及隧道施工
，尤其涉及一种隧道围岩级别识别方法和装置。

技术介绍

[0002]隧道建设主要有钻爆法、盾构法、沉管法等施工方法，其中采用钻爆法的隧道施工比例达到80％。复杂艰险山区钻爆法隧道修建过程中常因不能准确判识前方岩体性质，无法对当前隧道各项超前及洞身支护措施动态调控，直接影响隧道施工质量及效率。
[0003]当前，铁路修建隧道开挖断面面积可达160m2，受断层、密集节理、局部风化和地层分界线等因素影响，须及时对设计参数做出局部优化调整。目前主要依靠现场地质人员对围岩级别变化做出判识，其手段单一、时效性较差，并受人员技术水平的影响。现阶段智能型凿岩台车可进行超前支护钻孔施工、掌子面炮孔施工、锚杆钻孔施工并生产相应的施工日志信息，虽然具备自动定位、自动标记钻孔位置、自动传输数据等智能化功能，但多为机械自身运行状态的离散传感数据，同时数据增长快、结构差异大、表示形式具有多样性，在存储方案、数据交互格式都存在较大差异，无法直接用于掌子面围岩的智能分级并指导支护结构类型与参数自适应调整。后期主要根据工程经验、人工输入基础参数再匹配的方式来实现对当前施工状态的动态调控。这会直接影响隧道各项超前支护措施及洞身支护措施安全、快速、高效、高质量的施作到位，进而影响隧道掌子面的稳定性，影响隧道施工质量。
[0004]近年来，随着智能时代的到来，对铁路隧道建设技术创新发展提出了新的机遇与挑战。随着机器学习研究的不断深入，机器学习理论逐步应用于岩体质量分析，Wedged等人利用卷积神经网络和矿物勘探中采集的钻进参数，通过算法判断地层岩性、地层分界面等信息并于人工判断结果进行对比。Nishitsujiy等人对比了支持向量机、深度学习与线性分类器及贝叶斯分类器等模型在岩相类型划分方面的表现，认为深度学习方法更具备成为未来岩性划分的主要方法的潜力。Valentinmb等人利用超声波和微电阻率成像测井数据作为输入，通过深度残差网络构建了井眼图像数据分类模型，识别了钙质岩、辉绿岩、页岩和粉砂岩4类岩性。蔡世明等人选择围岩强度、自重应力、岩体完整程度和开采影响等7类参数作为神经网络输入，判识了巷道工程围岩稳定性状态。学者们的研究表明，利用机器学习理论和钻进参数识别地层岩性、岩层厚度和节理发育等地质构造信息是可行的，但如何在实际工程中进一步定量判识掌子面不同区域的围岩情况，并指导施工设计参数调整，还有待深入研究。
[0005]隧道围岩级别是评判围岩性质、判断隧道围岩稳定性、选择隧道支护类型、指导安全施工的重要依据，如何克服现有技术中过于依赖人工经验且低时效的识别围岩级别手段来提供一种高效准确的围岩级别识别方法，是一个亟待解决的问题。

技术实现思路

[0006]鉴于此，本专利技术实施例提供了一种隧道围岩级别识别方法和装置，通过利用电脑型凿岩台车监测数据，构建SMOTE算法进行数据集平衡，并利用机器学习实现了对隧道围岩
的自动分级与动态预测。
[0007]本专利技术的一个方面提供了一种隧道围岩级别识别方法，该方法包括以下步骤：
[0008]获取不同隧道围岩级别的数据样本来形成包含训练样本的训练集，所述训练样本包括电脑型凿岩台车采集的钻爆法施工隧道的随钻参数，所述随钻参数包括实时运行参数和循环日志数据；
[0009]将获取的训练样本的数据进行特征向量化，并在各隧道围岩级别间的样本不平衡度不符合预定的样本平衡条件的情况下，采用基于人工少数类过采样法SMOTE的自适应综合过采样法进行样本数均衡，以得到样本数平衡的样本集；
[0010]利用随机森林算法将样本数平衡的样本集中的特征按重要程度进行排序，获得特征排序结果；
[0011]基于所述特征排序结果按照重要程度从高到低的顺序选择样本数平衡的样本集中样本的预定数量的特征，将选择的特征作为输入特征来训练预定的机器模型；
[0012]采集不同隧道围岩级别的待测试数据样本，基于所述特征排序结果提取预定数量的特征生成特征向量，输入至已训练的机器模型，输出隧道围岩级别识别结果。
[0013]在本专利技术的一些实施例中，所述在各隧道围岩级别间的样本不平衡度不符合预定的样本平衡条件的情况下，采用基于人工少数类过采样法SMOTE的自适应综合过采样法进行样本数均衡，以得到样本数平衡的样本集，包括：
[0014]对训练集的数据样本进行归一化和标准化处理，并删除异常值；
[0015]针对训练集中的每一隧道围岩级别的训练样本，计算不平衡度；
[0016]在不平衡度不满足预定的样本平衡条件的情况下，基于训练集中当前少数类和多数类的数量确定当前少数类样本要生成的合成样本数量；
[0017]对于每个属于当前少数类的样本实例，查找最近的邻居，基于查找的最近的邻居中属于多数类的实例数计算每个少数类样本需要生成的合成样本的数量；
[0018]对于每个少数类样本，执行与合成样本的数量对应的样本合成操作，在每次样本合成操作中通过从当前少数类样本的最近邻居中选择一个少数类样本并基于选择的少数样本来生成一个合成样本。
[0019]在本专利技术的一些实施例中，所述基于训练集中当前少数类和多数类的数量确定当前少数类样本要生成的合成样本数量包括以下步骤：基于当前少数类实例和多数类实例的数量以及平衡指示参数计算需要为少数类样本生成的合成样本的数量；
[0020]所述对于每个属于当前少数类的样本实例，查找最近的邻居，基于查找的最近的邻居中属于多数类的实例数计算每个少数类样本需要生成的合成样本的数量，包括：
[0021]对于每一个属于少数类的样本示例，基于其特征空间中的欧式距离找到最近的邻居，并基于最近的邻居计算密度分布参数；
[0022]基于计算的密度分布参数来计算每个少数类样本实例需要生成的合成样本的数量。
[0023]在本专利技术的一些实施例中，基于如下公式计算需要为少数类样本生成的合成样本的数量：
[0024]G＝(m
l
‑
m
s
)*β；
[0025]其中，G表示需要生成的合成样本的数量，m
s
表示当前少数类实例的数量，m
l
表示当
前多数类实例的数量，β为指示合成数据生成后所需的平衡水平的参数；
[0026]基于如下公式计算密度分布参数；
[0027][0028]其中，r
i
表示密度分布，K表示当前属于少数类的样本示例的特征空间中的欧式距离找到最近的邻居，Δ
i
是K个最近邻中的属于多数类的实例数；
[0029]基于如下公式来计算每个少数类样本实例需要生成的合成样本的数量：
[0030][0031]其中，g
i
为每个少数类样本实例需要生成的合成样本的数量，
[0032]在本专利技术的一些实施例中，所述通过从当前少数类样本的最近邻居中选择一个少数类样本并基于选择的少数样本来生成一个合成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隧道围岩级别识别方法，其特征在于，该方法包括以下步骤：获取不同隧道围岩级别的数据样本来形成包含训练样本的训练集，所述训练样本包括电脑型凿岩台车采集的钻爆法施工隧道的随钻参数，所述随钻参数包括实时运行参数和循环日志数据；将获取的训练样本的数据进行特征向量化，并在各隧道围岩级别间的样本不平衡度不符合预定的样本平衡条件的情况下，采用基于人工少数类过采样法SMOTE的自适应综合过采样法进行样本数均衡，以得到样本数平衡的样本集；利用随机森林算法将样本数平衡的样本集中的特征按重要程度进行排序，获得特征排序结果；基于所述特征排序结果按照重要程度从高到低的顺序选择样本数平衡的样本集中样本的预定数量的特征，将选择的特征作为输入特征来训练预定的机器模型；采集不同隧道围岩级别的待测试数据样本，基于所述特征排序结果提取预定数量的特征生成特征向量，输入至已训练的机器模型，输出隧道围岩级别识别结果。2.根据权利要求1所述的方法，其特征在于，所述在各隧道围岩级别间的样本不平衡度不符合预定的样本平衡条件的情况下，采用基于人工少数类过采样法SMOTE的自适应综合过采样法进行样本数均衡，以得到样本数平衡的样本集，包括：对训练集的数据样本进行归一化和标准化处理，并删除异常值；针对训练集中的每一隧道围岩级别的训练样本，计算不平衡度；在不平衡度不满足预定的样本平衡条件的情况下，基于训练集中当前少数类和多数类的数量确定当前少数类样本要生成的合成样本数量；对于每个属于当前少数类的样本实例，查找最近的邻居，基于查找的最近的邻居中属于多数类的实例数计算每个少数类样本需要生成的合成样本的数量；对于每个少数类样本，执行与合成样本的数量对应的样本合成操作，在每次样本合成操作中通过从当前少数类样本的最近邻居中选择一个少数类样本并基于选择的少数样本来生成一个合成样本。3.根据权利要求2所述的方法，其特征在于，所述基于训练集中当前少数类和多数类的数量确定当前少数类样本要生成的合成样本数量包括以下步骤：基于当前少数类实例和多数类实例的数量以及平衡指示参数计算需要为少数类样本生成的合成样本的数量；所述对于每个属于当前少数类的样本实例，查找最近的邻居，基于查找的最近的邻居中属于多数类的实例数计算每个少数类样本需要生成的合成样本的数量，包括：对于每一个属于少数类的样本示例，基于其特征空间中的欧式距离找到最近的邻居，并基于最近的邻居计算密度分布参数；基于计算的密度分布参数来计算每个少数类样本实例需要生成的合成样本的数量。4.根据权利要求3所述的方法，其特征在于，基于如下公式计算需要为少数类样本生成的合成样本的数量：G＝(m
l
‑
m
s
)*β；其中，G表示需要生成的合成样本的数量，m
s
...

【专利技术属性】
技术研发人员：王同军，黎庶，吴川，解亚龙，宋树宝，梁策，鲍榴，郝蕊，王泽彦，李飞，孙安培，刘红峰，邵磐，
申请(专利权)人：北京经纬信息技术有限公司中国铁道科学研究院集团有限公司中国国家铁路集团有限公司，
类型：发明
国别省市：