一种基于贝叶斯网络的深长隧道突涌水预测方法技术

本发明专利技术属于隧道工程灾害预测领域，具体涉及一种基于贝叶斯网络的深长隧道突涌水预测方法，包括确定深长隧道突涌水的影响因素，完善致灾因子和突涌水评价指标的等级划分，建立隧道突涌水样本库；应用解释结构模型方法建立突涌水影响因素的层次结构关系，确定影响因素的排序和层间指向性连接，建立解释结构模型；基于解释结构模型，改进贝叶斯网络结构的构建方法；针对不同样本库的情况，应用改进方法构建贝叶斯网络模型；依据贝叶斯网络模型，进行深长隧道突涌水的定量预测。本发明专利技术能够实现定性和定量的综合分析，对完备数据样本和不完备数据样本同时具有适用性，对小样本具有适用性，独立于主观判断，更准确、更客观的进行深长隧道突涌水预测。隧道突涌水预测。隧道突涌水预测。

【技术实现步骤摘要】
一种基于贝叶斯网络的深长隧道突涌水预测方法


[0001]本专利技术属于隧道工程灾害预测领域，具体为一种基于贝叶斯网络的深长隧道突涌水预测方法。

技术介绍

[0002]近年来，我国基础设施建设发展迅速，交通、水利水电等重大工程建设的需求增加。作为交通、水利水电等重大工程的关键控制性工程，隧道的建设也得到了迅速发展。隧道工程在建设的过程中经常会遇到各种地质灾害，造成工期延误、经济损失、人员伤亡等危害。其中，突涌水灾害约占各类隧道灾害的40％，是不容忽视、亟待解决的安全问题。
[0003]而随着西部大开发的推进，大量的重大交通工程和水利工程，催生了大量的深长隧道的建设。深长隧道穿越的自然环境更加复杂，突涌水灾害发生的频率更大，突涌水灾害导致的损伤也更加严重。
[0004]为了保证隧道施工的安全性、避免人员伤亡和减少不必要的经济损失，提前预测突涌水的发生，从而合理选择预防措施是十分重要的。对此，许多国内外专家进行了广泛的研究，并取得了大量的成果。从早期单纯定性地对突涌水进行预测，发展到现如今能对突涌水进行定量的评估和计算。现在的定量分析本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯网络的深长隧道突涌水预测方法，其特征在于，包括以下步骤：S1：确定引发突涌水的影响因素；S2：对突涌水影响因素进行等级划分，对最大集中涌水量进行区间划分，形成深长隧道突涌水样本库；S3：应用解释结构模型方法，将深长隧道突涌水的系统问题转化成一个多级递阶的层次结构图，确定层间的指向性连接，建立影响因素的解释结构模型；S4：根据解释结构模型，改进贝叶斯网络结构的学习方法；基于改进的学习方法，构建贝叶斯网络模型结构；S5：基于参数学习方法，构建贝叶斯网络模型的条件概率表；S6：进行贝叶斯网络模型推理，构建深长隧道的突涌水预测模型；S7：依据建立的突涌水预测模型，进行新建隧道的突涌水预测。2.根据权利要求1所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S1中，所述的影响因素包括埋深、地形地貌、岩层产状、地层岩性、不良地质、围岩级别、层间裂隙、可溶岩与非可溶岩接触带、地下水位、一周内降雨量、施工扰动程度、支护措施共12个影响因素。3.根据权利要求1所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S4中，基于影响因素的解释结构模型，确定贝叶斯网络结构学习方法的节点排序，以及确定每个节点允许的最大父节点数量为4。4.根据权利要求3所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S4中，基于影响因素的解释结构模型，提前指定部分贝叶斯网络节点之间的指向性联系。5.根据权利要求3或4所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S4中，对于完备样本，基于解释结构模型对基于评分搜索的K2算法进行优化；基于优化的K2算法，得到贝叶斯网络模型结构，具体的计算过程为：确定评分函数，用P(G,D)作为评分函数，公式为：公式为：其中，评分函数各变量含义如下：D：数据集；G：拟选的网络模型；n：变量个数；P(G)：网络结构G的先验概率分布；r
i
：变节点x
i
的取值数量；i：节点的编号；j：节点x
i
的父节点的取值编号；π(x
i
)：节点x
i
的父节点；q
i
：π(x
i
)的取值数量；N
ijk
：节点x
i
的父节点π(x
i
)取第j个值，x
i
取第k个值时的样本数量；N
ij
：节点x
i
父节点集π(x
i
)的第j个状态组合所对应的样本数量；根据贝叶斯网络结构学习方法的节点排序，以及每个节点允许的最大父节点数量为4，确定节点的编号i(1,,2,3...13)的取值和q
i
的取值；根据提前指定的部分贝叶斯网络节点之间的指向性联系，确定部分π(x
i
)的取值；确定搜索策略为贪婪搜索算法；搜索将评分函数最大的父节点变量放入集合；当无法
使评分函数增大时，停止搜索，则找到最优的模型；基于训练集的样本数据，通过上述优化的K2算法，建立贝叶斯网络模型结构。6.根据权利要求3或4所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S4中，对于不完备样本，基于解释结构模型对基于评分搜索的EM算法进行优化；基于训练集的样本数据，通过上述优化的EM算法，建立贝叶斯网络模型结构。7.根据权利要求1所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S5中，对于完备样本库，采用最大似然估计法进行贝叶斯网络模型的条件概率表的构建；对于不完备样本库，采用期望极大化法进行贝叶斯网络模型的条件概率表的构建。8.根据权利要求7所述的基于贝叶斯网络的突涌水预测方法，其特征在于：在S5中，对于完备样本，采用最大似然估计法进行贝叶斯网络模型的条件概率表的构建，具体方法是...

【专利技术属性】
技术研发人员：汪洪星，赵田甜，巫尚蔚，敬小非，刘克辉，任凌燕，崔永鸿，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：