一种基于加权的元启发式组合模型的岩爆烈度预测方法技术

本发明专利技术涉及一种基于加权的元启发式组合模型的岩爆烈度预测方法，属于岩土工程技术领域。本发明专利技术确定岩爆烈度预测的评价指标及岩爆烈度分级；收集岩爆案例，建立岩爆烈度预测样本数据集，并分为训练集和测试集样本；利用三种元启发式优化算法对随机森林(RF)模型中的超参数寻优，建立对应的岩爆烈度预测模型；将训练集和测试集样本分别输入三个岩爆烈度预测模型得到预测岩爆烈度分级，分别计算出三个岩爆烈度预测模型的预测准确率；根据预测准确率计算出对应岩爆烈度预测模型的权重向量；根据岩爆烈度预测模型的权重向量确定超参数取值，建立基于加权的元启发式组合模型；利用基于加权的元启发式组合模型预测工程案例中待预测的岩爆烈度。预测的岩爆烈度。

【技术实现步骤摘要】
一种基于加权的元启发式组合模型的岩爆烈度预测方法


[0001]本专利技术涉及一种基于加权的元启发式组合模型的岩爆烈度预测方法，属于岩土工程


技术介绍

[0002]岩爆是指积聚高弹性应变能的围岩，因开挖或者其他荷载扰动而发生岩块弹射的地质灾害。岩爆的发生受多种因素的影响，且具有突发性、随机性和破坏性大的特点，会对地下施工造成安全隐患、不必要的经济损失和延误工程进度。目前，随着社会经济的发展，越来越多的地下工程(如水电站、隧道、矿山)向深部进军，岩爆灾害也日益增多。因此，如何有效的预测岩爆烈度是确保深部地下工程安全作业所面临的挑战与难题。近几十年来，国内外学者对岩爆预测开展了大量研究工作。现阶段，岩爆预测方法可总结归纳为4类。第一类为基于理论的经验判据，如Russense判据、Barton判据、Hoek判据和弹性能量指数判据等；第二类为基于现场监测的方法，如断层扫描、微震法和声发射法等；第三类为基于不确定性理论的数学模型，如模糊综合评判法、灰色系统理论、D
‑
S证据理论和多维云模型等。第四类方法为基于机器学习算法的智能模型，例如，支持向量机、决策树、最小二乘支持向量机、朴素贝叶斯、随机森林、梯度提升机和人工神经网络等，这些机器学习算法在一定程度上取得了较好的效果。
[0003]目前，机器学习算法在岩爆预测上的研究主要集中在算法模型的选择、岩爆评价指标的选取、模型超参数的优化以及数据集预处理。机器学习算法根据分类器的个数可分为单一模型和集成模型。单一模型泛化能力低，不能对所有问题都得到最优解，其预测性能随工程环境或输入参数的变化而变化，导致当前地下开挖工程中岩爆灾害预测效果不佳。
[0004]机器学习算法在训练构建模型时，都需要确定一个及以上超参数的取值。机器学习算法的超参数一般可采取网格搜索或者元启发式优化算法来确定。目前，在确定机器学习算法的超参数的过程中，多数学者采用网格搜索或只通过一种元启发式优化算法进行确定，缺乏不同方法之间的对比验证。

技术实现思路

[0005]本专利技术针对目前机器学习算法在岩爆烈度预测上存在的缺陷，提出了一种基于加权的元启发式组合模型的岩爆烈度预测方法，本专利技术基于加权的元启发式组合模型，通过对三种元启发式优化算法的结果对比验证及进行加权计算，进一步提高模型的准确性，以及减少参数选取的不确定性。
[0006]一种基于加权的元启发式组合模型的岩爆烈度预测方法，具体步骤如下：
[0007](1)确定岩爆烈度预测的评价指标及岩爆烈度分级；
[0008](2)根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，收集国内外已发生的工程岩爆事故案例，建立岩爆烈度预测样本数据集，并随机按8:2的比例划分为训练集和测试集样本；
[0009](3)利用三种元启发式优化算法对随机森林(RF)模型中的超参数寻优，适应度值取5折交叉验证计算的平均错误率，得到超参数后分别构建对应的岩爆烈度预测模型；
[0010](4)将训练集和测试集样本分别输入三个岩爆烈度预测模型得到预测岩爆烈度分级，分别计算出三个岩爆烈度预测模型的预测准确率；根据三个岩爆烈度预测模型的预测准确率计算出对应岩爆烈度预测模型的权重向量；
[0011](5)根据岩爆烈度预测模型的权重向量确定超参数取值，建立基于加权的元启发式组合模型；
[0012](6)利用基于加权的元启发式组合模型预测工程案例中待预测的岩爆烈度。
[0013]所述步骤(1)岩爆烈度预测的评价指标包括应力系数σ
θ
/σ
c
、脆性系数σ
c
/σ
t
和弹性能量指数W
et
。
[0014]所述步骤(1)岩爆烈度分级包括无岩爆、轻微岩爆、中等岩爆和强烈岩爆。
[0015]所述步骤(3)启发式优化算法包括粒子群优化算法PSO、遗传算法GA和灰狼优化算法GWO。
[0016]所述步骤(4)权重向量Q的计算方法为
[0017][0018]式中：Q为权重向量，ACC
i
为第i种优化算法在测试集上的准确率。
[0019]本专利技术的有益效果是：
[0020](1)本专利技术基于加权的元启发式组合模型的岩爆烈度预测方法，通过建立丰富的岩爆案例数据库，采取交叉验证并分别结合三种元启发式优化算法对随机森林模型进行优化和训练，具有快速高效的特点；
[0021](2)本专利技术通过对三种元启发式优化算法的结果对比验证及进行加权计算，可进一步提高模型的准确性，以及减少参数选取的不确定性；现场施工人员只需将工程上待预测岩爆样本对应的评价指标输入所建立的岩爆预测模型，即可得岩爆烈度等级预判值，具有实用性强、效率高的优点。
附图说明
[0022]图1为岩爆烈度预测流程图；
[0023]图2为岩爆烈度预测的评价指标中3个参数间的相关性热图；
[0024]图3为岩爆烈度预测的评价指标中3种元启发式算法的迭代曲线；
[0025]图4为岩爆烈度预测的评价指标中3种模型在训练集上的混淆矩阵。
[0026]具体实施方式
[0027]下面结合具体实施方式对本专利技术作进一步详细说明，但本专利技术的保护范围并不限于所述内容。
[0028]实施例1：一种基于加权的元启发式组合模型的岩爆烈度预测方法(见图1)，具体步骤如下：
[0029](1)确定岩爆烈度预测的评价指标及岩爆烈度分级；
[0030]岩爆预测是非常复杂的非线性过程，受到模型选择、参数选取和认知不确定性的影响，故在确定模型的基础上，合理有效地选择岩爆预测评价指标是岩爆预测中的重点。岩爆的发生通常与地应力、岩石性质、地下水的赋存、岩体特征和人为的开挖扰动有关。根据大量的岩爆事故案例，发现岩爆通常发生在应力集中程度较高的脆性岩体中，应力集中系数σ
θ
/σ
c
和脆性指标σ
c
/σ
t
能够反映这些特征。除此之外，岩爆发生需要岩体能够储存足够的弹性应变能，弹性能量指数W
et
可反映岩体储能能力和释放能量的性能。故，选取σ
θ
/σ
c
、σ
c
/σ
t
和W
et 3个评价指标作为岩爆预测模型的输入特征；同时，按照常规的方式将岩爆烈度分为无岩爆、轻微岩爆、中等岩爆和强烈岩爆；其中，每个评价指标对应的岩爆预测经验分级标准见表1；
[0031]表1经验分级标准
[0032][0033](2)根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，收集国内外已发生的工程岩爆事故案例，建立岩爆烈度预测样本数据集，并随机按8:2的比例划分为训练集和测试集样本；
[0034](3)利用三种元启发式优化算法即粒子群优化算法PSO、遗传算法GA和灰狼优化算法GWO对随机森林(RF)模型中的超参数寻优，适应度值取5折交叉验证计算的平本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加权的元启发式组合模型的岩爆烈度预测方法，其特征在于，具体步骤如下：(1)确定岩爆烈度预测的评价指标及岩爆烈度分级；(2)根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，收集岩爆案例，建立岩爆烈度预测样本数据集，并分为训练集和测试集样本；(3)利用三种元启发式优化算法对随机森林(RF)模型中的超参数寻优，建立对应的岩爆烈度预测模型；(4)将训练集和测试集样本分别输入三个岩爆烈度预测模型得到预测岩爆烈度分级，分别计算出三个岩爆烈度预测模型的预测准确率；根据三个岩爆烈度预测模型的预测准确率计算出对应岩爆烈度预测模型的权重向量；(5)根据岩爆烈度预测模型的权重向量确定超参数取值，建立基于加权的元启发式组合模型；(6)利用基于加权的元启发式组合模型预测工程案例中待预测的岩爆烈度。2.根据权利要求1所述基于加权的元启发式组合模型的岩爆烈度预测方法，其特征...

【专利技术属性】
技术研发人员：王胜开，吴顺川，余一松，朱强，程海勇，夏志远，陈龙，
申请(专利权)人：昆明理工大学北京科技大学长沙有色冶金设计研究院有限公司，
类型：发明
国别省市：