基于GD-DNN模型的岩爆烈度等级预测方法技术

本发明专利技术提供了基于GD

【技术实现步骤摘要】
基于GD
‑
DNN模型的岩爆烈度等级预测方法


[0001]本专利技术涉及深部地下工程及岩土工程
，具体涉及基于GD
‑
DNN模型的岩爆烈度等级预测方法。

技术介绍

[0002]岩爆属于突发性的地质灾害，在短时间内产生极大的破坏性。岩爆会严重影响工程进度，对工人的人身安全造成威胁，但由于岩爆成因的复杂性和岩爆发生的突然性，其准确预测发生强度和时间仍是世界性难题。岩爆烈度等级的预测同样引起了国内外研究学者的密切关注。
[0003]在岩爆烈度等级预测的相关工作中，国内外众多学者主要使用单一评价指标预测法和综合评价指标预测法两种方法进行研究。单一评价指标预测法主要包括E.Hoek方法、Russenes判据和陶振宇判据，但是单一评价指标预测法存在预测结果不准确的弊端。综合评价指标预测法主要是针对岩爆成因机制复杂提出的研究方法，其预测效果优于单一评价指标预测法。近年来越来越多的学者将机器学习和深度学习方法应用到岩爆烈度等级预测的工作中，张均博等采用基于交叉验证的XGBoost算法解决因样本数据较少产生的预测结果不准确的问题。田睿等构建基于dropout和改进的基于Adam的深度神经网络模型，避免了指标权重的确定问题，减少了预测时人为因素产生的影响。杨小彬等提出基于SOFM神经网络模型的岩爆烈度等级预测方法，简化了岩爆烈度等级预测指标体系，从而提高预测准确率。刘晓悦等建立AdaBoost
‑
BAS
‑
SVM模型来解决岩爆等级预测过程中单一分类器不稳定问题。Li Y等使用核主成分分析方法和改进的SVM对岩爆预测指标进行处理和样本训练，取得了较好的预测效果。刘剑等运用修正散点图矩阵分析数据，用优化后随机森林模型进行预测。
[0004]在上述岩爆烈度等级预测方法中，都取得了较好的成果，但也都存在着准确率不高、训练时间长的问题。

技术实现思路

[0005]为解决上述问题，本专利技术提出基于GD
‑
DNN模型的岩爆烈度等级预测方法，首先设计并实现了综合评价指标法和针对多分类问题的分类器，其次提出并建立了梯度下降算法优化后的GD
‑
DNN模型，实现岩爆烈度等级精准快速预测。
[0006]为实现上述目的，本专利技术提供了基于GD
‑
DNN模型的岩爆烈度等级预测方法，包括以下步骤：构建综合评价指标法和分类器；基于所述综合评价指标法和所述分类器，建立梯度下降算法优化后的GD
‑
DNN模型；对所述GD
‑
DNN模型进行训练；基于训练好的所述GD
‑
DNN模型，完成岩爆烈度等级预测。
[0007]优选的，所述GD
‑
DNN模型包括：输入、DNN层、优化层、Softmax层和输出五个部分。
[0008]优选的，所述输入部分包括：应力指数、脆性指数和岩石弹性能量指数三类岩爆评价指标，并对所述三类岩爆评价指标进行归一化处理。
[0009]优选的，所述DNN层中，第层的输出表达式为：
[0010]其中，为第层的线性系数组成的一个的权重系数矩阵，为第层的输出组成的一个的向量，为第层的偏倚参数组成的一个的偏倚向量，为第层的未激活前线性输出组成的一个的向量，为第层的输出组成的一个的向量，、分别为神经元的个数，为选取的激活函数。
[0011]优选的，在所述优化层中，通过构建梯度下降优化器对训练的参数进行调整，具体方法包括：确定当前损失函数的梯度；通过对学习率的不断调整来更新所述梯度中的和；通过重复的更新和，使得损失函数的值越来越小，直至数值收敛；其中，当前损失函数的梯度的表达式为：，、分别代表DNN层中传输过来的权重系数和偏倚向量。
[0012]优选的，通过对学习率的不断调整来更新所述梯度中的和的方法包括：基于梯度下降和多尺度残差深度神经网络的岩爆预测方法，。
[0013]优选的，所述Softmax层中，交叉熵损失函数的表达式为：
[0014]其中，是随机变量等于的真实概率，来源于已标注的样本数据，是模型得出的随机变量等于的概率。
[0015]优选的，在输出层采取分层10折交叉验证的方法将岩爆样本数据随机分为十部分，其中九部分为训练，一部分作为验证，训练和验证过程执行十次，最后，以10个预测结果的平均值作为衡量模型预测性能的指标。
[0016]优选的，对所述GD
‑
DNN模型进行训练的方法包括：通过计算出Accuracy和Loss两项指标来判断所述GD
‑
DNN模型是否满足预设评价标准，若不满足则进行模型重训练，若满足则进入模型预测部分。
[0017]优选的，基于训练好的所述GD
‑
DNN模型，完成岩爆烈度等级预测的方法包括：
对满足预设评价标准的所述GD
‑
DNN模型进行固化，并将待测试的数据输入所述GD
‑
DNN模型，最后输出岩爆烈度等级。
[0018]与现有技术相比，本专利技术具有如下优点和技术效果：本专利技术通过构建综合评价指标法和分类器；基于所述综合评价指标法和所述分类器，建立梯度下降算法优化后的GD
‑
DNN模型；对所述GD
‑
DNN模型进行训练；基于训练好的所述GD
‑
DNN模型，实现岩爆烈度等级精准快速预测。
附图说明
[0019]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术的基于GD
‑
DNN模型的岩爆烈度等级预测方法流程示意图；图2为本专利技术的模型原理示意图；图3为本专利技术的模型架构示意图；图4为本专利技术的样本数据占比图；图5为本专利技术的应力指数箱线图；图6为本专利技术的脆性指数箱线图；图7为本专利技术的岩石弹性能量指数示意图；图8为本专利技术的对比结果图。
具体实施方式
[0020]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0021]实施例一：
[0022]如图1所示，本专利技术提供了基于GD
‑
DNN模型的岩爆烈度等级预测方法，包括以下步骤：构建综合评价指标法和分类器；基于综合评价指标法和分类器，建立梯度下降算法优化后的GD
‑
DNN模型；对GD
‑
DNN模型进行训练；基于训练好的GD
‑
DNN模型，完成岩爆烈度等级预测。
[0023]在本实施例中，GD
‑
DNN模型主要包括：输入、DNN层、优化层、Softmax层和输出五个部分，如图2所示。
[0024]在本实施例中，输入：将选取的三类岩爆评价指标应力指数、脆性指数、岩石弹性能量指数作为模型的输入，对数据进行归一化处理，提升梯度下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GD
‑
DNN模型的岩爆烈度等级预测方法，其特征在于，包括以下步骤：构建综合评价指标法和分类器；基于所述综合评价指标法和所述分类器，建立梯度下降算法优化后的GD
‑
DNN模型；对所述GD
‑
DNN模型进行训练；基于训练好的所述GD
‑
DNN模型，完成岩爆烈度等级预测。2.根据权利要求1所述的基于GD
‑
DNN模型的岩爆烈度等级预测方法，其特征在于，所述GD
‑
DNN模型包括：输入、DNN层、优化层、Softmax层和输出五个部分。3.根据权利要求2所述的基于GD
‑
DNN模型的岩爆烈度等级预测方法，其特征在于，所述输入部分包括：应力指数、脆性指数和岩石弹性能量指数三类岩爆评价指标，并对所述三类岩爆评价指标进行归一化处理。4.根据权利要求2所述的基于GD
‑
DNN模型的岩爆烈度等级预测方法，其特征在于，所述DNN层中，第层的输出表达式为：其中，为第层的线性系数组成的一个的权重系数矩阵，为第层的输出组成的一个的向量，为第层的偏倚参数组成的一个的偏倚向量，为第层的未激活前线性输出组成的一个的向量，为第层的输出组成的一个的向量，、分别为神经元的个数，为选取的激活函数。5.根据权利要求2所述的基于GD
‑
DNN模型的岩爆烈度等级预测方法，其特征在于，在所述优化层中，通过构建梯度下降优化器对训练的参数进行调整，具体方法包括：确定当前损失函数的梯度；通过对学习率的不断调整来更新所述梯度中的和；通过重复的更新和，使得损失函数的值越来越小，直至数值收敛；其中，当前损失函数的梯度的表达式为：，、分别代...

【专利技术属性】
技术研发人员：张昱，张明魁，郝耐，陶志刚，冯亚寒，方孔宜，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：