本发明专利技术提供一种基于
【技术实现步骤摘要】
基于SMOTE过采样与Autogluon模型结合的岩爆智能预测方法
[0001]本专利技术属于岩土工程领域,也涉及计算机领域,尤其是一种岩爆智能预测方法
。
技术介绍
[0002]随着地下空间和矿产资源的不断开发利用,越来越多的地下岩石项目建设在越来越深的
。
岩爆通常是由储存在处于高应力状态的硬
、
脆性岩石的弹性能突然释放,从而产生岩石剥落
、
碎化
、
弹射的动力失稳灾害,是一种深层岩体的动态地质灾害
。
由于岩爆造成巨大破坏,不仅对施工人员与机械设备造成严重的威胁,同时也会造成较大经济损失
。
目前,众多学者对岩爆的预测方法进行了较多的研究
。
并且提出了大量的岩爆预测模型和智能算法
。
然而,传统预测模型仅含有单指标因素,对特定实例工程建立岩爆预测判别式,其预测结果受人为因素影响可能带来误差
。
近年来多指标岩爆预测方法研究相对较多,如模糊数学综合评判方法
、
多维云模型等
、
物元模型
。
多指标岩爆预测方法逐渐取代了单指标预测方法,其预测效果明显好于单指标岩爆预测法
。
[0003]随着大数据和机器学习的发展,越来越多的学者利用机器学习预测岩爆,避免了人为主观因素带来的误差和影响,岩爆预测结果更加真是可靠,但它们仍然存在一些缺点,如训练时间长和预测准确率有待提高等问题
。
专利
技术实现思路
[0004]本专利技术的目的在于针对现有技术中的不足,提供一种基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法
。
[0005]为了解决上述的问题,本专利技术的方案如下:基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法,其特征在于,包括以下步骤:
S1.
收集岩爆案例数据,构建岩爆案例数据库;
S2.
使用
SMOTE
过采样方法平衡数据库,将数据库分为训练集和测试集;
S3.
利用步骤
S2
分好的训练集对
Autogluon
模型进行训练,得到最优训练模型;
S4.
根据步骤
S3
中训练好的最优模型对步骤
S2
分好的测试集进行预测
。
[0006]进一步的,所述岩爆案例数据库的数据集包括以下参数:最大切应力,单轴抗拉强度,单轴抗压强度,最大切应力与单轴抗拉强度之比,单轴抗拉强度与单轴抗压强度之比,弹性能指数
。
[0007]进一步的,步骤
S2
中,
SMOTE
过采样方法将所有类别样本平衡至同等数量,并在样本数量达到均衡后,随机打乱,以4比1的比例将数据库分为训练集和测试集
。
[0008]另外,本专利技术还提供一种基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测系统,包括岩爆数据库模块
、SMOTE
过采样模块
、Autogluon
模型训练模块和预测模块
。
[0009]所述岩爆数据库模块建立有岩爆数据集,所述岩爆数据集的初始数据为文献检索整理所得;所述
SMOTE
过采样模块,通过
SMOTE
过采样方法对岩爆数据库进行数据过采样处
理,得到平衡数据集
。
[0010]所述
Autogluon
模型训练模块和预测模块,利用数据集对
Autogluon
模型进行训练以及结果验证
。
[0011] 采用以上技术方案,本专利技术的准确率达到了
94.2
%,在岩爆预测方面具有优异的性能
。
与
Adaboost
(
AB
)
、Catboost
(
CB
)
、LightGBM
(
LGBM
)和
ExtreTree
(
ET
)模型相比, 本专利技术的准确率分别提高了
25.9
%
、26.2
%
、23.9
%
、19.6
%
。
另外本专利技术的预测时间为
0.04
秒,快于其他所有模型的预测时间(
AB
模型的预测时间为
13
秒,
CB
模型的预测时间为9秒,
LGBM
模型的预测时间为
51
秒,
ET
模型的预测时间为
133
秒)
。
实施方式
[0012] 应该理解,以下详细说明都是例示性的,旨在对本专利技术提供进一步说明,并非对本专利技术的限定
。
[0013]实施例一本专利技术基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法,包括以下步骤:
S1.
收集岩爆案例数据,构建岩爆案例数据库;
S2.
使用
SMOTE
过采样方法平衡数据库,将数据库分为训练集和测试集;
S3.
利用步骤
S2
分好的训练集对
Autogluon
模型进行训练,得到最优训练模型;
S4.
根据步骤
S3
中训练好的最优模型对步骤
S2
分好的测试集进行预测
。
[0014]具体的,在步骤
S1
岩爆数据库的构建中,通过文献检索整理搜集岩爆数据,组成含有
246
个示例工程的岩爆数据的岩爆数据库
。
[0015] 本专利技术选取与岩爆活动密切相关的6个岩石力学参数作为参数指标,分别为最大切应力(
MTS
),单轴抗拉强度(
UCS
),单轴抗压强度(
UTS
),最大切应力与单轴抗拉强度之比(
SC
),单轴抗拉强度与单轴抗压强度之比(
BC
),弹性能指数(
EEI
)
。
通过选取的6个指标,建立岩爆数据库,如表1所示
。
岩爆烈度按照常规的分级方式分为四级,分别为无岩爆
、
轻微岩爆
、
中等岩爆和强烈岩爆(用数字0至3来表示)
。
[0016]表1建立好岩爆数据库后,需要在步骤
S2
中,利用
SMOTE
过采样方法对数据库进行预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法,其特征在于,包括以下步骤:
S1.
收集岩爆案例数据,构建岩爆案例数据库;
S2.
使用
SMOTE
过采样方法平衡数据库,将数据库分为训练集和测试集;
S3.
利用步骤
S2
分好的训练集对
Autogluon
模型进行训练,得到最优训练模型;
S4.
根据步骤
S3
中训练好的最优模型对步骤
S2
分好的测试集进行预测
。2.
根据权利要求1所述的基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法,其特征在于,所述岩爆案例数据库的数据集包括以下参数:最大切应力,单轴抗拉强度,单轴抗压强度,最大切应力与单轴抗拉强度之比,单轴抗拉强度与单轴抗压强度之比,弹性能指数
。3.
根据权利要求1所述的基于
SMOTE
过采样与
Autogluon
模型结合的岩爆智能预测方法,其特征在于,步骤
S2
中,
SMOTE
过采样...
【专利技术属性】
技术研发人员:姚囝,贺隆平,
申请(专利权)人:武汉科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。