基于制造技术

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：