【技术实现步骤摘要】
本专利技术涉及隧道支护，特别是涉及基于多标签多输出算法的隧道智能支护方法、系统及设备。
技术介绍
1、隧道作为穿山越岭交通工程中的最佳方法，在山岭较多的交通线路中常常会出现大批“隧道群”。在隧道施工过程中的围岩塌方、支护结构变形和衬砌开裂等现象的频繁发生，对工程安全和经济成本造成严重影响。这是隧道设计过程中的“通病”导致的，即设计支护结构参数选取与真实地质环境不匹配。
2、目前，针对上述问题主要采用动态调整的方法弥补，主要包含了基于现场监控量测的数值模拟分析、理论分析等手段。此外，在互联网技术发展大趋势下，数字智能化的隧道建设管理方式逐步成为应对高风险、多事故隧道工程的重要手段。受此影响，隧道智能围岩分级技术被广泛应用并日渐趋于成熟，通过开挖暴露掌子面的信息，实施岩体“先分级，再支护”的动态调整理念。面对地质条件与支护参数双重多样性的情况，上述方法没有考虑到二者之间的直接关系，同时在众多因素的约束下已逐步难以满足工程需求。
3、因此，亟需一种更直接、更智能的方法来解决上述问题。
技术实现思路
1、本专利技术提供基于多标签多输出算法的隧道智能支护方法、系统及设备，以解决在隧道工程中，设计支护结构参数选取与真实地质环境不匹配的问题。
2、第一方面，本专利技术实施例提供一种基于多标签多输出算法的隧道智能支护方法，所述方法包括：
3、基于不同应用场景建立支护参数分类指标体系，通过所述支护参数分类指标体系建立数据样本库；
4、基于多
5、将所述数据样本库分为训练集和测试集，采用所述训练集和所述第二机器学习算法共同训练待训练算法模型，得到智能支护算法模型，并基于性能评估指标评估所述智能支护算法模型在测试集中的性能；
6、将待决策的隧道断面的支护参数分类指标输入所述智能支护算法模型，输出所述隧道断面智能决策的支护参数组合，其中，所述支护参数组合包括数据样本库内的支护参数组合和数据样本库外的支护参数组合；
7、基于设计规范判定输出的所述数据样本库外的支护参数组合是否符合要求后，结合数值模拟与理论分析验证输出的所述数据样本库外的支护参数组合的有效性。
8、可选地，所述基于不同应用场景建立支护参数分类指标体系，包括：
9、在隧道的勘察设计阶段和施工阶段中，将隧道划分为不同的应用场景，建立支护分类指标体系，其中，所述应用场景包括不同用途场景、不同跨度场景、分离式场景、小净距场景、连拱型场景、特殊洞段场景、辅助洞段场景和普通洞段场景；
10、所述支护分类指标体系包括输入指标和输出标签；
11、所述输入指标为支护参数分类指标，所述支护参数分类指标包括隧道埋深、地质构造指标、围岩岩性指标和地下水指标；
12、所述输出标签为支护参数组合，所述支护参数组合包括喷射砼、钢筋网、系统锚杆、钢拱架和超前支护。
13、可选地，通过所述支护参数分类指标体系建立数据样本库，包括：
14、基于隧道不同的应用场景确定出相应的分类指标体系；
15、基于所述支护参数分类指标体系，获取不同数据样本，构建所述数据样本库，其中，通过设计文件、施工现场资料及文献资料获取所述数据样本；
16、采用多重共线性检验与权重分析的方法，判定输入指标之间的相关性与所述输入指标对输出标签的权重，其中，所述相关性和权重用于判定输入指标的分布合理性和选取合理性。
17、可选地，所述基于多标签多输出策略改进机器学习算法得到第一机器学习算法，包括：
18、采用python语言编辑器，导入机器学习库中的scikit-learn库，从sklearn.multioutput函数中导入multioutputclassifier()函数，将estimator作为传入multioutputclassifier()函数中，得到multioutputclassifier(estimator)作为所述第一机器学习算法，其中，所述estimator为机器学习算法的主要参数。
19、可选地，所述改进的粒子群优化算法是通过混沌-自适应更新-自然选择机制改进得到的，包括：
20、采用混沌策略初始化粒子的计算公式a如下所示：
21、
22、式中，xd表示种群粒子的位置，i表示遍历次数，d表示变量的序号，α表示常数；
23、采用自适应更新学习因子策略的计算公式b如下所示：
24、gf＝fitness+|pc-pg，
25、式中，gf表示进化因子，pc和pg分别表示当前粒子和最优粒子，fitness为适应度值；
26、采用自然选择机制对所述粒子进行选择的计算公式c如下所示：
27、[a,b]＝sort(p)，
28、index＝round[(n-1)/2]，
29、x{b[(n-index+1):n]}＝x[b(1:n)]，
30、v{b[(n-index+1):n]}＝v[b(1:n)]，
31、式中，a表示适应度最优值，b表示适应度最差值，sort表示升序排列函数，p表示适应度函数计算结果，n表示粒子的个数，round(·)表示按指定的位数对数值取整数，index表示round函数运算后得到的整数，x表示粒子的位置，v表示粒子的速度；
32、将所述计算公式a、计算公式b、计算公式c用于更新粒子群优化算法，得到所述改进的粒子群优化算法。
33、可选地，将所述数据样本库分为训练集和测试集，并采用所述训练集和所述第二机器学习算法共同训练待训练算法模型得到智能支护算法模型，包括：
34、从scikit-learn库导入sklearn.model_selection函数，并在所述sklearn.model_selection函数中导入train_test_split()将数据样本库划分为训练集与测试集；
35、确定需要优化的超参数个数及取值范围，设置优化算法的初始参数；
36、将优化算法每次迭代寻优的结果，作为multioutputclassifier(estimator)函数中estimator的参数，采用所述sklearn.model_selection函数中的cross_val_score()函数作为检验优化结果的适应度函数fitness_value()的值，其中，将cross_val_score()中的参数cv设置为n，以n折交叉验证，将所述训练集分为训练数据与验证数据；
37、通过反复的迭代计算，直至fitness_value()的值满足终止条件时，得到所述智能支护算法模型，其中，所述终止条件为所本文档来自技高网...
【技术保护点】
1.一种基于多标签多输出算法的隧道智能支护方法，其特征在于，所述方法包括：
2.根据权利要求1所述的智能支护方法，其特征在于，所述基于不同应用场景建立支护参数分类指标体系，包括：
3.根据权利要求2所述的智能支护方法，其特征在于，通过所述支护参数分类指标体系建立数据样本库，包括：
4.根据权利要求1所述的智能支护方法，其特征在于，所述基于多标签多输出策略改进机器学习算法得到第一机器学习算法，包括：
5.根据权利要求1所述的智能支护方法，其特征在于，所述改进的粒子群优化算法是通过混沌-自适应更新-自然选择机制改进得到的，包括：
6.根据权利要求1所述的智能支护方法，其特征在于，将所述数据样本库分为训练集和测试集，并采用所述训练集和所述第二机器学习算法共同训练待训练算法模型得到智能支护算法模型，包括：
7.根据权利要求1所述的智能支护方法，其特征在于，所述基于性能评估指标评估所述智能支护算法模型在测试集中的性能，包括：
8.根据权利要求1所述的支护方法，其特征在于，所述结合数值模拟与理论分析验证输出的
9.一种基于多标签多输出算法的隧道智能支护系统，其特征在于，所述系统包括：
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的基于多标签多输出算法的隧道智能支护方法。
...【技术特征摘要】
1.一种基于多标签多输出算法的隧道智能支护方法，其特征在于，所述方法包括：
2.根据权利要求1所述的智能支护方法，其特征在于，所述基于不同应用场景建立支护参数分类指标体系，包括：
3.根据权利要求2所述的智能支护方法，其特征在于，通过所述支护参数分类指标体系建立数据样本库，包括：
4.根据权利要求1所述的智能支护方法，其特征在于，所述基于多标签多输出策略改进机器学习算法得到第一机器学习算法，包括：
5.根据权利要求1所述的智能支护方法，其特征在于，所述改进的粒子群优化算法是通过混沌-自适应更新-自然选择机制改进得到的，包括：
6.根据权利要求1所述的智能支护方法，其特征在于，将所述数据样本...
【专利技术属性】
技术研发人员：马春驰，徐洪伟，李想，张航，卢向前，吉翔，袁龙辉，邢东威，
申请(专利权)人：成都理工大学，
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。