【技术实现步骤摘要】
本专利技术属于隧道施工，尤其涉及一种基于机器深度学习的岩溶隧道突涌水风险预测方法及系统。
技术介绍
1、岩溶隧道突涌水灾害具有强烈的突发性，其发生部位、时间和强度都很难准确预测，突水通道的形态和渗流状态很难准确探查，因而突涌水已经成为岩溶隧道施工中发生频率最高、危害最大的地质灾害之一。
2、专利技术人发现，现有的针对隧道突水突泥的风险等级评估存在因一致性较差导致风险等级评估结果不够准确；借助神经网络模型进行岩溶隧道突涌水风险等级预测得到了广泛应用，但是模型在寻优过程中存在陷入局部极值，从而出现早熟和收敛的现象，虽然在其他一些预测模型中，通过粒子群-遗传算法等对网络模型进行训练，寻找较优解，再看一定程度上避免结了模型果陷入局部最优的问题，加快了网络的收敛速度，但是，其优化方法中种群每次更新后直接进行交叉操作，对较多数量的种群进行交叉操作，存在计算量大、迭代次数多的问题，影响模型训练和运算速度。
技术实现思路
1、本专利技术为了解决上述问题，提出了一种基于机器深度学习的岩溶隧道突涌水风险预测方法及系统，本专利技术在解决算法中出现早熟和收敛的问题基础上，解决了过多数量的种群进行统一交叉操作时存在的计算量大和迭代次数多的问题。
2、为了实现上述目的，本专利技术是通过如下的技术方案来实现：
3、第一方面，本专利技术提供了一种基于机器深度学习的岩溶隧道突涌水风险预测方法，包括：
4、获取岩溶隧道的相关数据；
5、根据获取的相关数据，以
6、其中，所述预测模型为训练好的神经网络模型；采用粒子群算法和遗传算法对神经网络模型进行优化，获得神经网络模型的最优权值和阈值；优化过程中，利用粒子群算法计算每个粒子的适应度值，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为多个子种群；根据子种群对应的适应度值范围，确定将子种群直接复制到下一代或进行交叉操作，以及确定进行交叉操作的具体方式。
7、进一步的，所述相关数据包括地层岩性、岩层产状倾角、地形地貌、地下水位与隧道底板高差、可溶岩与非可溶岩接触带、围岩等级、突涌水致灾构造和隧道激发极化法预报的水量。
8、进一步的，所述粒子群算法中，粒子根据个体极值与群体极值更新位置和速度。
9、进一步的，种群每次更新后，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为第一子种群、第二子种群和第三子种群；所述第一子种群，直接进行复制进入到下一代，所述子种群和所述第三子种群进行遗传算法的交叉操作。
10、进一步的，对所述第二子种群中粒子i和粒子j的速度和位置进行交叉操作：
11、
12、
13、其中，t为时间；v()为速度；x()为位置；θ1和θ2为[0，1]之间的随机值；
14、对所述第三子种群种粒子i进行速度和位置变异操作：
15、
16、
17、f(g)＝r3(1-g/gmax)
18、其中，x()为第三子种群种粒子的位置；xmin、vmax分别为第三子种群种粒子位置的下界和上界；vmin、vmax分别为第三子种群种粒子速度的最小值和最大值；r1、r1和r3为[0，1]之间的随机数；g为当前迭代次数，gmax最大进化次数。
19、进一步的，将计算出的新粒子的适应度值与个体极值的适应度值进行比较，如果新粒子的适应度值优于个体极值的适应度值，则更新个体极值，将当前新粒子的位置赋值给个体极值；将计算出的新粒子的适应度值与群体全局极值的适应度值进行比较，如果新粒子的适应度值优于群体全局极值的适应度值，则更新群体全局极值，将当前新粒子的位置赋值给群体全局极值；当达到所设定的最大迭代次数或者预设的适应度值，则结束优化，此时得到的全局最优解为神经网络的权值和阈值。
20、进一步的，所述神经网络为bp神经网络；当神经网络模型中的误差值大于预设阈值时，调整神经网络各层的权值和阀值，重新进行训练，输入层和隐含层之间的权值调整公式为：
21、
22、其中，为第t+1次调整后权重矩阵中第i行第h列的权重值；vih(t)为第t次调整后第一隐含层权重矩阵中第i行第h列的权重值；为误差e对权值的偏导数；μ1为设定参数；
23、隐含层和输出层之间的权值调整公式为：
24、
25、其中，zj(t+1)为第t+1次调整后权重矩阵中第j个权重值；为误差e对权值的偏导数；μ2为设定参数。
26、第二方面，本专利技术还提供了一种基于机器深度学习的岩溶隧道突涌水风险预测系统，包括：
27、数据采集模块，被配置为：获取岩溶隧道的相关数据；
28、预测模块，被配置为：根据获取的相关数据，以及预设的预测模型，得到岩溶隧道突涌水风险预测结果；
29、其中，所述预测模型为训练好的神经网络模型；采用粒子群算法和遗传算法对神经网络模型进行优化，获得神经网络模型的最优权值和阈值；优化过程中，利用粒子群算法计算每个粒子的适应度值，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为多个子种群；根据子种群对应的适应度值范围，确定将子种群直接复制到下一代或进行交叉操作，以及确定进行交叉操作的具体方式。
30、第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于机器深度学习的岩溶隧道突涌水风险预测方法的步骤。
31、第四方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于机器深度学习的岩溶隧道突涌水风险预测方法的步骤。
32、与现有技术相比，本专利技术的有益效果为：
33、本专利技术中通过粒子群算法和遗传算法对神经网络模型进行优化，获得神经网络模型的最优权值和阈值，避免了模型在寻优过程中陷入局部极值，从而使模型搜索性能更强的问题，解决了算法中出现早熟和收敛的问题；并且，优化过程中，利用粒子群算法计算每个粒子的适应度值，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为多个子种群，根据子种群对应的适应度值范围，确定将子种群直接复制到下一代或进行交叉操作，以及确定进行交叉操作的具体方式，解决了过多数量的种群进行统一交叉操作时存在的计算量大、迭代次数多以及精度低的问题，提高了模型训练、运算速度及预测精度。
34、本专利技术中通过采用pso-ga混合优化算法得到bp神经网络的最优权值和阈值，避免了bp神经网络随着迭代次数的增多而陷入局部最优以及优化算法中出现易早熟和收敛的现象，无需假定计算前提，获得的岩溶隧道突涌水风险等级更接近与工程实际，对于岩溶隧道突涌水防治可以起到很好的指导作用。
本文档来自技高网...【技术保护点】
1.基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，包括：
2.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，所述相关数据包括地层岩性、岩层产状倾角、地形地貌、地下水位与隧道底板高差、可溶岩与非可溶岩接触带、围岩等级、突涌水致灾构造和隧道激发极化法预报的水量。
3.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，所述粒子群算法中，粒子根据个体极值与群体极值更新位置和速度。
4.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，种群每次更新后，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为第一子种群、第二子种群和第三子种群；所述第一子种群，直接进行复制进入到下一代，所述子种群和所述第三子种群进行遗传算法的交叉操作。
5.如权利要求4所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，对所述第二子种群中粒子i和粒子j的速度和位置进行交叉操作：
6.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风
7.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，所述神经网络为BP神经网络；当神经网络模型中的误差值大于预设阈值时，调整神经网络各层的权值和阀值，重新进行训练，输入层和隐含层之间的权值调整公式为：
8.基于机器深度学习的岩溶隧道突涌水风险预测系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于机器深度学习的岩溶隧道突涌水风险预测方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于机器深度学习的岩溶隧道突涌水风险预测方法的步骤。
...【技术特征摘要】
1.基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，包括：
2.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，所述相关数据包括地层岩性、岩层产状倾角、地形地貌、地下水位与隧道底板高差、可溶岩与非可溶岩接触带、围岩等级、突涌水致灾构造和隧道激发极化法预报的水量。
3.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，所述粒子群算法中，粒子根据个体极值与群体极值更新位置和速度。
4.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，种群每次更新后，将计算得到的适应度值按从大到小的顺序进行排序，将排序后的种群平均分为第一子种群、第二子种群和第三子种群；所述第一子种群，直接进行复制进入到下一代，所述子种群和所述第三子种群进行遗传算法的交叉操作。
5.如权利要求4所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，对所述第二子种群中粒子i和粒子j的速度和位置进行交叉操作：
6.如权利要求1所述的基于机器深度学习的岩溶隧道突涌水风险预测方法，其特征在于，将计算出的新粒子的适应度值与个体极值的适应度值进行比较，如果新粒...
【专利技术属性】
技术研发人员：卜林，郭子昂，谢文强，黄钢，杨龙伟，席代森，
申请(专利权)人：山东百廿慧通工程科技有限公司，
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。