System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于采矿工程,具体涉及一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法。
技术介绍
1、在采矿工程领域,随着开采深度不断增大以及矿体赋存条件的复杂化,设计施工面临诸多挑战。一旦采场出现失稳灾害,将会对井下生产活动造成严重威胁。因此,可靠的采场稳定性预测与结构参数设计是必不可少的,合理的反馈将利于失稳灾害的预防预警。
2、在采场稳定性分析评估的相关研究中,众多学者提供了重要的研究思路与成果,主要包括:①理论解析:利用弹性力学复变函数等解释手段计算采场围岩应力应变,并得出相应的解析解以实现采场稳定性评估目的,可提供较为精确的结果,且易于开展规律性的研究;②数值模拟:可准确识别采场开挖前后的应力场、位移场和塑性区的变化历程,从而结合岩性参数进行采场稳定性分析,具有可重复性的优势;③现场监测:应用监测手段量测围岩结构,协助技术人员进行稳定性识别,是初步设计中的重要手段;④设计图解:以mathews稳定图为典型代表,依赖于可靠的岩体质量分级与数量可观的历史案例,通过图解形式提供采场稳定性与典型工程因素之间的相关性。总体而言,理论解析、数值模拟、现场监测等虽各有优势,但存在流程复杂、普适性差等弊端。而稳定图可较为全面地综合岩体强度、岩体质量、节理裂隙条件、地层构造、地下水条件等因素,受到行业内的广泛青睐。
3、然而,尽管稳定图因其便捷直观等特点已成为采场初步设计的重要工具,但也难以克服其固有不足:①缺乏严谨性:传统的稳定图在定义分区边界时依赖开发者的主观经验,其所用预测技术在设定
技术实现思路
1、针对上述现有技术存在的问题,本专利技术提供一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法,该方法预测精度高,能依据新增数据对稳定图进行有效的更新,可显著提升采场稳定性评估的可靠性。
2、为了实现上述目的,本专利技术提供一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法,具体包括以下步骤;
3、步骤一:搭建采场稳定性预测数据库;
4、基于trueman和mawdesley绘制稳定图时所用的474个采场样本在计算机上建立采场稳定性预测数据库,并整合目标变量为稳定、破坏和崩落三类;其中,每个采场样本包含水力半径、稳定数和稳定性等级三个参数;
5、步骤二:构建采场稳定性混合预测模型woa-xgboost;
6、s21:运用woa设定的优化规则,并结合xgboost在计算机中构建混合预测模型woa-xgboost;
7、s22:构建设置有不同种群规模的woa-xgboost模型并进行性能比较,筛选最优模型;
8、s23:基于已有的最优模型,调整稳定图的分区形式;
9、将横纵坐标分别为水力半径hr和稳定数n的坐标图进行网格化,形成1000×10000的网格空间,并在模型学习到样本点分布信息后,预测每个网格点的稳定性类别,从而导出完整的决策边界;
10、步骤三:基于woa-xgboost模型,引入遗传编程gp技术和kriging技术,进行采场稳定性预测;
11、s31:依据现场条件,基于三维激光扫描手段准确获取水力半径值,结合采场历史资料及测得岩石质量指标、节理条件、岩石单轴抗压强度、作用于顶板和两帮的最大采动应力数据计算稳定数;利用woa-xgboost模型依据新采集的水力半径和稳定数直接输出采场稳定性等级并更新稳定图;
12、s32:设置核心的gp参数,基于采场稳定性预测数据库,利用遗传编程gp算法导出反映采场稳定概率的稳定性判别公式(a),并依据公式(a)计算出稳定性判别输出值y;引入sigmoid函数解释输出值的分类属性,根据公式(b)获得采场稳定概率,并将预测式输出限定至0~1的范围,以进行辅助稳定性分析;界定舍入稳定阈值为0.5,超过该稳定阈值即定义为稳定,反之为类别非稳定;
13、
14、式中,x0表示水力半径值,x1表示稳定数;
15、f(y)=(1+e-y)-1 (b);
16、s33:借助kriging插值技术,引入中等稳定区和中等破坏区两种分区亚类,应用拟合技术获取不同分区的决策边界表达式,形成新的稳定图分区形式,最后,输出kriging插值图并利用显示设备进行显示以解决边界判定问题。
17、作为一种优选,在步骤二中s22中,多种混合预测模型woa-xgboost的构建及优选过程如下;
18、s221:数据预处理与参数初始化;
19、将原始数据按3:1的比例随机分为训练集和测试集,训练集用于训练模型使其具有决策能力,测试集用于对已建模型进行性能评估,并设定woa-xgboost模型的内置参数;
20、s222:适应度评价与迭代寻优;
21、选用五折交叉验证策略作为设定适应度函数的依据,衡量优化算法中参与每轮迭代的候选解的质量;借助woa的寻优规则在既定解空间内进行迭代搜索,捕获更利于xgboost精度提升的参数组合,改善模型性能与稳定性;
22、s223:模型优选与性能评价;
23、建立种群规模分别为10、20、30、40、50、100、150和200的woa-xgboost模型,应用准确率、精准率、召回率、f1分数和kappa系数进行各模型的训练性能评分,筛选最优模型;采用混淆矩阵和受试者工作特征曲线与作为参考的分类模型进行对比分析,验证所提出的混合模型的建模质量与利用优化算法调整分类器参数是否可行。
24、作为一种优选,在s221中的内置参数包括循环迭代次数、种群规模、待优化参数的取值范围。
25、作为一种优选,在步骤二的s222中,先将训练集等量划分为五个子集,并用每个子集轮流作为测试子集,其余四个子集轮流作为训练子集,每折验证会得到相应的分类准确率,五折过后,将五个准确率取均值,其可得到该次交叉验证输出的准确率结果,以作为每个候选解的适应度值。
26、本专利技术采用trueman和mawde本文档来自技高网...
【技术保护点】
1.一种基于WOA-XGBoost、GP和Kriging技术的采场稳定性预测方法,其特征在于,具体包括以下步骤;
2.根据权利要求1所述的一种基于WOA-XGBoost、GP和Kriging技术的采场稳定性预测方法,其特征在于,在步骤二中S22中,多种混合预测模型WOA-XGBoost的构建及优选过程如下;
3.根据权利要求1或2所述的一种基于WOA-XGBoost、GP和Kriging技术的采场稳定性预测方法,其特征在于,在S221中的内置参数包括循环迭代次数、种群规模、待优化参数的取值范围。
4.根据权利要求3所述的一种基于WOA-XGBoost、GP和Kriging技术的采场稳定性预测方法,其特征在于,在步骤二的S222中,先将训练集等量划分为五个子集,并用每个子集轮流作为测试子集,其余四个子集轮流作为训练子集,每折验证会得到相应的分类准确率,五折过后,将五个准确率取均值,其可得到该次交叉验证输出的准确率结果,以作为每个候选解的适应度值。
【技术特征摘要】
1.一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法,其特征在于,具体包括以下步骤;
2.根据权利要求1所述的一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法,其特征在于,在步骤二中s22中,多种混合预测模型woa-xgboost的构建及优选过程如下;
3.根据权利要求1或2所述的一种基于woa-xgboost、gp和kriging技术的采场稳定性预测方法,其特征...
【专利技术属性】
技术研发人员:周健,黄帅,杜坤,邱引桂,陈煜新,
申请(专利权)人:中南大学,
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。