CN115130375A - 一种岩爆烈度预测方法 - Google Patents

Abstract

本发明提供一种岩爆烈度预测方法，属于岩土工程和地下开挖工程技术领域。所述方法包括：确定岩爆烈度预测的评价指标及岩爆烈度分级；根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，建立岩爆烈度预测样本数据集；对数据集中的少数类进行扩充；基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数寻优，建立AVOV‑XGBoost岩爆烈度预测模型；将待预测的岩爆样本输入建立好的AVOV‑XGBoost岩爆烈度预测模型，得到岩爆烈度的等级预测值。采用本发明，能够提高岩爆烈度等级预测结果的准确性。

Description

一种岩爆烈度预测方法

技术领域

本发明涉及岩土工程和地下开挖工程技术领域，特别是指一种岩爆烈度预测方法。

背景技术

岩爆是在地下工程中开挖扰动导致积聚高弹性应变能的围岩发生岩块弹射现象的地质灾害。岩爆灾害的发生通常会损坏机械设备、延误工程进度，甚至威胁人员生命安全，造成严重的经济损失。随着我国基础设施建设的快速发展，岩爆灾害广泛发生在矿山、隧道、水电站等地下开挖工程，且岩爆的发生具有突发性、不确定性和极强的破坏性。因此，对岩爆灾害的预测和预防的研究刻不容缓。

近几十年来，许多国内外学者对深部地下工程中岩爆预测方法进行了大量研究。其中，机器学***衡会对岩爆预测产生不好影响。

发明内容

本发明实施例提供了岩爆烈度预测方法，能够提高岩爆烈度等级预测结果的准确性。所述方法包括：

确定岩爆烈度预测的评价指标及岩爆烈度分级；

根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，建立岩爆烈度预测样本数据集；

对数据集中的少数类进行扩充；

基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数寻优，建立AVOV-XGBoost岩爆烈度预测模型；

将待预测的岩爆样本输入建立好的AVOV-XGBoost岩爆烈度预测模型，得到岩爆烈度的等级预测值。

进一步地，所述岩爆烈度预测的评价指标包括：单轴抗压强度σ_c、单轴抗拉强度σ_t、应力系数σ_θ/σ_c、脆性系数σ_c/σ_t和弹性能量指数W_et，其中，σ_θ表示最大切向应力。

进一步地，所述岩爆烈度分级包括：无岩爆Ⅰ、轻微岩爆Ⅱ、中等岩爆Ⅲ和强烈岩爆Ⅳ。

进一步地，所述对数据集中的少数类进行扩充包括：

采用合成少数类过采样技术对数据集中的少数类进行扩充。

进一步地，在对数据集中的少数类进行扩充之后，所述方法还包括：

对扩充后的数据集中的数据进行标准化处理。

进一步地，所述基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数寻优，建立AVOV-XGBoost岩爆烈度预测模型包括：

将扩充后的数据集划分成训练集和测试集；

在训练集上利用5折交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数进行寻优；其中，所述超参数包括：学***均值作为确定超参数的评判标准。

进一步地，在建立AVOV-XGBoost岩爆烈度预测模型之后，所述方法包括：

利用MATLAB软件开发智能岩爆烈度预测平台；其中，所述平台的预测界面包括：5个评价指标输入框和4种岩爆烈度预警灯。

本发明实施例提供的技术方案带来的有益效果至少包括：

1、采用交叉验证策略和非洲秃鹰优化算法对XGBoost集成算法的超参数进行优化，利用优化后的XGBoost集成算法来进行岩爆烈度等级预测，能够提高岩爆烈度等级预测结果的准确性，从而解决当前地下开挖工程中岩爆灾害预测效果不佳的问题；且采用非洲秃鹰优化算法优化模型超参数具有快速高效的优势；

2、采用合成少数类过采样技术对建立的岩爆烈度预测样本数据集中的少数类进行扩充，以解决数据集中的不平衡问题；然后，对扩充后的数据集中的数据进行标准化处理，消除量纲的差异，减少计算的开销；

3、本实施例不需要现场工作人员具备的深厚的专业知识及丰富的工程经验，也不需要进行复杂的力学计算或数值模拟分析，只需将工程上待预测的岩爆样本对应的评价指标输入本实施例提供的AVOV-XGBoost岩爆烈度预测模型，就能得岩爆烈度等级预测值，具有实用性强、效率高的优点，对地下开挖工程的岩爆预测提供了较好的指导意义。

4、本实施例所提供的AVOV-XGBoost岩爆烈度预测模型，利用MATLAB软件开发了岩爆烈度预测平台，可方便现场工作人员使用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的岩爆烈度预测方法的流程示意图；

图2为本发明实施例提供的岩爆烈度预测方法的详细流程示意图；

图3为本发明实施例提供的5个评价指标的频数直方图；

图4为本发明实施例提供的数据集的分布饼图；

图5为本发明实施例提供的非洲秃鹰优化算法迭代的流程示意图；

图6为本发明实施例提供的适应度迭代曲线示意图；

图7为本发明实施例提供的训练集上的混淆矩阵示意图；

图8为本发明实施例提供的测试集上的混淆矩阵示意图；

图9为本发明实施例提供的智能岩爆烈度预测平台的登入界面示意图；

图10为本发明实施例提供的智能岩爆烈度预测平台的预测界面示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1和图2所示，本发明实施例提供了一种岩爆烈度预测方法，包括：

S101，确定岩爆烈度预测的评价指标及岩爆烈度分级；

影响岩爆的发生的因素主要有岩石性质、围岩应力状态、开挖方式、地下水、埋深和地应力等，且在时间和空间上相互影响。岩爆烈度与岩爆影响因子之间的关系是高度非线性的。这两个原因使得在选取岩爆烈度预测评价指标时，所选指标需要尽可能反映出影响岩爆的重要因素。根据岩爆发生机理，以及目前岩爆烈度预测采用的单指标和多指标判据的基础上，选取单轴抗压强度σ_c、单轴抗拉强度σ_t、应力系数σ_θσ_c、脆性系数σ_cσ_t和弹性能量指数W_et这5个指标作为岩爆烈度预测的评价指标，其中，σ_θ表示最大切向应力。这些指标不仅能够较全面的反应影响岩爆发生的内因和外因，而且易于获取。

本实施例中，根据岩***坏强度、破坏模式和规模可将岩爆烈度分为4级，分别为无岩爆Ⅰ、轻微岩爆Ⅱ、中等岩爆Ⅲ和强烈岩爆Ⅳ(用0～3来编码)，具体分级标准如表1所示。

表1岩爆烈度分级标准

S102，根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，建立岩爆烈度预测样本数据集；

本实施例中，根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，获取典型的国内外隧道、矿山及水电站工程岩爆案例数据，建立岩爆烈度预测样本数据集；其中，获取的岩爆案例数据如表2所示。

表2岩爆案例数据

本实施例中，为了解每个指标的分布情况，绘制频数直方图和计算统计特征，如图3和表3所示。从图3和表3可以发现，单轴抗压强度σ_c和单轴抗拉强度σ_t、脆性系数σ_c/σ_t和弹性能量指数W_et都基本呈现右偏的趋势，应力系数σ_θ/σ_c分布较对称。

表3指标的统计特征描述

S103，对数据集中的少数类进行扩充；

本实施例中，采用合成少数类过采样技术对数据集中的少数类进行扩充，以解决数据集中的不平衡问题；然后，对扩充后的数据集中的数据进行标准化处理，消除量纲的差异，减少计算的开销。

本实施例中，建立的岩爆烈度预测样本数据集中四种岩爆烈度等级的比例分别为无岩爆样本27个(占18％)、轻微岩爆47个(占31.3％)、中等岩爆57个(占38％)、强烈岩爆19个(占12.7％)，如图4所示。显然地，该数据集存在类别不平衡的问题，无岩爆和强烈岩爆样本的占比只有18％和12.7％。类别的不平衡通常会导致模型的过多的关注多数类，从而导致模型在少数类上的训练效果不好。因此，本实施例中，采用合成少数类过采样技术对无岩爆和强烈岩爆两类样本进行扩充，具体的操作流程如下：

(1)对无岩爆和强烈岩爆两类样本中每一个样本x，通过等式(1)计算它到各自少数类样本集中所有样本的欧氏距离，得到其K(例如，K＝5)个近邻；

式(1)中，x_1i为x₁中的第i个特征(即：评价指标)；x_2i为x₂中的第i个特征；n为特征数量，D₁₂为x₁和x₂之间的欧式距离。

(2)设置无岩爆和强烈岩爆两个少数类的采样倍率分别为2倍和3倍；

(3)对于无岩爆和强烈岩爆中的少数类样本，分别从其5个近邻中随机选择2个和3个近邻；

(4)对于每一个选择的近邻样本，利用等式(2)生成一个新的样本：

x_new＝x+rand()*|x-x_k| (2)

式(2)中，x_new为新生成的少数类样本；rand()为(0,1)的随机数；x_k为x的k第个近邻样本；

最终，数据集中的无岩爆和强烈岩爆两类的数量分别扩充到54个和57个。

在解决原始数据集类别不平衡的问题后，利用等式(3)对扩充后的数据集中的数据进行标准化处理，以消除量纲的差异，减少计算的开销。

式(3)中：X_ij为第i个指标中第j个样本标准化的值；x_ij为第i个指标中第j个样本的实际值；

和

分别为第i个指标的最大值和最小值。

本实施例中，合成少数类过采样技术和标准化属于预处理操作。

S104，基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法(AVOV)对极限梯度提升(XGBoost)集成算法中的超参数寻优，建立AVOV-XGBoost岩爆烈度预测模型；具体可以包括以下步骤：

A1，将扩充后的数据集划分成训练集和测试集；

本实施例中，将标准化处理后的数据集导入到MATLAB软件，利用randperm()函数生成1～215的随机序列将数据集随机打乱。然后，将数据集的前80％划分为训练集，后20％划分为测试集。

A2，在训练集上利用5折交叉验证(5-CV)和非洲秃鹰优化算法对XGBoost集成算法中的超参数进行寻优；其中，所述超参数包括：学***均值作为确定超参数的评判标准。

本实施例中，XGBoost集成算法在MATLAB平台上通过Jeffrey van Prehn编译的xgboost_train()和xgboost_test()两个函数实现。

本实施例中，在确定超参数的过程中采用了5折交叉验证来避免模型的过度拟合，数据集被划分成5份，将其中的一份作为测试集，其余4份作为训练集，训练集和超参数用于训练模型，测试集用于测试模型，得到预测准确率。重复5次之后，计算预测准确率平均值。该预测准确率平均值作为衡量超参数的优劣的依据，即适应度值，并结合非洲秃鹰优化算法来确定最优的超参数，如图5所示，图5中，j为个体编号，具体过程如下：

(1)初始化种群和相关参数，其中，所述参数包括：种群大小Pop、最大迭代次数以及概率参数(例如，L₁和L₂)；

(2)利用5折交叉验证计算种群的适应度，确定种群中排名第一和第二的秃鹰；其中，适应度公式为：

式中，i表示第i次交叉验证；ACC(i)为第i次交叉验证的准确率；

本实施例中，适应度的计算步骤：将训练集再次划分5分后，采用交叉验证的策略进行计算。依次将其中4份作为训练集结合超参数训练模型，测试集(剩余的1份)用于测试模型，得到准确率。重复5次之后，计算准确率平均值。该准确率平均值作为衡量超参数的优劣的依据，即适应度值。

本实施例中，计算出种群中每个个体(可行解)的适应度后，进行排序，得到排名第一和第二的个体(指：秃鹰)，即第一和第二最佳的秃鹰。

(3)选择个体的移动方向(第一最佳的秃鹰或第二最佳的秃鹰)；

式(4)中，R(i)为当前种群个体选择的最佳的秃鹰；p_i为当前种群个体的选择概率，通过轮盘赌的方式确定；L₁和L₂分别是选择第一最佳和第二最佳秃鹰的概率参数(L₁＝0.8,L₂＝0.2)，first vulture和second vulture为当前第一和第二最佳的秃鹰；i为当前的迭代次数。

(4)计算当前种群个体的饥饿度；

式(5)中，F为秃鹰的饥饿度；n为总的迭代次数，z是在[-1,1]的随机数。h是在[-2,2]的随机数；rand₁是在(0,1)的随机数；w为确定勘探和开采阶段中断的参数，取2.5；t为中间表达式。

(5)根据饥饿度F来判别个体所进入的阶段(探索或开发)，分别采取不同的位置更新策略；

①探索阶段(|F|≥1)

在设置探索阶段选择机制的概率(P₁＝0.6)后，与生成的随机数rand_P1比较来选择位置更新方式。

式中，P(i+1)为种群个体更新后的位置；ub和lb分别寻优空间的上边界和下边界(ub＝[1,1,15,1,1],lb＝[0,0,0,0,0.4])，1,1,15,1,1这5个值分别代表超参数的寻优上限值，0,0,0,0,0.4这5个值分别代表超参数的寻优下限值，超参数在规定的取值范围内寻优；P₁为探索阶段选择机制的概率；X为个体的随机移动向量；rand₂和rand₃都为(0,1)的随机数。

②开发一阶段(0.5≤|F|<1)

在设置开发一阶段选择机制的概率(P₂＝0.4)后，与生成的随机数rand_P2比较来选择位置更新方式。

其中，S₁和S₂都表示模拟个体旋转飞行数学模型；rand₅和rand₆都为(0,1)的随机数；

③开发二阶段(0.5≤|F|<1)

在设置开发二阶段选择机制的概率(P₃＝0.6)后，与生成的随机数rand_P3比较来选择位置更新方式。

式中，Levy(d)模式被用于提高算法的有效性；BestVulture₁(i)为当前排名第一的秃鹰；BestVulture₂(i)为当前排名第二的秃鹰；A₁和A₂都为用于模拟个体竞争的运动方程。

(6)重复(2)～(5)，直到满足算法最大迭代次数。

在上述超参数的寻优流程中，种群大小为20，最大迭代次数是100。算法迭代的过程和寻优结果，如图6所示。在超参数寻优过程结束后，将确定的超参数(learning_rate＝0.15；min_child_weight＝0.64；max_depth＝4；gamma＝0.12；subsample＝0.6)重新带入AVOV-XGBoost岩爆烈度预测模型，以更新超参数，利用训练集重新训练得到优化后的AVOV-XGBoost岩爆烈度预测模型。接着，将训练集再次输入模型，从而验证模型在训练集上的预测效果。从图7中可以看出，模型在训练集上的准确率达到94.2％。最后，将剩余20％的测试集输入模型，得到模型在测试集上的预测效果，如图8所示。从图8中可以看出，测试集上的准确率达到93％。

根据模型在训练集和测试集的预测结果，可以发现训练得到的AVOV-XGBoost岩爆烈度预测模型不管是在训练集，还是在测试集上都有着较优的预测性能，且泛化能力优异。

本实施例中，建立好AVOV-XGBoost岩爆烈度预测模型后，通过MATLAB软件中的AppDesigner模块设计智能岩爆烈度预测平台，该平台包括：登入界面和预测界面，如图9和图10所示；其中，登入界面包括：用户名和密码；预测界面包括：5个评价指标输入框和4种岩爆烈度预警灯。

本实施例中，在登入界面中，通过输入用户名和密码进入到预测界面；在预测界面中，输入5个评价指标的数值，点击运行按钮后，平台预测的岩爆烈度对应的警示灯将变成红色。

S105，将待预测的岩爆样本输入建立好的AVOV-XGBoost岩爆烈度预测模型，得到岩爆烈度的等级预测值。

本实施例中，将工程上获得的待预测的岩爆样本的评价指标输入建立好的AVOV-XGBoost岩爆烈度预测模型，到岩爆烈度的等级预测值。

为了进一步验证该模型的有效性，将AVOV-XGBoost岩爆烈度预测模型应用到桑珠岭隧道工程，预测结果较好，仅有一例预测错误。完整的预测结果，如表4所示。

表4桑珠岭隧道工程岩爆预测结果

本发明实施例所述的岩爆烈度预测方法，至少具有以下有益效果：

1、采用交叉验证策略和非洲秃鹰优化算法对XGBoost集成算法的超参数进行优化，利用优化后的XGBoost集成算法来进行岩爆烈度等级预测，能够提高岩爆烈度等级预测结果的准确性，从而解决当前地下开挖工程中岩爆灾害预测效果不佳的问题；且采用非洲秃鹰优化算法优化模型超参数具有快速高效的优势；

2、采用合成少数类过采样技术对建立的岩爆烈度预测样本数据集中的少数类进行扩充，以解决数据集中的不平衡问题；然后，对扩充后的数据集中的数据进行标准化处理，消除量纲的差异，减少计算的开销；

3、本实施例不需要现场工作人员具备的深厚的专业知识及丰富的工程经验，也不需要进行复杂的力学计算或数值模拟分析，只需将工程上待预测的岩爆样本对应的评价指标输入本实施例提供的AVOV-XGBoost岩爆烈度预测模型，就能得岩爆烈度等级预测值，具有实用性强、效率高的优点，对地下开挖工程的岩爆预测提供了较好的指导意义。

4、本实施例所提供的AVOV-XGBoost岩爆烈度预测模型，利用MATLAB软件开发了岩爆烈度预测平台，可方便现场工作人员使用。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种岩爆烈度预测方法，其特征在于，包括：

确定岩爆烈度预测的评价指标及岩爆烈度分级；

根据确定的岩爆烈度预测的评价指标及岩爆烈度分级，建立岩爆烈度预测样本数据集；

对数据集中的少数类进行扩充；

基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数寻优，建立AVOV-XGBoost岩爆烈度预测模型；

将待预测的岩爆样本输入建立好的AVOV-XGBoost岩爆烈度预测模型，得到岩爆烈度的等级预测值。

2.根据权利要求1所述的岩爆烈度预测方法，其特征在于，所述岩爆烈度预测的评价指标包括：单轴抗压强度σ_c、单轴抗拉强度σ_t、应力系数σ_θ/σ_c、脆性系数σ_c/σ_t和弹性能量指数W_et，其中，σ_θ表示最大切向应力。

3.根据权利要求1所述的岩爆烈度预测方法，其特征在于，所述岩爆烈度分级包括：无岩爆Ⅰ、轻微岩爆Ⅱ、中等岩爆Ⅲ和强烈岩爆Ⅳ。

4.根据权利要求1所述的岩爆烈度预测方法，其特征在于，所述对数据集中的少数类进行扩充包括：

采用合成少数类过采样技术对数据集中的少数类进行扩充。

5.根据权利要求1所述的岩爆烈度预测方法，其特征在于，在对数据集中的少数类进行扩充之后，所述方法还包括：

对扩充后的数据集中的数据进行标准化处理。

6.根据权利要求1所述的岩爆烈度预测方法，其特征在于，所述基于扩充后的数据集，利用交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数寻优，建立AVOV-XGBoost岩爆烈度预测模型包括：

将扩充后的数据集划分成训练集和测试集；

在训练集上利用5折交叉验证和非洲秃鹰优化算法对XGBoost集成算法中的超参数进行寻优；其中，所述超参数包括：学***均值作为确定超参数的评判标准。

7.根据权利要求1所述的岩爆烈度预测方法，其特征在于，在建立AVOV-XGBoost岩爆烈度预测模型之后，所述方法包括：

利用MATLAB软件开发智能岩爆烈度预测平台；其中，所述平台的预测界面包括：5个评价指标输入框和4种岩爆烈度预警灯。

Images