一种基于GPC的隧道围岩类型识别系统、方法及装置制造方法及图纸

本发明专利技术提供了一种基于GPC的隧道围岩类型识别系统，包括：用户接口模块、高斯训练模块和隧道围岩类型预测模块；用户接口模块用于根据用户需求选择不同类型隧道围岩的用户指令，将种类对应超参数形式的用户指令发送至GPC训练模块和隧道围岩类型预测模块；GPC训练模块用于根据接收到超参数形式的用户指令对GPC进行训练；隧道围岩类型预测模块用于根据接收到的超参数形式的用户指令，通过训练后的GPC预测模型对隧道围岩类型进行预测。本发明专利技术提供了一种基于GPC的隧道围岩类型识别方法及装置，能够准确、灵活识别围岩类型，建立面向用户需求的自适应隧道围岩类型识别模型。能够为隧道围岩崩塌研究、隧道设计、基础设施以及复合地下工程提供依据。

A GPC based system, method and device for identifying the type of tunnel surrounding rock

【技术实现步骤摘要】
一种基于GPC的隧道围岩类型识别系统、方法及装置
本专利技术是一种基于GPC的隧道围岩类型识别系统、方法及装置，涉及了隧道围岩相关领域。
技术介绍
围岩分类的目的是为了对隧道及地下建筑工程周围的地层进行工程地质的客观评价，判断坑道或洞室的稳定性，确定支护的荷载和设计参数，确定施工方法，选择钻孔和开挖等施工机械，以及确定施工定额和预算等。由于岩石的复杂性，影响围岩分类的大部分因素具有一定的模糊性和随机性，各影响因素之间又存在着大量的非确定因素，使得围岩分类成为隧道工程研究中的薄弱环节。传统上主要是通过对大量数据进行回归分析、统计分类等统计方法来进行围岩分类，分类准确性不是很高，难以满足工程实践要求。近年来，随着各种不确定性方法在隧道工程中的广泛应用，一些学者将灰色理论、模糊数学等不确定性方法及GPC(ANN)、支持向量机(SVM)等机器学习方法应用于隧道围岩分类，取得了一些有价值的成果。但由于理论自身的缺陷，以及理论应用过程中尚存在一些不完善之处，如模糊理论的隶属度及权重难以确定；ANN在学习样本数量有限时，精度难以保证，当学习样本数量很多时，泛化能力不高；SVM的核函数难以确定。因此，探讨新的有效围岩分类方法是很有必要的。随着机器学习方法的不断发展，20世纪90年代CarlEdwardRasmussen和ChristopherK.I.Williams提出了一种基于贝叶斯学习理论的新机器学习方法-高斯过程，本文在此基础上提出了基于高斯过程分类(GaussianProcesses，ClassificationGPC)的隧道围岩类型识别系统、方法及装置。高斯过程具有严格的统计学习理论基础，对处理高维数、小样本、非线性等复杂问题的良好适应性，以及灵活的非超参数推断、超参数自适应获取等突出优点，正在成为继SVM之后机器学习领域新的研究热点。与ANN和SVM相比，高斯过程具有计算简单、灵活的非超参数推断、超参数自适应获取等突出优点。此外，高斯过程是一个具有概率意义的核学习机，可对预测输出做出概率解释，大大提高了预测模型的可信度。
技术实现思路
本专利技术提供了一种基于GPC的隧道围岩类型识别系统、方法及装置，能够解决隧道围岩类型预测的准确性和灵活性问题，建立面向用户需求的自适应GPC预测模型。本专利技术第一方面提供一种基于GPC的隧道围岩类型识别系统，包括：用户接口模块、GPC训练模块和隧道围岩类型预测模块。用户接口模块用于根据用户对隧道围岩类型需求转换成为求取对应类型超参数形式的用户指令，将该指令发送至GPC训练模块和隧道围岩类型预测模块；GPC训练模块用于根据接收到的用户指令对GPC进行训练；隧道围岩类型预测模块用于根据接收到的用户指令，通过训练后的预测模型对隧道围岩类型进行预测。结合本专利技术实施例的第一方面，在第一中可能实现方式中，用户接口模块包括用户指令转换单位和用户接口单元，包括：用户指令转换单位用于将用户对隧道围岩类型需求转换成求对应类型超参数形式的用户指令，用户接口单元用于将其超参数形式的用户指令发送至GPC训练模块和隧道围岩类型预测模块。结合本专利技术实施例的第一方面的第一种可能实现方式，在第二种可能的实现方式中，用户指令转换单位包括隧道围岩类型预测资源管理子单元，包括：隧道围岩类型预测资源管理子单元用于储存隧道围岩的数据资源。其中包括隧道围岩类型预测影响因素数据信息及隧道围岩类型识别结果数据信息。结合本专利技术实施例的第一方面，在第三种实现方式中，GPC训练模块包括用户指令第一接口单元、训练核心功能单元和GPC预测模型接口单元。包括：用户指令第一接口单元用于接收用户接口单元发送的用户指令；训练核心功能单元用于根据将用户指令提取数据资源进行GPC训练，并建立对应的GPC预测模型；GPC预测模型接口单元用于将GPC预测模型发送至隧道围岩类型预测模块。结合本专利技术实施例的第一方面的第三种可能实现方式，在第四种可能的实现方式中，训练核心功能单元包括训练数据预处理子单元和GPC预测模型构建子单元。包括：训练数据预处理子单元用于接收用户指令第一接口单元发送的用户指令，并进行数据资源预处理；GPC预测模型构建子单元用于将训练数据预处理，然后根据提供的超参数和预处理的数据进行GPC训练，并建立对应的预测模型。结合本专利技术实施例的第一方面，在第五种实现方式中，隧道围岩类型预测模块包括用户指令第二接口单元、预测模型接口单元和预测核心功能单元。包括：用户指令第二接口单元用于接收所述用户接口单元发送的用户指令；预测模型接口单元用于接收GPC预测模型接口单元发送的GPC预测模型；预测核心功能单元用于通过GPC预测模型，预测出用户需要的隧道围岩类型。本专利技术第二方面提供一种基于GPC的隧道围岩类型识别方法，包括：根据用户对隧道围岩类型需求生成对应的超参数用户指令；并根据用户指令提供的超参数选取隧道围岩数据集，对GPC进行训练；根据用户指令，通过训练后的GPC预测模型对隧道围岩类型进行预测。结合本专利技术实施例的第二方面，在第一种可能的实现方式中，根据用户对隧道危岩类型需求生成对应的超参数用户指令，并根据用户指令提供的超参数选取隧道围岩数据集，该方法还包括：根据用户指令选取隧道围岩数据集，判断数据集是否满足影响隧道围岩类型因素要求，若满足影响隧道围岩类型因素要求，则根据所述数据集进行归一化处理，若不满足影响隧道围岩类型因素要求，则丢弃其数据集。结合本专利技术实施例的第二方面的第二种可能的实现方式，在第三种可能的实现方式中。对所述数据集进行GPC训练，若满足影响隧道围岩类型因素要求，则根据所述数据集进行归一化处理之后，该方法还包括判断归一化处理后，均方误差是否达到预置的精度范围，若达到预置的精度范围，则从数据集中选取局部数据用于进行GPC的训练，若未达到预置的精度范围，则进行进一步归一化处理。结合本专利技术实施例的第二方面的第三种可能的实现方式，在四种可能的实现方式中根据所述数据集，对GPC进行训练，包括：判断局部数据是否满足足够的置信空间，且相关性在预置区间内，若满足足够的置信空间，且相关性在预置区间内，则对所述局部数据进行优化学习；若不满足足够的置信空间，且相关性不在预置区间内，则对所述局部数据进行属性降维处理。结合本专利技术实施例的第二方面的第四种可能的实现方式，在五种可能的实现方式中，若满足足够的置信空间，且相关性在预置区间内，对所述局部数据进行优化学习之后，所述方法还包括判断GPC稳定性与收敛速度是否达到第一预置值，若GPC稳定性与收敛速度未达到第一预置值，则采用高斯-拟牛顿算法学习，进行训练算法优化，以训练耗时和预测为标准进行GPC结构优化。本专利技术第三方面提供一种基于GPC的隧道围岩类型识别装置，包括：生成模块，用于根据用户需求生成对应的用户指令，并根据用户指令提供的超参数选取隧道围岩数据集；训练模块，用于根据提供的数据集，对GPC进行训练；预测模块，用于根据用户指令，通过训练后的GPC预测模型对隧道围岩类型进行预测。结合本专利技术实施例的第三方面，在第一本文档来自技高网...

【技术保护点】
1.一种基于GPC的隧道围岩类型识别系统，其特征在于，包括：用户接口模块、GPC训练模块和隧道围岩类型预测模块，其中用户接口模块用于根据用户对隧道围岩类型需求转换成为求取对应类型超参数形式的用户指令，将该指令发送至GPC训练模块和隧道围岩类型预测模块，GPC训练模块用于根据接收到的用户指令对GPC进行训练，隧道围岩类型预测模块用于根据接收到的用户指令，通过训练后的预测模型对隧道围岩类型进行预测。/n

【技术特征摘要】
1.一种基于GPC的隧道围岩类型识别系统，其特征在于，包括：用户接口模块、GPC训练模块和隧道围岩类型预测模块，其中用户接口模块用于根据用户对隧道围岩类型需求转换成为求取对应类型超参数形式的用户指令，将该指令发送至GPC训练模块和隧道围岩类型预测模块，GPC训练模块用于根据接收到的用户指令对GPC进行训练，隧道围岩类型预测模块用于根据接收到的用户指令，通过训练后的预测模型对隧道围岩类型进行预测。


2.根据权利要求1所述一种基于GPC的隧道围岩类型识别系统，其特征在于，用户接口模块包括用户指令转换单位和用户接口单元，用户指令转换单位包括隧道围岩类型预测资源管理子单元，包括：用户指令转换对应形式的用户指令，用户接口单元用于发送超参数形式的用户指令，隧道围岩类型预测资源管理子单元用于储存隧道围岩的数据资源。


3.根据权利要求1所述的一种基于GPC的隧道围岩类型识别系统，其特征在于，GPC训练模块包括用户指令第一接口单元、训练核心功能单元和GPC预测模型接口单元，训练核心功能单元包括训练数据预处理子单元和GPC预测模型构建子单元。包括：用户指令第一接口单元用于接收用户指令，训练核心功能单元用于根据将用户指令进行GPC训练，并建立对应的GPC预测模型，GPC预测模型接口单元用于发送至预测模块，训练数据预处理子单元用于接收用户指令进行数据资源预处理。GPC预测模型构建子单元用于将训练数据预处理，然后根据提供的超参数和预处理的数据进行GPC训练，并建立对应的预测模型。


4.根据权利要求1述的一种基于GPC的隧道围岩类型识别系统，其特征在于，隧道围岩类型预测模块包括用户指令第二接口单元、预测模型接口单元和预测核心功能单元。包括：用户指令第二接口单元用于接收所述用户接口单元发送的用户指令；预测模型接口单元用于接收GPC预测模型接口单元发送的GPC预测模型；预测核心功能单元用于通过GPC预测模型，预测出用户需要的隧道围岩类型。


5.根据权利要求1所述一种基于GPC的隧道围岩类型识别系统，其特征在于，根据用户对隧道危岩类型需求生成对应的超参数用户指令，并根据用户指令提供的超参数选取隧道围岩数据集，该方法还包括：根据用户指令选取隧道围岩数据集，判断数据集是否满足影响隧道围岩类型因素要求，若满足影响隧道围岩类型因素要求，则根据所述数据集进行归一化处理，该方法还包括判断归一化处理后，均方误差是否达到预置的精度范围，若达到预置的精度...

【专利技术属性】
技术研发人员：张研，邝贺伟，刘宝臣，曾建斌，苏国韶，张炳晖，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：广西;45