基于少样本度量和集成学习的岩爆预测方法技术

本发明专利技术公开了一种基于少样本度量和集成学习的岩爆预测方法，包括选取影响岩爆等级定量预测指标和岩爆等级划分定性标准；构建岩爆分级数据集并分为训练集和测试集；将训练集的每组数据依次与训练集中所有数据进行两两交叉重组并重新标定数据标签构成模型训练集；构建集成学习模型并采用模型训练集训练得到岩爆预测初级模型；将测试集中的每组数据依次与训练集中所有数据进行两两交叉重组并重新标定数据标签构成模型测试集；采用模型测试集测试岩爆预测初级模型并优化得到岩爆预测模型；采用岩爆预测模型在实际工程中进行岩爆的预测。本发明专利技术提高了机器学习训练过程的有效性，训练标签种类少，训练过程简单，可靠性高、准确度高且科学稳定。度高且科学稳定。度高且科学稳定。

【技术实现步骤摘要】
基于少样本度量和集成学习的岩爆预测方法


[0001]本专利技术属于岩土工程领域，具体涉及一种基于少样本度量和集成学习的岩爆预测方法。

技术介绍

[0002]为适应现代化、工业化对空间和资源的迫切需求，水利、矿山、隧道交通等工程建设和资源开发正向地球深部快速迈进。在此类深地工程中，岩体结构受到较高地应力，能量聚集突出，当受到开挖、地震等扰动时，极易发生岩爆灾害，表现为围岩爆裂、剥离、碎片高速弹射，对现场作业人员和设备安全造成极大威胁。更为严重地，岩爆的强度和频次随着工程埋深的增加而进一步加剧，俨然成为威胁我国深部岩体工程安全的最主要灾害。如何实现岩爆的准确预测是深地工程防灾减灾的关键，也是岩爆研究领域亟待突破的瓶颈问题。
[0003]为预测岩爆的发生，人们在试验和理论的基础上，提出了多个岩爆判据，主要分为应力
‑
强度判据(如Hoek判据、Russense判据、Barton判据等)和能量判据(弹性能指数判据、冲击能指数判据等)两大类。以上判据为科学预测岩爆灾害提供了理论和方法，但由于各判据考虑的因素和指标不同，导致不同方法的评价结果常常相互矛盾，岩爆灾害预测精度不甚理想，岩爆事故率居高不下。
[0004]人工智能技术作为计算机科学的分支，能够智能挖掘和学习已有数据中隐藏的、有效的、可理解的信息，从而解决未知问题，为大数据环境下复杂非线性问题提供了新的解决方案。近年来大量学者将各种机器学习方法应用到岩爆预测领域，如神经网络、支持向量机、线性判别分析、决策树、K近邻法、集成学习等方法，取得了大量有意义成果。此外，为提高预测准确率，不少学者运用智能优化算法，如粒子群法、遗传算法、蚁群算法等，对现有机器学习方法中的超参数进行优化，或者利用各算法的优势，综合多种方法预测岩爆，取得了较好的效果。
[0005]但是，目前的基于人工智能的岩爆预测方法仍存在如下问题：(1)理论上，机器学习需要大量样本来训练已达到最佳效果。然而，大量工程缺少详细的岩爆实录，目前岩爆案例数据总量仅200组左右。受限于样本数量，以致训练出的模型简单，难以准确表征岩爆等级与其影响因素之间复杂的非线性关系，导致预测准确率低下；(2)为了提高预测准确率，许多学者优化了模型超参数调节过程，提高了模型的泛化能力，但这种方式只是模型内的优化，使模型达到样本条件下的最优化，而无法从本质上提升模型精度上限。

技术实现思路

[0006]本专利技术的目的在于提供一种可靠性高、准确度高且科学稳定的基于少样本度量和集成学习的岩爆预测方法。
[0007]本专利技术提供的这种基于少样本度量和集成学习的岩爆预测方法，包括如下步骤：
[0008]S1.分析并选取影响岩爆等级的定量预测指标和岩爆等级划分的定性标准；
[0009]S2.收集现有的岩爆工程案例并进行分析，获取各个案例的定量预测指标和岩爆
等级，构建岩爆分级数据集；
[0010]S3.将步骤S2得到的岩爆分级数据集，在保证各个岩爆等级案例占比一致的前提下，按比例随机分为训练集和测试集；
[0011]S4.将步骤S3得到的训练集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，构成模型训练集；
[0012]S5.采用集成学习方法，对步骤S4得到的模型训练集进行训练和超参数优化，得到岩爆预测初始模型；
[0013]S6.将步骤S3得到的测试集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，构成模型测试集；
[0014]S7.将步骤S6得到的模型测试集带入步骤S5得到的岩爆预测初始模型进行测试，并根据测试结果进行优化，从而得到岩爆预测模型；
[0015]S8.采用步骤S7得到的岩爆预测模型，在实际工程中进行岩爆的预测。
[0016]步骤S1所述的影响岩爆等级的定量预测指标，具体包括如下步骤：
[0017]选定围岩切向应力σ
θ
、岩石单轴抗压强度σ
c
、岩石单轴抗拉强度σ
t
、围岩切向应力与岩石单轴抗压强度比单轴抗压强度和单轴抗拉强度比值和岩石的弹性变形能量指数W
et
作为定量预测指标。
[0018]步骤S1所述的岩爆等级划分的定性标准，具体包括如下步骤：
[0019]根据现有的国标规范，将岩爆等级划分为高、中、低和无四级。
[0020]步骤S2所述的获取各个案例的定量预测指标和岩爆等级，构建岩爆分级数据集，具体包括如下步骤：
[0021]获取第i个案例的定量预测指标：围岩切向应力σ
θi
采用字母a
i
表示，岩石单轴抗压强度σ
ci
采用字母b
i
表示，岩石单轴抗拉强度σ
ti
采用字母c
i
表示，围岩切向应力与岩石单轴抗压强度比采用字母d
i
表示，单轴抗压强度和单轴抗拉强度比值采用字母e
i
表示，岩石的弹性变形能量指数W
eti
采用字母f
i
表示，以及岩爆等级数值采用字母g
i
表示，然后将第i个案例在岩爆分级数据集中表示为第i组数据[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,g
i
]；其中岩爆等级数值g
i
取值为3、2、1和0，并依次分别对应岩爆等级的高、中、低和无；i取值为1～n的正整数；
[0022]获取所有n个案例的定量预测指标和岩爆等级，最终构建岩爆分级数据集。
[0023]步骤S4所述的将步骤S3得到的训练集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，具体包括如下步骤：
[0024]将第i组数据[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,g
i
]，依次与训练集中的n组数据[a1,b1,c1,d1,e1,f1,g1]～[a
n
,b
n
,c
n
,d
n
,e
n
,f
n
,g
n
]进行交叉重组，交叉重组后得到的n组数据为：
[0025][a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,a1,b1,c1,d1,e1,f1,G
i1
]～[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,a
n<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于少样本度量和集成学习的岩爆预测方法，包括如下步骤：S1.分析并选取影响岩爆等级的定量预测指标和岩爆等级划分的定性标准；S2.收集现有的岩爆工程案例并进行分析，获取各个案例的定量预测指标和岩爆等级，构建岩爆分级数据集；S3.将步骤S2得到的岩爆分级数据集，在保证各个岩爆等级案例占比一致的前提下，按比例随机分为训练集和测试集；S4.将步骤S3得到的训练集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，构成模型训练集；S5.采用集成学习方法，对步骤S4得到的模型训练集进行训练和超参数优化，得到岩爆预测初始模型；S6.将步骤S3得到的测试集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，构成模型测试集；S7.将步骤S6得到的模型测试集带入步骤S5得到的岩爆预测初始模型进行测试，并根据测试结果进行优化，从而得到岩爆预测模型；S8.采用步骤S7得到的岩爆预测模型，在实际工程中进行岩爆的预测。2.根据权利要求1所述的基于少样本度量和集成学习的岩爆预测方法，其特征在于步骤S1所述的影响岩爆等级的定量预测指标，具体包括如下步骤：选定围岩切向应力σ
θ
、岩石单轴抗压强度σ
c
、岩石单轴抗拉强度σ
t
、围岩切向应力与岩石单轴抗压强度比单轴抗压强度和单轴抗拉强度比值和岩石的弹性变形能量指数W
et
作为定量预测指标。3.根据权利要求2所述的基于少样本度量和集成学习的岩爆预测方法，其特征在于步骤S1所述的岩爆等级划分的定性标准，具体包括如下步骤：根据现有的国标规范，将岩爆等级划分为高、中、低和无四级。4.根据权利要求3所述的基于少样本度量和集成学习的岩爆预测方法，其特征在于步骤S2所述的获取各个案例的定量预测指标和岩爆等级，构建岩爆分级数据集，具体包括如下步骤：获取第i个案例的定量预测指标：围岩切向应力σ
θi
采用字母a
i
表示，岩石单轴抗压强度σ
ci
采用字母b
i
表示，岩石单轴抗拉强度σ
ti
采用字母c
i
表示，围岩切向应力与岩石单轴抗压强度比采用字母d
i
表示，单轴抗压强度和单轴抗拉强度比值采用字母e
i
表示，岩石的弹性变形能量指数W
eti
采用字母f
i
表示，以及岩爆等级数值采用字母g
i
表示，然后将第i个案例在岩爆分级数据集中表示为第i组数据[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,g
i
]；其中岩爆等级数值g
i
取值为3、2、1和0，并依次分别对应岩爆等级的高、中、低和无；i取值为1～n的正整数；获取所有n个案例的定量预测指标和岩爆等级，最终构建岩爆分级数据集。5.根据权利要求4所述的基于少样本度量和集成学习的岩爆预测方法，其特征在于步骤S4所述的将步骤S3得到的训练集中的每组数据，依次与训练集中的所有数据进行两两交叉重组并重新标定数据标签，具体包括如下步骤：
将第i组数据[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,g
i
]，依次与训练集中的n组数据[a1,b1,c1,d1,e1,f1,g1]～[a
n
,b
n
,c
n
,d
n
,e
n
,f
n
,g
n
]进行交叉重组，交叉重组后得到的n组数据为：[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,a1,b1,c1,d1,e1,f1,G
i1
]～[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,a
n
,b
n
,c
n
,d
n
,e
n
,f
n
,G
in
]；第j组数据为[a
i
,b
i
,c
i
,d
i
,e
i
,f
i
,a
j
,b
j
,c
j
,d
j
,e
j
,f
j
,G
ij
]，其中G
ij
为交叉重组后的训练数据标签且j的取值为1～n的正整数；将训练集中的n组数据，依次与训练集中的所有数据按照以上步骤进行两两交叉重组并重新标定数据标签，最终构建模型训练集。6.根据权利要求5所述的基于少样本度量和集成学习的岩爆预测方法，其特征在于步骤S5所述的采用集成学习方法，对步骤S4得到的模型训练集进行训练和超参数优化，得到岩爆预测初始模型，具体包括如下步骤：采用决策树作为基学习器；采用随机搜索算法，对如下超参数进行调优：超参数：数据的集成方式；搜索范围包括Bagging集成、AdaBoost集成、RUSBoost集成、GentleBoost集成和...

【专利技术属性】
技术研发人员：蔡鑫，袁航，周子龙，陈新庆，郑翱，
申请(专利权)人：中南大学，
类型：发明
国别省市：