【技术实现步骤摘要】
本专利技术涉及矿山长期边坡坡态控制参数优化，具体为一种基于ssa-elm考虑矿山边坡长期稳定性的坡态控制参数优化方法
技术介绍
1、近年来，如何有效且合理地利用有限的矿产资源成为了一个受到广泛关注的话题。随着露天矿山采矿的不断开采，国内众多矿区的边坡正逐渐演变成高边坡。这些边坡与交通和水利工程的边坡相比，具有更加复杂的工程地质条件和设计形态，常常包含五个或更多的台阶，有着显著的设计复杂性和组合性。
2、台阶高度、台阶宽度和台阶坡面角等参数共同制约着露天矿山边坡的稳定性，它们称为矿山边坡的坡态控制参数。确定这些参数对于露天矿山的开采设计至关重要，它们直接影响到矿山边坡的稳定性和经济效益。过度追求开采量可能导致安全问题，随着开采深度的增加，边坡失稳的风险也随之上升，这可能导致滑坡等灾难性事件，对生命和财产造成严重损失。另一方面，过于保守的设计可能导致资源的浪费，这与绿色矿山的理念相悖。因此，设计露天矿山边坡时，需要平衡边坡的安全性和经济效益。
3、目前，机器学习算法在边坡稳定性分析中的应用逐渐增多，其核心是结合多种影响因素来预测和评估稳定性。例如，一些专利如cn111914481b、cn112966425b和cn112488197a分别提出了基于改进的pso-rbf算法、边坡稳定性预测评估方法以及基于pso-svr的边坡稳定性影响因素分析方法。这表明智能算法在实际工程中具有应用潜力。
4、然而，露天矿山边坡的坡态控制参数优化方案尚不完善，设计工作常常难以同时满足安全生产和经济效益的要求。将数值计算
技术实现思路
1、针对现有技术的不足，本专利技术专利所需要解决的技术问题是：考虑矿山边坡长期稳定性的情况下合理的设计矿山坡态控制参数，使含有软岩的矿山边坡在开采全周期的安全稳定。
2、本申请为了解决上述技术问题，提出了如下技术方案：
3、一种基于ssa-elm考虑矿山边坡长期稳定性的坡态控制参数优化方法，其特征在于，包含以下步骤：
4、步骤1：根据矿山机械、边坡工程地质条件以及边坡所处工况，确定坡态控制参数的取值范围；
5、步骤2：在上述取值范围内设置合适的参数梯度，进行参数组合方案设计，并建立边坡模型，利用工程仿真软件计算各个方案的长期稳定性，获得各参数方案及对应水平位移量、变形速率、速度切线角构成的数据集；
6、步骤3：将数据集中的数据进行归一化处理，并将处理后的数据集输入ssa-elm参数模型进行训练，实现稳定性预测；
7、步骤4：基于坡态控制参数与水平位移量、变形速率、速度切线角的关系，使用上述ssa-elm参数模型，得到长期稳定满足安全条件下剥离量最大的坡态控制参数组合。
8、进一步地，通过计算得到的水平位移量、变形速率、速度切线角是否趋于稳定来判断边坡的稳定。
9、进一步地，步骤1所述坡态控制参数包括台阶高度h，台阶坡面角α，安全平台宽度l1，清扫平台宽度l2。
10、进一步地，步骤1中通过工程地质勘查、室内试验等手段得到边坡岩石力学参数，并根据矿区工程地质条件，使用工程类比法初步确定各个参数的大致取值范围。
11、进一步地，为保证充足的样本量，步骤2中所述参数梯度根据参数类型不同通常取1-2个单位。
12、进一步地，步骤2中所述的力学模型及长期流变计算，利用cad软件将工程勘测得到的地质数据绘制成工程地质剖面图，再将模型进行合理概化，导入到ansys软件中划分网格单元，将模型通过接口导入到flac3d中形成最终的数值计算模型，并计算得到边坡的稳定性系数。
13、进一步地，步骤3具体包括以下步骤：
14、步骤3.1：将数据集中的数据进行归一化处理，并将归一化处理后的数据集按照7:3划分训练集和测试集；
15、步骤3.2：将训练集的样本导入elm参数模型进行拟合训练，同时通过ssa算法对elm中的神经元层数和个数layersizes以及激活函数g(ωi,bi,x)进行寻优，训练后的mse误差满足条件时，得到训练完毕的ssa-elm参数模型；
16、步骤3.3：利用测试集样本对模型训练效果进行测试，根据决定系数r2对模型精度以及预测效果进行评价。
17、进一步地，步骤3.1中所述归一化处理具体包括：对数据集进行最大最小值归一化处理，以减小量纲对训练效果的影响，其中映射区间为[0,1]，具体公式如下：
18、
19、式中：a为样本向量；amax和amin分别为样本向量的最大值和最小值；a*为样本向量归一化处理后的取值。
20、进一步地，步骤3.2中所述elm模型介绍如下：
21、极限学习机(extreme learning machine,elm)用来训练单隐藏层前馈神经网络(single hidden layer feed-forward neural network,slfn)，见图1。与传统的slfn训练算法不同，极限学习机随机选取输入层敏感度和隐藏层偏置，输出层敏感度通过最小化由训练误差项和输出层敏感度范数的正则项构成的损失函数，依据moore-penrose(mp)广义逆矩阵理论计算解析求出。理论研究表明，即使随机生成隐藏层节点，elm仍保持slfn的通用逼近能力。在过去的十年里，elm的理论和应用被广泛研究，从学习效率的角度来看，极限学习机具有训练参数少、学习速度快、泛化能力强的优点。所有网络节点上的权值和偏差得到后极限学习机的训练就完成了，这时测试数据过来时利用刚刚求得的输出层敏感度便可计算出网络输出完成对数据的预测。极限学习机的原理如下，假设给定训练集{xi,ti|xi∈rd,ti∈rm,i＝1,2,…,n}，极限学习机的隐藏层节点数为l，与单隐层前馈神经网络的结构一样，极限学习机的网络结构如图1：
22、以下是elm网络的基本原理：
23、1.构建网络结构：elm网络由输入层、隐藏层和输出层组成。输入层接收样本的特征值，隐藏层是具有随机初始化权重的神经元层，输出层产生预测结果。
24、2.随机权重初始化：在elm网络中，隐藏层的权重是随机初始化的，可以是服从均匀分布或正态分布的随机数。这些随机权重将作为固定参数，并且不参与后续的模型调整。
25、3.激活函数：对于隐藏层的神经元，采用一种非线性激活函数，例如sigmoid函数、relu函数、tanh函数等。激活函数将输入信号转换为非线性输出，增加模型的非线性拟合能力。
26、4.最小二乘法求解：通过最小二乘法，计算隐藏层之后的权重矩阵h的伪逆。输入样本的特征值通过隐层神经元的权重和激活函数进行映射，得到隐藏层的输出。
27、5.输出预测：通过隐藏本文档来自技高网...
【技术保护点】
1.一种基于SSA-ELM考虑矿山边坡长期稳定性的坡态控制参数优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤1中边坡坡态控制参数包括台阶高度h，台阶坡面角α，安全平台宽度l1，清扫平台宽度l2。
3.如权利要求1所述的方法，其特征在于，所述步骤2中力学模型长期流变计算，利用CAD软件将工程勘测得到的地质数据绘制成工程地质剖面图，再将模型进行合理概化，导入到ANSYS软件中划分网格单元，将模型通过接口导入到FLAC3D中形成最终的数值计算模型，并计算得到边坡的水平位移。
4.如权利要求1所述的方法，其特征在于，所述步骤3，包括以下步骤：
5.如权利要求4所述的方法，其特征在于，所述步骤3.2中所述将训练集的样本导入ELM参数模型进行拟合训练，同时通过SSA算法对ELM中的神经元层数和个数LayerSizes以及激活函数g(ωi,bi,x)进行寻优，训练后的MSE误差满足条件时，得到训练完毕的SSA-ELM参数模型。
6.如权利要求1所述的方法，其特征在于，所述步骤4，包括以下步骤：<...
【技术特征摘要】
1.一种基于ssa-elm考虑矿山边坡长期稳定性的坡态控制参数优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤1中边坡坡态控制参数包括台阶高度h，台阶坡面角α，安全平台宽度l1，清扫平台宽度l2。
3.如权利要求1所述的方法，其特征在于，所述步骤2中力学模型长期流变计算，利用cad软件将工程勘测得到的地质数据绘制成工程地质剖面图，再将模型进行合理概化，导入到ansys软件中划分网格单元，将模型通过接口导入到flac3d中形成最终的数值计算模型，并计算得到边坡的水平位移。
4.如权利要求1所述的方法，其特征在于，所述步骤3，包括以下步骤：
5.如权利要求4所述的方法，其特征在于，所述步骤3.2中所述将...
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。