【技术实现步骤摘要】
本专利技术涉及隧道工程，特别涉及一种隧道爆破预测方法、装置、设备、系统及介质。
技术介绍
1、贝叶斯优化(bayes i an opt imi zat i on，bo)是一种全局优化方法，通过在优化过程中不断地使用代理模型对目标函数进行估计，以指导下一次采样点的选择，最普遍的使用场景是在机器学习过程中对超参数进行调优。
2、xgboost(extreme grad i ent boost i ng)是一种基于梯度提升树的机器学习算法。结合了梯度提升框架和决策树模型，通过将多个弱学习器(通常是决策树)进行集成来构建一个更强大的预测模型。xgboost通过迭代训练多个回归树，以梯度下降的方式优化损失函数，通过加权组合多个回归树的预测结果来得到最终的预测值。它通过特定的损失函数近似和正则化技术，提供了一种高效而强大的机器学习算法，适用于回归问题和分类问题。
3、相关技术中，在进行爆破块度预测时，通常使用ga-bp神经网络模型进行预测，使用此类神经网络模型进行预测虽然可以实现对爆破块度的预测功能，但是在实际预测过程中却存在计算资源需求高以及可能需要大量训练样本等缺陷。
技术实现思路
1、本申请的主要目的在于提供一种隧道爆破预测方法、装置、设备、系统及介质，旨在解决相关技术在进行爆破块度预测时，使用ga-bp神经网络模型进行预测虽然可以实现对爆破块度的预测功能，但是在实际预测过程中却存在计算资源需求高以及可能需要大量训练样本等缺陷的技术问题。
2、为实现上
3、将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测模型进行训练作业；其中，所述待训练数据集包括所述隧道的尺寸参数子数据集、所述隧道所在位置的地质参数子数据集以及对所述隧道已执行的所有爆破作业的爆破参数子数据集和爆破效果子数据集；
4、将已完成训练作业的所述bo-xg boost预测模型导出为可部署格式，并在在线环境下进行模型部署，形成实时预测模型；
5、将采集得到的当前爆破作业的实时数据输入至所述实时预测模型，并利用所述实时预测模型进行预测作业，以得到所述当前爆破作业的实时爆破结果。
6、在一实施例中，在所述将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测模型进行训练作业的步骤之前，还包括：
7、收集所述隧道的已完成爆破作业的历史数据并采集所述隧道的当前爆破作业的实时数据；
8、对所述历史数据与所述实时数据打包形成当前数据包；
9、对所述当前数据包进行数据处理，以得到所述待训练数据集。
10、在一实施例中，所述对所述当前数据包进行数据处理，以得到所述待训练数据集的步骤，包括：
11、对所述当前数据包依次进行数据清洗处理、数据标准化和归一化处理、特征工程提取处理以及数据分割处理，以得到所述待训练数据集。
12、在一实施例中，所述对所述当前数据包依次进行数据清洗处理、数据标准化和归一化处理、特征工程提取处理以及数据分割处理，以得到所述待训练数据集的步骤，包括：
13、从所述当前数据包中筛选出不满足预设要求的缺失值、错误值和异常值，以完成数据清洗处理；
14、对完成数据清洗之后的所述当前数据包进行数据标准化和归一化处理，以将所述当前数据包中的不同特征进行数据尺度统一；
15、对完成数据尺度统一之后的所述当前数据包中的不同特征按照预设条件进行排名，以完成特征工程处理；
16、将完成特征工程处理之后的所述当前数据包按照预设比例分割为训练集和检验集，以得到所述待训练数据集；其中，所述预设比例为4:1。
17、在一实施例中，所述将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测模型进行训练作业的步骤，包括：
18、将采集得到的所述隧道的所述待训练数据集中的所述训练集输入至所述bo-xgboost预测模型；
19、对所述bo-xg boost预测模型进行模型训练，以获取多个当前训练结果；
20、采用贝叶斯优化方法对多个所述当前训练结果进行超参数组合；
21、对完成所述超参数组合后的所述bo-xg boost预测模型进行模型性能评估和预测效果评估，以获取所述bo-xg boost预测模型的预测误差范围；
22、将采集得到的实时数据输入至所述bo-xg boost预测模型，更新并校正所述bo-xgboost预测模型，以完成对所述bo-xg boost预测模型的训练作业。
23、在一实施例中，所述对完成所述超参数组合后的所述bo-xg boost预测模型进行模型性能评估和预测效果评估，以获取所述bo-xg boost预测模型的预测误差范围的步骤，包括：
24、使用k折交叉验证法以及均方误差、平均绝对误差以及r2对所述对完成所述超参数组合后的所述bo-xg boost预测模型进行模型性能评估；
25、将所述检验集输入所述bo-xg boost预测模型进行预测效果评估，以获取所述bo-xg boost预测模型的预测误差范围。
26、基于相同的技术构思，第二方面，本专利技术提出一种隧道爆破预测装置，包括：
27、训练模块，用于将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测模型进行训练作业；
28、输出模块，用于将已完成训练作业的所述bo-xg boost预测模型导出为可部署格式，并在在线环境下进行模型部署，形成实时预测模型；
29、在线预测模块，用于将采集得到的当前爆破作业的实时数据输入至所述实时预测模型，并利用所述实时预测模型进行预测作业，以得到所述当前爆破作业的实时爆破结果。
30、基于相同的技术构思，第三方面，本专利技术还提出一种隧道爆破预测设备，所述隧道爆破预测设备包括处理器和存储器，所述存储器上存储有隧道爆破预测程序，所述隧道爆破预测程序被所述处理器执行时，实现第一方面所述的隧道爆破预测方法。
31、基于相同的技术构思，第四方面，本专利技术还提出一种隧道爆破预测系统，包括：
32、第三方面所述的隧道爆破预测设备；以及，
33、数据采集设备，所述数据采集设备安装于所述隧道的待爆破作业区域，所述隧道爆破预测设备与所述数据采集设备通讯连接并将采集得到的数据信息传输给所述隧道爆破预测设备。
34、基于相同的技术构思，第五方面，本专利技术还提出一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现第一方面所述的隧道爆破预测方法。
35、本申请提出的一个或多个技术方案，至本文档来自技高网...
【技术保护点】
1.一种隧道爆破预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的隧道爆破预测方法，其特征在于，在所述将采集得到所述隧道的待训练数据集输入至BO-XG Boost预测模型，以对所述BO-XG Boost预测模型进行训练作业的步骤之前，还包括：
3.如权利要求2所述的隧道爆破预测方法，其特征在于，所述对所述当前数据包进行数据处理，以得到所述待训练数据集的步骤，包括：
4.如权利要求3所述的隧道爆破预测方法，其特征在于，所述对所述当前数据包依次进行数据清洗处理、数据标准化和归一化处理、特征工程提取处理以及数据分割处理，以得到所述待训练数据集的步骤，包括：
5.如权利要求3所述的隧道爆破预测方法，其特征在于，所述将采集得到所述隧道的待训练数据集输入至BO-XG Boost预测模型，以对所述BO-XG Boost预测模型进行训练作业的步骤，包括：
6.如权利要求5所述的隧道爆破预测方法，其特征在于，所述对完成所述超参数组合后的所述BO-XG Boost预测模型进行模型性能评估和预测效果评估，以获取所述BO-XG Boo
7.一种隧道爆破预测装置，其特征在于，包括：
8.一种隧道爆破预测设备，其特征在于，所述隧道爆破预测设备包括处理器和存储器，所述存储器上存储有隧道爆破预测程序，所述隧道爆破预测程序被所述处理器执行时，实现如权利要求1至6中任一项所述的隧道爆破预测方法。
9.一种隧道爆破预测系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如权利要求1至6中任一项所述的隧道爆破预测方法。
...【技术特征摘要】
1.一种隧道爆破预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的隧道爆破预测方法，其特征在于，在所述将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测模型进行训练作业的步骤之前，还包括：
3.如权利要求2所述的隧道爆破预测方法，其特征在于，所述对所述当前数据包进行数据处理，以得到所述待训练数据集的步骤，包括：
4.如权利要求3所述的隧道爆破预测方法，其特征在于，所述对所述当前数据包依次进行数据清洗处理、数据标准化和归一化处理、特征工程提取处理以及数据分割处理，以得到所述待训练数据集的步骤，包括：
5.如权利要求3所述的隧道爆破预测方法，其特征在于，所述将采集得到所述隧道的待训练数据集输入至bo-xg boost预测模型，以对所述bo-xg boost预测...
【专利技术属性】
技术研发人员：王平安，王存宝，任少强，冀胜利，杨立燃，贺显林，张欢，李校珂，朱豪洋，常宏涛，李金魁，吴辰，
申请(专利权)人：中铁二十局集团有限公司，
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。