【技术实现步骤摘要】
本专利技术涉及软岩隧洞变形预测，具体涉及一种基于机器学习的软岩隧洞长期变形预测方法。
技术介绍
1、地下洞室施工中，围岩变形是直接关乎洞室稳定性的关键性指标，因而需要对洞室施工和运行过程中的围岩变形进行实时监测和安全评价。然而若对洞室施工及运行全过程进行现场监测，将耗费大量人力和物力，经济性较差。对此，学者们考虑到了利用前期的监测数据建立数学模型，从而对数据后期变化进行预测。机器学习作为一种可以挖掘数据间关联性，并准确预测其后期变化趋势的学科，在类似地下施工工程的变形预测中得到了广泛应用。目前用于预测地下施工引起的地表沉降、围岩变形的机器学习方法主要有神经网络和支持向量机方法等。然而传统的神经网络及支持向量机方法在实际预测中均存在许多弊端，如支持向量机方法在处理非线性问题时较为困难，神经网络方法在面临多个影响因素时，往往也因无法识别主要因素，使得计算效率低下、精度较低。
2、对此，为解决现有技术中存在的问题，本领域技术人员做出了诸多努力，例如中国专利申请cn111412885 b提出了一种大埋深隧洞挤压型围岩大变形预测方法，通过对隧洞大埋深洞段所在的地层，开展现场地应力测试和现场岩石力学试验，获得的该地层的地应力和岩体力学参数，并采用围岩变形预测公式，对围岩大变形进行预测，但所需处理的数据量较大，预测效率有所欠缺。
技术实现思路
1、为解决上述问题，本专利技术提供了一种基于机器学习的软岩隧洞长期变形预测方法，通过确立各样本数据与目标预测值之间的相关性，筛选出与目标值最为
2、为实现上述目的，本专利技术提出了以下技术方案：
3、一种基于机器学习的软岩隧洞长期变形预测方法，该方法包括以下步骤：
4、步骤s1：在隧道施工现场开展测试，获取隧洞施工过程中的围岩变形、围岩应力和支护结构应力数据，作为模型原始数据库；
5、步骤s2：采用数据标准化方法对原始数据库中各类数据进行预处理，消除数据的量纲，并根据数据变化速率对各类数据分级后建立事务表；
6、步骤s3：根据建立的事务表，计算确立关联规则，并筛选出与隧洞围岩变形相关性较高的监测对象；
7、步骤s4：将监测对象的测试数据与围岩变形测试数据一同作为预测模型的训练数据库；
8、步骤s5：建立bp-神经网络预测模型，采用训练数据库进行训练，得到满足目标值条件的预测模型。
9、进一步的，步骤s1中，在隧洞施工现场开展测试时，拱顶沉降测点、收敛测点和围岩应力测点布置在同一监测断面，拱架应力测点和锚杆应力测点布置在距其0.9-1.1m的监测断面上。
10、进一步的，步骤s2中，采用数据标准化方法对原始数据库中各类数据进行预处理的具体内容为：采用最大值最小值区间划分方法处理原始数据库中的各类数据，计算公式为：
11、进一步的，步骤s2中，根据数据变化速率对各类数据分级后建立事务表的具体方法为：将数据变化的速率根据数据所在范围在[0,0.35)、[0.35,0.7)和[0.7,1]中，分为i级、ii级和iii级，分别表示变化速率慢、速率中等和速率快，并据此分类生成数据事务表。
12、进一步的，步骤s3中，根据建立的事务表，计算确立关联规则的具体方法为：基于fp-growth算法找出数据库中的频繁项集，再计算各频繁项集的置信度和提升度确立关联规则。
13、进一步的，基于fp-growth算法找出数据库中的频繁项集的具体方法为：
14、步骤s3-1：扫描全部数据库，对所有1-项集出现的次数进行计数，并去除不满足最小支持度s要求的项目；
15、步骤s3-2：对所有保留下来的频繁1-项集按照出现频次降序排列，以空集合项null作为根节点建立模型树，将频繁1-项集按照出现频次从大到小依次与模型树中的节点相连接，并在每个项集后标上其出现的次数；
16、步骤s3-3：从模型树下方开始搜寻以某个项集为前缀的所有事务集合。
17、进一步的，步骤s3-1中，确定最小支持度s的具体方法为：
18、步骤s3-1-1：将事务集中各项的支持数按照从大到小的顺序排列，并对其编号1，2，…，n，建立支持“支持数-序号”序列；其中，n为项的个数；
19、步骤s3-1-2：建立有序的平面坐标后采用多项式进行曲线拟合；多项式的表达式为：其中，x为序号；y为支持数；n为拟选的多项式的最高次项的幂指数；
20、步骤s3-1-3：求解拟合曲线的二阶导数为0时的值后求出f(x0)，并取不小于f(x0)的最小整数作为本次选取频繁项的最小支持度s。
21、进一步的，步骤s5中，建立bp-神经网络预测模型，采用训练数据库进行训练，得到满足目标值条件的预测模型的具体方法为：
22、步骤s5-1：将与目标预测量关联程度高的监测量的数据集合作为输入层x；
23、步骤s5-2：设置线性变换中加权矩阵w和偏置矩阵b的维度，同时以sigmoid函数作为激励函数，用于对输入层的非线性变换；
24、步骤s5-3：对输入层x进行线性和非线性变换，得到隐藏层z；
25、步骤s5-4：对隐藏层z进行线性和非线性变换后得到输出层y；
26、步骤s5-5：以实测围岩变形作为目标值，通过计算输出层y与目标值的差异，更新加权矩阵和偏置矩阵，得到输出层满足目标值条件的预测模型。
27、进一步的，步骤s5-5中，采用梯度下降法更新加权矩阵和偏置矩阵，并通过定义学习率控制更新速率。
28、进一步的，学习率的大小通过估算确定，具体方法为：先指定一个数值，再通过指数级下降的方式进行试算，寻求计算速率快且可以使结果收敛的最优学习率。
29、本专利技术所述的技术方案取得有益效果为：
30、本专利技术通过对隧洞施工现场各数据的测试建立模型原始数据库，再根据数据变化速率对各类数据进行分级并建立事务表，再以所建立的事务表为基础，计算确立关联规则，可以先确立各样本数据与目标预测值之间的相关性，筛选出与目标值最为相关的监测对象；然后通过将监测对象的测试数据与围岩变形测试数据一同作为预测模型的训练数据库，采用所建立的bp-神经网络预测模型进行训练，得到满足目标值条件的预测模型，能够显著减少模型处理的样本数据量，从而加快模型的预测速率，同时提高模型预测的精度，从而能够实现对软岩隧洞开挖后围岩长期的变形结果的预测精确预测，大大减少了隧洞长期监控的成本。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的软岩隧洞长期变形预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S1中，在隧洞施工现场开展测试时，拱顶沉降测点、收敛测点和围岩应力测点布置在同一监测断面，拱架应力测点和锚杆应力测点布置在距其0.9-1.1m的监测断面上。
3.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S2中，采用数据标准化方法对原始数据库中各类数据进行预处理的具体内容为：采用最大值最小值区间划分方法处理原始数据库中的各类数据，计算公式为：
4.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S2中，根据数据变化速率对各类数据分级后建立事务表的具体方法为：将数据变化的速率根据数据所在范围在[0,0.35)、[0.35,0.7)和[0.7,1]中，分为I级、II级和III级，分别表示变化速率慢、速率中等和速率快，并据此分类生成数据事务表。
5.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于
6.根据权利要求5所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，基于FP-Growth算法找出数据库中的频繁项集的具体方法为：
7.根据权利要求6所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S3-1中，确定最小支持度S的具体方法为：
8.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S5中，建立BP-神经网络预测模型，采用训练数据库进行训练，得到满足目标值条件的预测模型的具体方法为：
9.根据权利要求8所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤S5-5中，采用梯度下降法更新加权矩阵和偏置矩阵，并通过定义学习率控制更新速率。
10.根据权利要求9所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，学习率的大小通过估算确定，具体方法为：先指定一个数值，再通过指数级下降的方式进行试算，寻求计算速率快且可以使结果收敛的最优学习率。
...【技术特征摘要】
1.一种基于机器学习的软岩隧洞长期变形预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤s1中，在隧洞施工现场开展测试时，拱顶沉降测点、收敛测点和围岩应力测点布置在同一监测断面，拱架应力测点和锚杆应力测点布置在距其0.9-1.1m的监测断面上。
3.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤s2中，采用数据标准化方法对原始数据库中各类数据进行预处理的具体内容为：采用最大值最小值区间划分方法处理原始数据库中的各类数据，计算公式为：
4.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤s2中，根据数据变化速率对各类数据分级后建立事务表的具体方法为：将数据变化的速率根据数据所在范围在[0,0.35)、[0.35,0.7)和[0.7,1]中，分为i级、ii级和iii级，分别表示变化速率慢、速率中等和速率快，并据此分类生成数据事务表。
5.根据权利要求1所述的基于机器学习的软岩隧洞长期变形预测方法，其特征在于，步骤s3中，根据建立...
【专利技术属性】
技术研发人员：王曙，周真锋，张兆彬，张亮，曹发兵，何壹，谈俊伟，李文俊，庄翔，陈双霖，金鑫，孙阳，
申请(专利权)人：安徽水利开发有限公司，
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。