【技術實現步驟摘要】
本專利技術屬于土木工程領域，具體涉及一種基于微震特征感知和分類增強算法的巖體失穩分級預警方法及系統。
技術介紹
1、巖體失穩是深部礦山開采和地質工程中常見的災害現象，其主要是由于高地應力作用下巖石突然釋放儲存的能量而引發的。巖體失穩具有破壞性大、發生突發及不可預測性強等特點。隨著深部礦產資源的開發，巖體失穩災害的發生頻率持續上升，給礦工生命安全和工程作業帶來了嚴峻的挑戰。因此，對于巖體失穩的預測，就具有重要意義。
2、微震監測技術，因其對小規模地震活動的高靈敏度而被廣泛應用于巖體失穩監測中。通過對巖層內微震信號的實時監測，研究人員可以獲取巖石在應力作用下產生的動態響應，進而分析巖石的破裂特征和能量釋放情況。在實際應用中，微震信號的多參數特征(如震級、頻率、波形特征等)能夠為巖體失穩發生的機理提供重要的信息支持。
3、目前，傳統的基于微震監測手段的巖體失穩預警方法，主要包括基于數值監測指標、應用數學法監測、概率方法、經驗理論等方法。但是，這些巖體失穩預警方案，均存在著可靠性不高、精確性較差的問題。機器學習是近年來飛速發展的
，因此也已經有研究人員提出了基于機器學習方案的巖體失穩預警方案。但是，這類基于機器學習的巖體失穩預警方案，其在應用中還存在模型泛化能力不足以及容易陷入局部最優解等問題，從而使得最終的預測結果的可靠性和準確性都較差。
技術實現思路
1、本專利技術的目的之一在于提供一種可靠性高且精確性好的基于微震特征感知和分類增強算法的巖體失穩分級預警方
2、本專利技術的目的之二在于提供一種實現所述基于微震特征感知和分類增強算法的巖體失穩分級預警方法的系統。
3、本專利技術提供的這種基于微震特征感知和分類增強算法的巖體失穩分級預警方法，包括如下步驟：
4、s1.獲取不同巖土工程項目的巖體失穩案例數據信息；
5、s2.根據步驟s1獲取的數據信息，選定若干項微震參數作為巖體失穩風險候選評估指標；
6、s3.對步驟s2選定的若干項微震參數與巖體失穩等級進行相關性分析，得到巖體失穩分級預警評估指標；
7、s4.根據步驟s3得到的巖體失穩分級預警評估指標，基于步驟s1獲取的數據信息，構建訓練數據集；
8、s5.基于分類增強算法和遺傳算法，構建巖體失穩分級預警初級模型；
9、s6.采用步驟s4得到的訓練數據集，對步驟s5構建的巖體失穩分級預警初級模型進行訓練，得到巖體失穩分級預警模型；
10、s7.采用步驟s6得到的巖體失穩分級預警模型，完成基于微震特征感知和分類增強算法的巖體失穩分級預警。
11、步驟s2所述的根據步驟s1獲取的數據信息，選定若干項微震參數作為巖體失穩候選評估指標，具體包括如下步驟：
12、確定巖體失穩等級包括無失穩、輕微失穩、中等失穩和強失穩；
13、選定的巖體失穩候選評估指標，包括微震事件數、微震能量、視體積、事件率、能量率、視體積率、視應力、矩震級、震源半徑、巖性、初始地應力等。
14、步驟s3所述的對步驟s2選定的若干項微震參數與巖體失穩等級進行相關性分析，得到巖體失穩分級預警評估指標，具體包括如下步驟：
15、對步驟s2選定的若干項微震參數與巖體失穩等級進行相關性分析，選定微震事件數、微震能量、視體積、事件率、能量率和視體積率作為巖體失穩分級預警評估指標；
16、其中，微震能量e的計算式為其中ρ為巖石密度，c為波速，r為微震信號傳播距離，v(f)為震源信號速度譜，f為微震信號頻率；
17、視體積v的計算式為其中m0為地震矩，μ為巖體剪切模量；
18、事件率nr的計算式為其中n為特定時間內發生的微震事件數，a為監測區域的面積或體積，t為特定時間的長度；
19、能量率er的計算式為其中ee為特定時間內的能量釋放總量；
20、視體積率vr的計算式為其中v為監測區域的視體積。
21、步驟s5所述的基于分類增強算法和遺傳算法，構建巖體失穩分級預警初級模型，包括如下步驟：
22、采用遺傳算法，對分類增強算法的超參數進行優化；
23、將優化后的超參數，作為分類增強算法的超參數；
24、根據得到的分類增強算法，構建巖體失穩分級預警初級模型。
25、所述的步驟s5，具體包括如下步驟：
26、創建初始種群：初始種群為一組染色體，每個染色體包含一組分類增強算法的超參數；
27、計算適應度：計算當前種群的適應度；
28、選擇、交叉和變異：根據當前種群的適應度，選擇排名前若干位的個體，進行選擇、交又和變異；
29、判斷終止：若迭代次數達到設定值，或相鄰兩次計算得到的適應度差值小于設定閾值，則停止迭代；將得到的最優適應度的個體所對應的超參數作為分類增強算法的超參數；
30、對于微震事件的數據集，其中(n,e,v,nr,er,vr)為特征向量，yi為目標向量；
31、采用遺傳算法得到的具有最優超參數的初始分類增強算法模型，表示為
32、f0(x)＝argminc∑il(yi,c)
33、式中l(yi,c)為分類增強算法的損失函數；yi為目標向量，表示巖體失穩等級；c為初始化模型的參數；
34、對分類增強算法模型進行迭代，在第t次迭代中，計算每一個地震參數的殘差：
35、
36、式中rit為第t輪每一個地震參數的殘差；f(xi)為模型對輸入xi的預測值；為損失函數相對于模型預測值的偏導數；
37、訓練一個弱學習器，用于擬合殘差，表示為
38、ht(x)＝argminh∑i(rit-h(xi))2
39、式中ht(x)為第t輪訓練的弱學習器；h(xi)為弱學習器對輸入xi的預測值；h為弱學習器的參數；
40、從而更新分類增強算法模型，表示為
41、fi(x)＝fi-1(x)+αht(x)
42、式中fi(x)為第t輪更新后的分類增強算法模型；α為學習率；
43、最終，得到輸入為選定的巖體失穩分級預警評估指標，輸出為巖體失穩分級預測結果的分類增強算法模型，作為巖體失穩分級預警初級模型。
44、本專利技術還提供了一種實現所述基于微震特征感知和分類增強算法的巖體失穩分級預警方法的系統，包括數據獲取模塊、指標選取模塊、指標評定模塊、訓練集構建模塊、模型構建模塊、模型訓練模塊和風險預測模塊；數據獲取模塊、指標選取模塊、指標評定模塊、訓練集構建模塊、模型構建模塊、模型訓練模塊和風險預測模塊依次串聯；數據獲取模塊用于獲取不同巖土工程項目的巖體失穩案例數據信息，并將數據信息上傳指標選取模塊；指標選取模塊用于根據接收到的數據信息，根據獲取的數據信息，選定若干項微震參數作為巖體失穩風險候選評估指標，并將數據信息上傳指標評定模塊；本文檔來自技高網...
【技術保護點】
1.一種基于微震特征感知和分類增強算法的巖體失穩分級預警方法，包括如下步驟：
2.根據權利要求1所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟S2所述的根據步驟S1獲取的數據信息，選定若干項微震參數作為巖體失穩候選評估指標，具體包括如下步驟：
3.根據權利要求2所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟S3所述的對步驟S2選定的若干項微震參數與巖體失穩等級進行相關性分析，得到巖體失穩分級預警評估指標，具體包括如下步驟：
4.根據權利要求3所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟S5所述的基于分類增強算法和遺傳算法，構建巖體失穩分級預警初級模型，包括如下步驟：
5.根據權利要求4所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于所述的步驟S5，具體包括如下步驟：
6.一種實現權利要求1～5之一所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法的系統，其特征在于包括數據獲取模塊、指標選取模塊、指標評定模塊
...【技術特征摘要】
1.一種基于微震特征感知和分類增強算法的巖體失穩分級預警方法，包括如下步驟：
2.根據權利要求1所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟s2所述的根據步驟s1獲取的數據信息，選定若干項微震參數作為巖體失穩候選評估指標，具體包括如下步驟：
3.根據權利要求2所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟s3所述的對步驟s2選定的若干項微震參數與巖體失穩等級進行相關性分析，得到巖體失穩分級預警評估指標，具體包括如下步驟：
4.根據權利要求3所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于步驟s5所述的基于分類增強算法和遺傳算法，構建巖體失穩分級預警初級模型，包括如下步驟：
5.根據權利要求4所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法，其特征在于所述的步驟s5，具體包括如下步驟：
6.一種實現權利要求1～5之一所述的基于微震特征感知和分類增強算法的巖體失穩分級預警方法的系統，其特征在于包括數據獲取模塊、指標選取模塊、指標評定模塊、訓練集構建模塊、模型構建模塊、模型訓練模塊和風險預...
【專利技術屬性】
技術研發人員：黃麟淇，劉萬杰，李夕兵，董隴軍，孫露，
申請(專利權)人：中南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。