技术领域
[0001] 本
发明属于岩爆预测技术领域，尤其涉及基于主成分分析和BP神经网络的岩爆等级预测方法及系统。
背景技术
[0002] 本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
[0003] 在高地应
力等深埋隧道中，岩爆是极其常见的地质灾害之一。岩爆是高地
应力条件下地下工程开挖过程中，硬脆性围岩因开挖卸荷导致洞壁应力分异，使储存于岩体中的弹性应变能突然释放，因而产生爆裂松脱、剥落、弹射甚至抛掷现象，严重威胁施工人员及设备的安全，影响施工进度。因此，在实际深埋隧道的施工过程中，必须考虑到岩爆对施工进度及人员安全方面的影响，对岩爆的等级预测也成为现场工程中必须考虑到的重点。
[0004] 目前，在高地应力地区深埋隧道的岩爆等级预测方面面临着一系列难以处理的问题，具体问题如下：
[0005] 目前存在的单指标经验判据方法多以
能量，强度和岩性为
基础，而岩爆是受多方面因素综合影响产生的，单一指标判据具有片面性。
[0006] 岩体条件的不确定性、复杂性是制约岩爆等级预测准确性的主要因素。
[0007] 目前的多指标综合预测方法中大多数岩爆预测指标间均存在一定的相关性，造成数据冗杂和计算负担。
[0008] 如何建立准确有效的多指标综合的岩爆的等级预测也是一大难点。
发明内容
[0009] 为克服上述
现有技术的不足，本发明提供了基于主成分分析和BP神经网络的岩爆等级预测方法，基于统计学方法对施工现场数据进行深入挖掘，评价信息丰富，结果准确率高，简单高效，方便快捷。
[0010] 为实现上述目的，本发明的一个或多个
实施例提供了如下技术方案：
[0011] 基于主成分分析和BP神经网络的岩爆等级预测方法，包括：
[0012] 将岩爆强弱程度将岩爆等级分级；
[0013] 确定高地应力地区岩爆分级所有的影响因素指标；
[0014] 获取实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0015] 采用主成分分析法对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0016] 将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络
算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0017] 获取未开挖掌子面附近的指标变量值，并基于
训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0018] 进一步的技术方案，对测试数据提取主成分作为BP神经网络的输入变量，相应的岩爆等级作为输出值，并用已建立的数学模型验证所建立模型的准确性。
[0019] 进一步的技术方案，将岩爆强弱程度将岩爆等级分级：
[0020] [1，0，0，0]一级代表无岩爆活动，[0，1，0，0]二级代表低等岩爆，[0，0，1，0]三级代表中等岩爆，[0，0，0，1]四级代表严重岩爆，等级越高岩爆越强烈。
[0021] 进一步的技术方案，所述确定高地应力地区岩爆分级所有的影响因素指标，包括：
[0022] 单轴抗压强度Rc，记为x1；
岩石强度与地应力的比值Rc/σ1，记为x2；岩石抗压强度与
抗拉强度的比值Rc/σt，记为x3；弹性应变能指数Wet，记为x4；切向应力与岩石抗压强度之比σθ/Rc，记为x5；隧道埋深H，记为x6；岩体完整性Kv，记为x7。
[0023] 进一步的技术方案，对获得的归一化指标数据进行主成分分析时，计算指标间的Pearson相关系数矩阵；
[0025] 确定主成分个数。
[0026] 进一步的技术方案，利用低维度的主成分变量和相对应的围岩分级作为BP神经网络的输入变量和输出值，确定隐含层的
节点数。
[0027] 进一步的技术方案，基于训练数据的均值和标准差计算测试数据的前k个主成分变量。
[0028] 本发明还公开了基于主成分分析和BP神经网络的岩爆等级预测系统，包括：
[0029] 影响因素指标确定模
块：将岩爆强弱程度将岩爆等级分级；确定高地应力地区岩爆分级所有的影响因素指标；
[0030] 指标
数据处理模块，获取实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0031] 采用主成分分析法对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0032] 模型建立模块，将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0033] 预测模块，获取未开挖掌子面附近的指标变量值，并基于训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0034] 以上一个或多个技术方案存在以下有益效果：
[0035] 本发明基于统计学方法对现场施工数据进行深入挖掘，评价信息丰富，结果准确率高，简单高效，方便快捷。
[0036] 本发明所拟定的岩爆分级是根据国内外大量工程实践并基于岩爆实际强度所得出的，[x，y，z，w]的分级方法有利于输出结果的泛化，输出结果最接近于1的
位置n代表了该预测的岩爆等级为n级。
[0037] 本发明可以利用各个指标变量值间接地预测高地应力地区的岩爆
风险等级，引入的Sigmoid函数能以任意
精度逼近任何非线性连续函数，在建模过程中的岩爆预测问题正是具有高度的非线性，可有效指导隧道施工，进行岩爆预测。
[0038] 神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。
[0039] 对原始数据进行均值方差归一化可有效降低范围差比较大的数据带来的误差，有效提高了后续岩爆预测的准确率。
[0040] 基于训练数据，对测试数据进行均值方差归一化可有效体现原始
数据库的重要性，原始数据是后续预测的基准。
[0041] 主成分分析法可以提取各影响因素中的主要成分，可用少量的数据就可反映比较真实的情况，同时降低影响因素的维度有利于降低BP神经网络的计算量，提高了计算效率。
附图说明
[0042] 构成本发明的一部分的
说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
具体实施方式
[0044] 应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0045] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0046] 在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0047] 实施例一
[0048] 本实施例公开了基于主成分分析和BP神经网络的岩爆等级预测方法，具体包括以下步骤：
[0049] 步骤一：结合国内外施工统计数及岩爆强弱程度据将岩爆等级分为四个等级，等级越高则岩爆越强烈；
[0050] 步骤二：基于岩体的物理力学性质及国内外工程数据实例，确定高地应力地区岩爆分级所有的影响因素指标；
[0051] 步骤三：收集实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0052] 步骤四：采用主成分分析法(PCA)对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0053] 步骤五：将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0054] 步骤六：基于训练数据对测试数据提取主成分作为BP神经网络的输入变量，相应的岩爆等级作为输出值，并用已建立的数学模型验证所建立模型的准确性；
[0055] 步骤七：获取未开挖掌子面附近的指标变量值，并基于训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0056] 根据已有的工程实例，将高地应力地区的岩爆分为的四个等级：[1，0，0，0]一级代表无岩爆活动，[0，1，0，0]二级代表低等岩爆，[0，0，1，0]三级代表中等岩爆，[0，0，0，1]四级代表严重岩爆，等级越高岩爆越强烈。
[0057] 在具体等级划分时，因为考虑到预测结果不能完全的指向某一固定等级，所以算法设置了四个输出结果，最接近1的那个数所在的位置就代表了实际等级，如[0.182,0.932,0.564,0.235],第二个数0.932最接近1，所以可以判定此时预测等级为Ⅱ级。
[0058] 根据国内外工程施工实例选取所有的影响因素指标为：单轴抗压强度Rc(x1)、岩石强度与地应力的比值Rc/σ1(x2)、岩石抗压强度与抗拉强度的比值Rc/σt(x3)、弹性应变能指数Wet(x4)、切向应力与岩石抗压强度之比σθ/Rc(x5)、隧道埋深H(x6)、岩体完整性Kv(x7)作为指标变量。
[0059] 获取方式可根据前期地质报告和后期室内试验等，选择原因是根据国内外统计数据发现这几个因素于岩爆等级相关性很大。
[0060] 为消除各指标变量值的过大差异对预测结果产生不利影响，对收集到的原始指标数据x1、x2、x3、x4、x5、x6、x7进行均值方差归一化，其中：
[0061]
[0062]
[0063]
[0064] 代表均值方差归一化的结果；xij代表每个实测数据； 和sj分别代表第j个指标的样本数据平均值和标准差； 代表地i个数据的第j个指标；i代表第几个数据；j代表第几个指标。
[0065] 式(1)(2)(3)中 和sj分别代表第j个指标的样本数据平均值和标准差。
[0066] 对获得的归一化指标数据进行主成分分析时，计算指标间的Pearson相关系数矩阵，即：
[0067] R＝(rkl)n×n (k，l＝1，2，…，n) (4)
[0068] 式(4)中rkl为第k个指标和第l个指标间的相关系数，且rkl＝rlk，具体计算公式为：
[0069]
[0070] 计算相关矩阵R的特征值和特征向量，其中λ1，λ2，λn满足λi≥0(i＝1，2，…，n)，特征值对应的单位化特征向量记为p1，p2，pn；
[0071] 确定主成分个数。计算主成分的累计贡献率，一般取特征值大于1且累计方差贡献率达85％～95％所对应的前k个主成分。
[0072]
[0073]
[0074] 式(6)(7)中vs为第s个主成分的方差贡献率，vsumk为前k个主成分的累计贡献率。
[0075] 计算提取主成分的对应得分。主成分系数矩阵为：U＝(p1，p2，…，pn)，若从原指标中提取前k个主成分，则有：
[0076]
[0077] 式(8)中X*为原指标数据的归一化矩阵， 为归一化之后的指标变量。
[0078] 用训练数据获得的目标主成分数量k一般小于指标变量个数7，利用低维度的主成分变量和相对应的围岩分级作为BP神经网络的输入变量和输出值，至今为止尚未有统一的方法来确定隐含层的节点数，通常根据以下经验公式来判断:
[0079]
[0080] 式(9)中，l为隐含层节点数，k为输入节点数，4为
输出节点数，a为调整常数，范围在1～10之间。
[0081] 神经网络的输出一般为下式：
[0082]
[0083] 激活函数采取常用的Sigmoid函数，对数据进行训练学习，建立数学模型。
[0084] 基于训练数据的均值和标准差计算测试数据的前k个主成分变量，以训练数据为基准可以降低误差，并用已建立的神经网络数学模型验证所建立模型的准确性。采用主成分在保留原始数据大部分信息的情况下，对原始高维数据进行
降维，降低指标数据的数量。
[0085] 获取未开挖掌子面附的指标变量值并提取主成分变量，然后带入神经网络数学模型中进行预测适岩爆等级。
[0086] 实施例二
[0087] 本实施例的目的是提供一种计算装置，包括
存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
[0088] 将岩爆强弱程度将岩爆等级分级；
[0089] 确定高地应力地区岩爆分级所有的影响因素指标；
[0090] 获取实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0091] 采用主成分分析法对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0092] 将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0093] 获取未开挖掌子面附近的指标变量值，并基于训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0094] 实施例三
[0095] 本实施例的目的是提供一种计算机可读存储介质。
[0096] 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
[0097] 将岩爆强弱程度将岩爆等级分级；
[0098] 确定高地应力地区岩爆分级所有的影响因素指标；
[0099] 获取实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0100] 采用主成分分析法对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0101] 将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0102] 获取未开挖掌子面附近的指标变量值，并基于训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0103] 实施例子四
[0104] 本发明还公开了基于主成分分析和BP神经网络的岩爆等级预测系统，包括：
[0105] 影响因素指标确定模块：将岩爆强弱程度将岩爆等级分级；确定高地应力地区岩爆分级所有的影响因素指标；
[0106] 指标数据处理模块，获取实际工程中指标变量及相对应的实际岩爆等级数据，并对指标变量值进行均值方差归一化；
[0107] 采用主成分分析法对已开挖得到的指标变量进行主成分分析，得到若干主成分变量，并与根据岩爆强弱程度确定的岩爆等级相对应；
[0108] 模型建立模块，将所得到的若干指标变量作为输入指标，对应的岩爆等级作为输出值，采用BP神经网络算法对数据进行训练学习，建立各指标-岩爆等级的数学模型；
[0109] 预测模块，获取未开挖掌子面附近的指标变量值，并基于训练数据的平均值和标准差等进行主成分分析并提取相应的主成分变量，得到主成分后用已获得的数学模型进行岩爆等级预测。
[0110] 以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0111] 本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成
电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的
硬件和
软件的结合。
[0112] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0113] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或
变形仍在本发明的保护范围以内。
