[發(fā)明專利]一種隧道施工過程中圍巖實(shí)時(shí)分級(jí)預(yù)測(cè)及自檢方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010099129.8
• 申請(qǐng)日: 2020-02-18
• 公開（公告）號(hào): CN111291934B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 蔣宇靜;劉建康;王剛;張學(xué)朋;欒恒杰
• 申請(qǐng)（專利權(quán)）人: 山東科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/0639;G06Q50/08;G06N3/126
• 代理公司: 濟(jì)南金迪知識(shí)產(chǎn)權(quán)代理有限公司 37219
• 代理人: 段毅凡

1.?一種隧道施工過程中圍巖實(shí)時(shí)分級(jí)預(yù)測(cè)及自檢方法，其特征在于，它是在隧道開挖過程中，對(duì)掘進(jìn)工作面前方進(jìn)行超前鉆探，通過采集鉆機(jī)的鉆進(jìn)參數(shù)、巖體基本質(zhì)量指標(biāo)和相應(yīng)的圍巖等級(jí)，建立樣本數(shù)據(jù)，同時(shí)建立多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型和優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并對(duì)比選定最優(yōu)的預(yù)測(cè)性能，對(duì)待分級(jí)預(yù)測(cè)的隧道圍巖，一種方式是通過利用確定的最優(yōu)的巖體基本質(zhì)量指標(biāo)值預(yù)測(cè)模型直接實(shí)時(shí)預(yù)測(cè)圍巖的巖體基本質(zhì)量指標(biāo)間接的預(yù)測(cè)圍巖等級(jí)，另一種方式利用確定的最優(yōu)的圍巖等級(jí)編碼值預(yù)測(cè)模型直接實(shí)時(shí)預(yù)測(cè)圍巖等級(jí)，兩種方式同步進(jìn)行；獲得的兩種等級(jí)結(jié)果自動(dòng)進(jìn)行對(duì)比驗(yàn)證，記錄兩種等級(jí)結(jié)果不同的鉆進(jìn)持續(xù)累計(jì)距離，對(duì)于鉆進(jìn)持續(xù)累計(jì)距離達(dá)到預(yù)先設(shè)定的臨界閾值時(shí)進(jìn)行提醒，采集出現(xiàn)提醒的區(qū)段圍巖的鉆進(jìn)參數(shù)、巖體質(zhì)量指標(biāo)和相應(yīng)的圍巖等級(jí)對(duì)樣本數(shù)據(jù)進(jìn)行擴(kuò)充更新，具體步驟如下：

第一步：樣本數(shù)據(jù)采集

隧道項(xiàng)目施工中，分別選定各圍巖等級(jí)對(duì)應(yīng)的30-50米作為樣本數(shù)據(jù)采集區(qū)段，對(duì)各圍巖等級(jí)的樣本數(shù)據(jù)進(jìn)行巖體質(zhì)量指標(biāo)的測(cè)定和圍巖等級(jí)的評(píng)定，得到巖體基本質(zhì)量指標(biāo)值和圍巖等級(jí)，所述的圍巖等級(jí)以阿拉伯?dāng)?shù)字序號(hào)表示；同時(shí)隨著隧道開挖掘進(jìn)對(duì)各采集區(qū)段圍巖進(jìn)行超前鉆進(jìn)，并同步采集鉆進(jìn)參數(shù)；

所述的鉆進(jìn)參數(shù)包括：鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率、擊打壓力和鉆比能量，其中鉆進(jìn)速度、扭矩、推進(jìn)力、擊打頻率和擊打壓力為直接測(cè)得的鉆進(jìn)參數(shù)，鉆比能量為鉆進(jìn)單位體積巖石所需要的能量，是間接計(jì)算得到的鉆進(jìn)參數(shù)，鉆比能量的計(jì)算公式為：，其中，E_d?為鉆進(jìn)比能，A為鉆桿截面積，L為鉆桿沖程，N_s為擊打壓力，f為擊打頻率，v為鉆進(jìn)速度，S?為鉆孔直徑，k為損失系數(shù)；

第二步：樣本數(shù)據(jù)預(yù)處理

對(duì)步驟一采集到的各采集區(qū)段圍巖等級(jí)序號(hào)數(shù)據(jù)進(jìn)行編碼，按矩陣[0?0?1?0?0…]中數(shù)字1從左至右所處的位數(shù)對(duì)應(yīng)圍巖等級(jí)的序號(hào)進(jìn)行編號(hào)，建立A、B兩類樣本數(shù)據(jù)庫分別作為兩種預(yù)測(cè)方式的樣本數(shù)據(jù)庫，其中：每個(gè)采集區(qū)段的一組鉆進(jìn)參數(shù)和相對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)值組成一個(gè)數(shù)據(jù)集，每個(gè)采集區(qū)段所有采集到的鉆機(jī)參數(shù)和相對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)值組成的數(shù)據(jù)集則構(gòu)成了各自采集區(qū)段的A類樣本數(shù)據(jù)庫；同理每個(gè)采集區(qū)段的一組鉆進(jìn)參數(shù)和相對(duì)應(yīng)的圍巖等級(jí)編碼組成一個(gè)數(shù)據(jù)集，每個(gè)采集區(qū)段所有采集到的鉆機(jī)參數(shù)和相對(duì)應(yīng)的圍巖等級(jí)編碼組成的數(shù)據(jù)集則構(gòu)成了各自采集區(qū)段的B類樣本數(shù)據(jù)庫，將A、B類樣本數(shù)據(jù)庫中的6個(gè)鉆進(jìn)參數(shù)、巖體基本質(zhì)量指標(biāo)值和圍巖等級(jí)編碼值歸一化到[0-1]數(shù)值；

第三步：確定最優(yōu)預(yù)測(cè)模型及參數(shù)

具體包括預(yù)測(cè)方式①和預(yù)測(cè)方式②，預(yù)測(cè)方式①是確定最優(yōu)的巖體基本質(zhì)量指標(biāo)值預(yù)測(cè)模型及參數(shù)，預(yù)測(cè)方式②是確定最優(yōu)的圍巖等級(jí)編碼值預(yù)測(cè)模型及參數(shù)：

3.1：預(yù)測(cè)方式①

將采集到的A類樣本數(shù)據(jù)庫按80%和20%的比例劃分為訓(xùn)練集和測(cè)試集，鉆進(jìn)參數(shù)作為預(yù)測(cè)模型的輸入，巖體基本質(zhì)量指標(biāo)值作為預(yù)測(cè)模型的輸出，詳細(xì)步驟如下：

3.1.1：采用多元線性回歸模型對(duì)巖體基本質(zhì)量指標(biāo)值的預(yù)測(cè)

對(duì)訓(xùn)練集進(jìn)行多元線性回歸擬合，得到擬合方程，再將測(cè)試集的鉆進(jìn)參數(shù)代入到得到的擬合方程，求出對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值，即均方根誤差RMSE、決定系數(shù)R²、方差占比VAF值；

3.1.2：采用神經(jīng)網(wǎng)絡(luò)模型對(duì)巖體基本質(zhì)量指標(biāo)值進(jìn)行預(yù)測(cè)，確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.2.1：采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、動(dòng)量系數(shù)和激活函數(shù)；

3.1.2.2：設(shè)置對(duì)照試驗(yàn)，將神經(jīng)網(wǎng)絡(luò)的輸入維度分別設(shè)置為1至6，對(duì)于每一維數(shù)來說，具有不同的鉆進(jìn)參數(shù)組合，將神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層，隱含層節(jié)點(diǎn)數(shù)設(shè)置為30，然后對(duì)訓(xùn)練集進(jìn)行訓(xùn)練后得到訓(xùn)練集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，將測(cè)試集的鉆進(jìn)參數(shù)輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，得到測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，分別對(duì)所有訓(xùn)練集和測(cè)試集得到的模型評(píng)價(jià)指標(biāo)進(jìn)行排序，排序原則為，越小的RMSE值、越大的R²和VAF值獲得的排序序號(hào)值越大，將每個(gè)訓(xùn)練集和測(cè)試集相對(duì)應(yīng)的三個(gè)模型評(píng)價(jià)指標(biāo)排序序號(hào)值分別進(jìn)行相加，每個(gè)訓(xùn)練集和測(cè)試集都得到三個(gè)指標(biāo)的總排序序號(hào)值，最大的序號(hào)值對(duì)應(yīng)的結(jié)果即為最優(yōu)的模型評(píng)價(jià)指標(biāo)值，以此來確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入維度，即確定最優(yōu)的鉆進(jìn)參數(shù)組合；

3.1.2.3：設(shè)置對(duì)照試驗(yàn)，設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，將步驟3.1.2.2中驟確定的最優(yōu)鉆進(jìn)參數(shù)組合設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，神將網(wǎng)絡(luò)的隱含層設(shè)置為1層，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值，同時(shí)確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)；

3.1.3：采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)巖體基本質(zhì)量指標(biāo)值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用步驟3.1.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定遺傳算法的主要參數(shù)，并得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.3.1：采用試錯(cuò)法確定最優(yōu)的變異概率和交叉概率參數(shù)；

3.1.3.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.1.3.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)指標(biāo)RMSE值，對(duì)于所有的種群數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

3.1.3.4：采用步驟3.1.3.1到3.1.3.3中確定的最優(yōu)遺傳算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.4：采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)巖體基本質(zhì)量指標(biāo)值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.1.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.4.1：采用試錯(cuò)法確定神經(jīng)網(wǎng)絡(luò)模型最優(yōu)的自適應(yīng)參數(shù)c_1、?c₂和慣性因子參數(shù)；

3.1.4.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.1.4.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)RMSE值，對(duì)于所有的種群數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為種群算法最優(yōu)的最大迭代次數(shù)；

3.1.4.4：采用步驟3.1.4.1到步驟3.1.4.3中確定的最優(yōu)種群算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.5：采用帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)巖體基本質(zhì)量指標(biāo)值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用帝國競爭算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.1.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，從而確定帝國競爭算法的主要參數(shù)，最終確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值：

3.1.5.1：采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型隨機(jī)數(shù)β、偏移方向θ?和殖民地影響因子ξ參數(shù)；

3.1.5.2：對(duì)于總國家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集對(duì)應(yīng)的的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的總國家數(shù)量；

3.1.5.3：對(duì)于帝國主義國家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數(shù)量設(shè)置為步驟3.1.5.2中確定的最優(yōu)總國家數(shù)量，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的帝國主義國家數(shù)量；

3.1.5.4：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，總國家數(shù)量分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義國家數(shù)量設(shè)置為步驟3.1.5.3中確定的最優(yōu)帝國主義國家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)指標(biāo)RMSE值，對(duì)于所有的總國家數(shù)量相應(yīng)的RMSE值不再繼續(xù)降低的最大迭代次數(shù)即為帝國競爭算法最優(yōu)的最大迭代次數(shù)；

3.1.5.5：采用步驟3.1.5.1到步驟3.1.5.4中確定的最優(yōu)帝國競爭算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的巖體基本質(zhì)量指標(biāo)預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)RMSE、R²、VAF值，利用步驟3.1.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.1.6：對(duì)步驟3.1.1到步驟3.1.5獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型獲得的最優(yōu)模型評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比，同樣利用步驟3.1.2.2中的排序原則，最終確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值，進(jìn)而確定最優(yōu)的巖體基本質(zhì)量指標(biāo)值預(yù)測(cè)模型及參數(shù)；

3.2：預(yù)測(cè)方式②

將采集到的B類樣本數(shù)據(jù)庫按80%和20%的比例劃分為訓(xùn)練集和測(cè)試集，鉆進(jìn)參數(shù)作為預(yù)測(cè)模型的輸入，圍巖等級(jí)編碼值作為預(yù)測(cè)模型的輸出，確定最優(yōu)的圍巖等級(jí)編碼值預(yù)測(cè)模型及參數(shù)，詳細(xì)步驟如下：

3.2.1：采用多元線性回歸模型對(duì)圍巖等級(jí)編碼值的預(yù)測(cè)

對(duì)訓(xùn)練集進(jìn)行多元線性回歸擬合，得到擬合方程，再將測(cè)試集的鉆進(jìn)參數(shù)代入到得到的擬合方程，求出測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)測(cè)試集圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算最優(yōu)的模型評(píng)價(jià)指標(biāo)值，也就是預(yù)測(cè)的正確率；

3.2.2：采用神經(jīng)網(wǎng)絡(luò)模型對(duì)圍巖等級(jí)編碼值進(jìn)行預(yù)測(cè)，從而確定神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率：

3.2.2.1:采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率、動(dòng)量系數(shù)、激活函數(shù)；

3.2.2.2:對(duì)于神經(jīng)網(wǎng)絡(luò)的輸入維度，設(shè)置對(duì)照試驗(yàn)，神經(jīng)網(wǎng)絡(luò)的輸入維度分別設(shè)置為1至6，對(duì)于每一維數(shù)來說，具有不同的鉆進(jìn)參數(shù)組合，將神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)置為1層，隱含層節(jié)點(diǎn)數(shù)設(shè)置為30，然后對(duì)訓(xùn)練集進(jìn)行訓(xùn)練得到訓(xùn)練集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，將測(cè)試集的鉆進(jìn)參數(shù)輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，得到測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)-預(yù)測(cè)的正確率,分別對(duì)訓(xùn)練集和測(cè)試集得到的模型評(píng)價(jià)指標(biāo)進(jìn)行排序,排序原則為，越大的正確率值獲得的排序序號(hào)值越大，最大的序號(hào)值對(duì)應(yīng)的結(jié)果即為最優(yōu)的模型評(píng)價(jià)指標(biāo)值，以此來確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入維度，即確定最優(yōu)的鉆進(jìn)參數(shù)組合；

3.2.2.3:設(shè)置對(duì)照試驗(yàn)，設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，將步驟3.2.2.2確定的最優(yōu)鉆進(jìn)參數(shù)組合設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入，神將網(wǎng)絡(luò)的隱含層設(shè)置為1層，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)-預(yù)測(cè)的正確率,利用步驟3.2.2.2中的排序原則，確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，同時(shí)得優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確到最率，進(jìn)而確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

3.2.3：采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)圍巖等級(jí)編碼值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則采用步驟3.2.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，以便確定遺傳算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確到最率：

3.2.3.1：采用試錯(cuò)法確定最優(yōu)的變異概率和交叉概率參數(shù)；

3.2.3.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)-預(yù)測(cè)的正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.2.3.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)指標(biāo)-預(yù)測(cè)的正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為遺傳算法最優(yōu)的最大迭代次數(shù)；

3.2.3.4：采用步驟3.2.3.1到步驟3.2.3.3中確定的最優(yōu)遺傳算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率；

3.2.4：采用種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)圍巖等級(jí)編碼值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用種群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，以便確定種群算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率：

3.2.4.1：采用試錯(cuò)法確定最優(yōu)的自適應(yīng)參數(shù)c₁、c₂和慣性因子參數(shù)；

3.2.4.2：對(duì)于種群數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的種群數(shù)量；

3.2.4.3：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，種群數(shù)量分別設(shè)置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值計(jì)算訓(xùn)練集的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率，對(duì)于所有的種群數(shù)量相應(yīng)的預(yù)測(cè)正確率值不再繼續(xù)升高的最大迭代次數(shù)即為種群算法最優(yōu)的最大迭代次數(shù)；

3.2.4.4：采用步驟3.2.4.1到步驟3.2.4.3中確定的最優(yōu)種群算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值；

3.2.5：采用帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)圍巖等級(jí)編碼值進(jìn)行預(yù)測(cè)，該優(yōu)化也就是采用帝國競爭算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值，神經(jīng)網(wǎng)絡(luò)模型參數(shù)則同樣采用步驟3.2.2中確定的最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)，以便確定帝國競爭算法的主要參數(shù)，得到最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)的正確率：

3.2.5.1：采用試錯(cuò)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型隨機(jī)數(shù)β、偏移方向θ?和殖民地影響因子ξ參數(shù)；

3.2.5.2：對(duì)于總國家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數(shù)量為50，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的總國家數(shù)量；

3.2.5.3：對(duì)于帝國主義國家數(shù)量，設(shè)置對(duì)照試驗(yàn)，分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數(shù)量設(shè)置為步驟3.2.5.2中確定的最優(yōu)的總國家數(shù)量，最大迭代次數(shù)設(shè)置為100，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的帝國主義國家數(shù)量；

3.2.5.4：最大迭代次數(shù)的確定，設(shè)置對(duì)照試驗(yàn)，總國家數(shù)量分別設(shè)置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義數(shù)量設(shè)置為步驟3.2.5.3中確定的最優(yōu)帝國主義國家數(shù)量，最大迭代次數(shù)設(shè)置為1000，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，記錄訓(xùn)練集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值計(jì)算它的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)正確率，對(duì)于所有的總國家數(shù)量相應(yīng)的預(yù)測(cè)正確率不再繼續(xù)升高的最大迭代次數(shù)即為帝國競爭算法最優(yōu)的最大迭代次數(shù)；

3.2.5.5：采用步驟3.2.5.1到步驟3.2.5.4中確定的最優(yōu)帝國競爭算法參數(shù)，再次對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行訓(xùn)練和測(cè)試，分別記錄訓(xùn)練集和測(cè)試集對(duì)應(yīng)的圍巖等級(jí)編碼預(yù)測(cè)值，根據(jù)訓(xùn)練集和測(cè)試集的圍巖等級(jí)編碼預(yù)測(cè)值和實(shí)際值分別計(jì)算它們的模型評(píng)價(jià)指標(biāo)正確率，利用步驟3.2.2.2中的排序原則，確定最優(yōu)的模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)正確率；

3.2.6：對(duì)步驟3.2.1到步驟3.2.5獲得的多元線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、種群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、帝國競爭算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型獲得的最優(yōu)模型評(píng)價(jià)指標(biāo)值-預(yù)測(cè)正確率進(jìn)行對(duì)比，同樣利用步驟3.2.2.2中的排序原則，最終確定最優(yōu)的模型評(píng)價(jià)指標(biāo)正確率值，進(jìn)而確定不同圍巖等級(jí)下的最優(yōu)的圍巖等級(jí)編碼值預(yù)測(cè)模型及參數(shù)；

第四步：圍巖等級(jí)快速實(shí)時(shí)預(yù)測(cè)

在待預(yù)測(cè)隧道項(xiàng)目開挖施工時(shí)，對(duì)待預(yù)測(cè)的圍巖僅記錄鉆機(jī)鉆進(jìn)參數(shù)，采集的鉆機(jī)鉆進(jìn)參數(shù)經(jīng)預(yù)處理得到歸一化后的鉆進(jìn)參數(shù)，再利用步驟三獲得的最優(yōu)的巖體基本質(zhì)量指標(biāo)值預(yù)測(cè)模型和圍巖等級(jí)編碼值預(yù)測(cè)模型對(duì)預(yù)處理后的鉆進(jìn)參數(shù)進(jìn)行分析，最終得到預(yù)測(cè)方式①、②預(yù)測(cè)出的圍巖等級(jí)；

第五步：對(duì)步驟四獲得的兩種等級(jí)結(jié)果自動(dòng)進(jìn)行對(duì)比驗(yàn)證，記錄兩種等級(jí)結(jié)果不同的鉆進(jìn)持續(xù)累計(jì)距離，對(duì)于鉆進(jìn)持續(xù)累計(jì)距離達(dá)到預(yù)先設(shè)定的臨界閾值時(shí)進(jìn)行提醒，采集出現(xiàn)提醒的區(qū)段圍巖的鉆進(jìn)參數(shù)、巖體質(zhì)量指標(biāo)和相應(yīng)的圍巖等級(jí)對(duì)樣本數(shù)據(jù)進(jìn)行擴(kuò)充更新。