[發明專利]一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法

在審

• 申請號: 202110960161.5
• 申請日: 2021-08-20
• 公開（公告）號: CN113762360A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 杜慶峰;李曉軍;張雙俐;徐錦程
• 申請（專利權）人: 同濟大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 彭瑤

本發明涉及一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，包括步驟：1)獲取TBM掘進參數數據和各個樁號的圍巖等級數據；2)數據清洗、特征提取及圍巖等級標注處理，作為機器學習模型的輸入；3)樣本不均衡處理；4)利用K折交叉驗證選擇機器學習模型的最優模型參數；5)進行模型訓練、評估與比對，獲取用于圍巖等級預測的機器學習模型，并設置比對模型對該模型的預測效果進行比對驗證；6)采用訓練好的模型進行圍巖等級預測并對軟弱圍巖進行預警。與現有技術相比，本發明具有預測模型預測準確率高，訓練速度快，適用于TBM盾構過程中的圍巖等級預測等優點。

技術領域

本發明涉及圍巖分級預測技術領域，尤其是涉及一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法。

背景技術

在隧道的掘進與施工中，正確的圍巖等級分類是評價圍巖穩定性和采取合理防護措施的重要依據之一。隧道圍巖的分類常采用指標評分的方法將圍巖進行等級的劃分，劃分出的每種等級圍巖穩定性不同。常見的方法如國外的施工中巖體質量(Q)指標分類法、地質力學分類法(RMR)，國內公路、鐵路隧道設計中對圍巖的分類方法、工程巖體分級標準等。這些方法都是一些半定性、半定量的方法，考慮的指標有限。在隧道實際施工過程中，若能通過設備采集到的各種數據對當前圍巖分級情況進行智能的預測，對于輔助施工人員進行及時的決策具有重要的意義。

近年來出現了圖像識別法、計算模型法和機器學習法對隧道掘進過程中的圍巖等級進行實時判斷。

(1)圖像識別法，如基于照相測量圍巖分級系統的分級方法，通過對掌子面圖像進行識別分析生成對應的三維圖再量化其結構，通過量化后的某些巖體特征參數對掌子面巖體等級進行劃分。該方法能對隧道開挖過程中掌子面的圍巖等級進行快速劃分，但由于采集的圖像資料數量及采集的范圍有限，且采集圖像為地表資料，對預測結果有一定的局限性。

(2)計算模型法，旨在將定性指標定量化，通過軟件或者理論公式構建一定的計算模型，將實際測得的參數代入模型即可獲得圍巖的分級情況。如利用數值模擬軟件FLAC3D，通過模擬圍巖沉降情況對圍巖穩定性進行評價；基于熵權-云模型的隧道圍巖分級方法等。該方法受限于指標數量的限制，無法適用于地質條件多變、指標變化大的情況。

(3)機器學習法，如通過BP神經網絡、廣義神經網絡、ADACOST算法等構建圍巖等級預測模型。BP神經網絡構建的模型在樣本數據分布不均衡的條件下效果不佳；廣義神經網絡構建的模型預測精度高，但是模型本身計算復雜度和空間復雜度高，不適用于地質條件多變的情況。ADACOST算法修改了ADABOOST算法的權重更新策略，能夠適應不平衡數據下的學習，訓練速度比神經網絡模型快且得到的模型預測精度高。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，該方法在學習層面采用ADACOST算法，在數據層面加入了SMOTE算法緩解數據不均衡問題，能夠進一步提高模型的整體穩健性和對軟弱圍巖的預測穩健性，能夠在采用TBM的隧道掘進過程中向施工人員提供更為準確的圍巖分級信息并對軟弱圍巖進行預警，為隧道施工人員提前做好防護措施起更好的指導作用。

本發明的目的可以通過以下技術方案來實現：

一種基于SMOTE+ADACOST算法的TBM掘進過程中的圍巖等級預測方法，該方法包括下列步驟：

S1：獲取TBM掘進參數數據和各個樁號的圍巖等級數據。

S2：對獲取的TBM掘進參數數據進行數據清洗、特征提取及圍巖等級標注處理，將處理后的數據與各個樁號的圍巖等級數據作為機器學習模型的輸入。

S3：對S2處理后的數據進行樣本不均衡處理。

S4：利用K折交叉驗證選擇機器學習模型的最優模型參數。