[發(fā)明專利]基于正態(tài)化與平衡化集成Voting的巖爆烈度分級預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210011696.2
• 申請日: 2022-01-06
• 公開（公告）號: CN114547965A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 葉義成;譚文侃;胡南燕;王其虎;姚囝;羅斌玉;柯麗華;張光權(quán)
• 申請（專利權(quán)）人: 武漢科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06Q10/04;G06F119/14
• 代理公司: 蘇州優(yōu)博知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32487
• 代理人: 呂明霞

本發(fā)明涉及一種基于正態(tài)化與平衡化集成Voting的巖爆烈度分級預(yù)測方法，S1：搜集、整理并匯總國內(nèi)外巖爆烈度分級數(shù)據(jù)構(gòu)建巖爆數(shù)據(jù)集；S2：對構(gòu)建的巖爆數(shù)據(jù)集先后使用Yeo?Johnson變換與K?means SMOTE過采樣將數(shù)據(jù)正態(tài)化與平衡化處理；S3：以處理好的巖爆數(shù)據(jù)集為輸入構(gòu)建多個機器學習巖爆烈度分級預(yù)測模型；S4：計算各個模型預(yù)測性能好壞與預(yù)測結(jié)果差異的綜合權(quán)重；S5：將所有機器學習模型放入Voting進行訓練預(yù)測，用窮取法依次剔除權(quán)重小的模型篩得最優(yōu)Voting巖爆烈度分級預(yù)測模型，對基模型預(yù)測結(jié)果采用少數(shù)服從多數(shù)原則，投票確定最終的預(yù)測結(jié)果。本發(fā)明數(shù)據(jù)優(yōu)化上減少離群點以及數(shù)據(jù)不平衡的影響，算法優(yōu)化上集成多個優(yōu)秀模型，對提高巖爆預(yù)測的精度有重要意義。

技術(shù)領(lǐng)域

本發(fā)明涉及巖爆烈度分級預(yù)測領(lǐng)域，尤其涉及一種基于正態(tài)化與平衡化集成Voting的巖爆烈度分級預(yù)測方法。

背景技術(shù)

巖爆，是指在高地應(yīng)力環(huán)境下，巖體內(nèi)部存儲的彈性應(yīng)變能受工程開挖擾動影響突然釋放，造成巖塊猛烈剝落、彈射、拋射并伴隨有巨響和震動的一種復(fù)雜的動力地質(zhì)災(zāi)害。近年來，全球工程建設(shè)過程中產(chǎn)生的巖爆災(zāi)害隨著工程埋深的增加或地應(yīng)力水平的提高而呈頻發(fā)趨勢。巖爆不僅影響工程建設(shè)的進程，還威脅著工作人員的生命以及財產(chǎn)安全。若能準確預(yù)測巖爆的發(fā)生，提前采取防護措施減少巖爆的發(fā)生，能極大地降低工作人員的傷亡和財產(chǎn)損失。因此，巖爆的準確預(yù)測地下工程的施工進度以及作業(yè)人員安全的保障尤為重要。

為了能準確預(yù)測巖爆災(zāi)害的發(fā)生，技術(shù)人員進行了深入的研究與技術(shù)開發(fā)：公告號為CN106407493B的中國發(fā)明專利公開了“一種基于多維高斯云模型的巖爆等級評價方法”，公告號為CN112699553B的中國發(fā)明專利公開了“一種巖爆烈度等級智能預(yù)測系統(tǒng)方法”，這兩件專利技術(shù)均采用多維正態(tài)云模型與指標權(quán)重相結(jié)合的方法巖爆樣本的烈度等級，多維正態(tài)云模型中的參數(shù)期望、熵與超熵的值均依據(jù)表1巖爆預(yù)測指標分級標準來確定。但該巖爆預(yù)測指標等級劃分過硬，不同巖爆等級區(qū)分過于明確，通過超過某一數(shù)值或者小于某一數(shù)值確定巖爆等級。由此該模型在一百以上樣本構(gòu)成的大巖爆數(shù)據(jù)集的預(yù)測效果不佳，模型的泛化能力不強。圍巖最大切向應(yīng)力(σ_θ)、巖石單軸抗壓強度(σ_c)、巖石單軸抗拉強度(σ_t)、巖石彈性應(yīng)變能指數(shù)(w_et)、巖石應(yīng)力系數(shù)(σ_θ/σ_c)與巖石脆性系數(shù)(σ_c/σ_t)為巖爆預(yù)測指標。

表1：巖爆預(yù)測指標分級標準

公布號為CN110889440A的中國專利申請公開了“基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的巖爆等級預(yù)測方法及系統(tǒng)”，該技術(shù)方案忽視了巖爆現(xiàn)象發(fā)生的不均勻，即Ⅰ級與Ⅳ級巖爆災(zāi)害發(fā)生較少，Ⅱ級與Ⅲ級巖爆災(zāi)害發(fā)生較多，各等級巖爆數(shù)據(jù)不平衡。此外采用單一的機器學習算法進行巖爆等級預(yù)測與集成方法相比，單一機器學習模型的預(yù)測性能遠不如能綜合多個機器學習模型的集成學習預(yù)測性能。

發(fā)明內(nèi)容

本發(fā)明為解決現(xiàn)有技術(shù)中存在的問題，提供一種預(yù)測精度高的基于正態(tài)化與平衡化集成Voting的巖爆烈度分級預(yù)測方法。

為解決上述技術(shù)問題，本發(fā)明的基于正態(tài)化與平衡化集成Voting的巖爆烈度分級預(yù)測方法包括如下步驟：

步驟S1：搜集、整理并匯總國內(nèi)外巖爆烈度分級數(shù)據(jù)，確定圍巖最大切向應(yīng)力、巖石單軸抗壓強度、巖石單軸抗拉強度、巖石彈性應(yīng)變能指數(shù)、巖石應(yīng)力系數(shù)和巖石脆性系數(shù)為巖爆的影響因素，巖爆等級分為：Ⅰ級為無巖爆，Ⅱ級為輕微巖爆，Ⅲ級為中等巖爆，Ⅳ級為強烈?guī)r爆，以此構(gòu)建巖爆數(shù)據(jù)集；

步驟S2：對步驟S1中構(gòu)建的巖爆數(shù)據(jù)集，先后使用Yeo-Johnson變換與K-meansSMOTE過采樣將數(shù)據(jù)正態(tài)化與平衡化處理；

步驟S3：以步驟S2中正態(tài)化與平衡化后的巖爆數(shù)據(jù)集為輸入，構(gòu)建多個機器學習巖爆烈度分級預(yù)測模型；