黄金科学技术
img

QQ群聊

img

官方微信

  • CN 62-1112/TF　
  • ISSN 1005-2518　
  • 创刊于1988年
高级检索
作者投稿 专家审稿 编辑办公

黄金科学技术, 2020, 28(6): 920-929 doi: 10.11872/j.issn.1005-2518.2020.06.069

采选技术与矿山管理

基于机器学习的3种岩爆烈度分级预测模型对比研究

田睿,1, 孟海东,1, 陈世江1, 王创业1, 孙德宁2, 石磊3

1.内蒙古科技大学矿业研究院，内蒙古 包头 014010

2.东北大学深部金属矿山安全开采教育部重点实验室，辽宁 沈阳 110819

3.内蒙古自治区地质环境监测院，内蒙古 呼和浩特 010020

Comparative Study on Three Rockburst Prediction Models of Intensity Classi-fication Based on Machine Learning

TIAN Rui,1, MENG Haidong,1, CHEN Shijiang1, WANG Chuangye1, SUN Dening2, SHI Lei3

1.Institute of Mining Engineering，Inner Mongolia University of Science and Technology，Baotou 014010，Inner Mongolia，China

2.Key Laboratory of Ministry of Education on Safe Mining of Deep Metal Mines，Northeastern University，Shenyang 110819，Liaoning，China

3.Inner Mongolia Institute of Geological Environmental Monitoring，Hohhot 010020，Inner Mongolia，China

通讯作者: 孟海东（1958-），男，内蒙古托克托人，教授，从事数字矿山理论与技术、数据挖掘及绿色开采地质保障技术等方面的研究工作。haidongm@imust.cn

收稿日期: 2020-04-08   修回日期: 2020-07-11   网络出版日期: 2021-01-29

基金资助: 国家自然科学基金项目“考虑三维岩体结构面各向异性特征的剪切强度研究”.  51564038
“基于监测信息的露天矿边坡稳定性研究”.  51464036
内蒙古自治区自然科学基金项目“厚煤层采动覆岩破断演化致灾机理研究”.  2018MS05037
内蒙古自治区博士研究生科研创新资助项目“基于数据挖掘技术的岩爆预测研究”.  B20171012702

Received: 2020-04-08   Revised: 2020-07-11   Online: 2021-01-29

作者简介 About authors

田睿（1988-），男，内蒙古四子王旗人，博士研究生，工程师，从事岩石力学与数据挖掘方面的研究工作tianrui6251@126.com , E-mail：tianrui6251@126.com

摘要

岩爆是大型地下岩土和深部资源开采工程中必须要解决的关键科学问题之一。综合考虑岩爆的影响因素、特点以及内外因条件，选取洞壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数组成岩爆预测指标体系。运用文献调研法，建立了一个包含301组岩爆工程实例的数据库，并以此作为岩爆预测的样本数据。为准确可靠地预测岩爆灾害，基于机器学习技术，建立了RF-AHP-云模型、IGSO-SVM和DA-DNN 3种岩爆预测模型。通过对60组预测样本进行岩爆预测的工程实例分析，验证了3种模型的有效性和正确性。研究结果表明：DA-DNN、IGSO-SVM和RF-AHP-云模型的预测准确率分别为98.3%、90.0%和85.0%；DA-DNN模型理论通俗易懂，编码相对简单，容易实现；随着岩爆数据量的增加，DA-DNN模型应用前景更加广阔。

关键词： 岩爆预测 ; 机器学习 ; 随机森林 ; 云模型 ; 支持向量机 ; 深度神经网络

Abstract

Rockburst is one of the key scientific problems that must be solved in large-scale underground geotechnical engineering and deep mineral resource mining.The safety of personnel and equipment on site was directly threatened by rockburst.Rockburst could be effectively avoided and controlled in time by scientific and accurate rockburst prediction of intensity classification.Through the analysis of six rockburst engineering examples，on the basis of the factors，characteristics and causes of rockburst，a rockburst prediction index system composed of four evaluation indices，i.e.，tunnel-wall surrounding rock’s maximum tangential stress，rock uniaxial compressive strength，rock uniaxial tensile strength，and rock elastic energy index was established.With reference to other rockburst intensity classification schemes，considering the intensity of rockburst occurrence and the main influencing factors，the rockburst intensity was divided into four levels：None rockburst（Ⅰ），slight rockburst（Ⅱ），intermediate rockburst（Ⅲ） and strong rockburst（Ⅳ）.According to the selected rockburst evaluation index and rockburst intensity grade，a literature survey method was used to establish a database containing 301 groups of rockburst engineering examples，which would be used as the sample data for rockburst prediction.In order to accurately and reliably predicted rockburst disasters，machine learning technology was introduced.First，a random forest-based rockburst evaluation index importance analysis model was established，a new index weight calculation method of random forest-analytic hierarchy processs was proposed，and the rockburst prediction model based on the RF-AHP-cloud model was constructed.Then，the firefly algorithm based on good point set variable step strategy was introduced to optimize the penalty parameters and radial basis function parameters of the support vector machine，and the rockburst prediction model based on ⅠGSO-SVM was constructed.Finally，the Dropout method was used to regularize the model，and the improved Adam algorithm was used to update weight，and the rockburst prediction model based on DA-DNN was constructed.The effectiveness and correctness of the three models were validated by the prediction results of 60 groups of rockburst engineering examples.The research results show that：The DA-DNN，ⅠGSO-SVM，and RF-AHP-cloud model have prediction accuracy rates of 98.3%，90.0% and 85.0%.The core of rockburst intensity classification prediction based on cloud model is weight determination，and the RF-AHP weight calculation method proposed in this paper has a good effect.The data-driven ⅠGSO-SVM and DA-DNN models are based on rockburst engineering instance data.Through data mining，the rockburst intensity level can be effectively predicted，and higher prediction accuracy can be achieved by improvement.The theory of DA-DNN model is easy to understand，the coding is relatively simple and it is easy to implement.As various underground geotechnical engineering develops deeper，rockburst disasters occur frequently，the amount of rockburst data is increasing，and the DA-DNN model has a wider application prospect.

Keywords： rockburst prediction ; machine learning ; random forest ; cloud model ; support vector machine ; deep neural network

PDF (1375KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

田睿, 孟海东, 陈世江, 王创业, 孙德宁, 石磊. 基于机器学习的3种岩爆烈度分级预测模型对比研究[J]. 黄金科学技术, 2020, 28(6): 920-929 doi:10.11872/j.issn.1005-2518.2020.06.069

TIAN Rui, MENG Haidong, CHEN Shijiang, WANG Chuangye, SUN Dening, SHI Lei. Comparative Study on Three Rockburst Prediction Models of Intensity Classi-fication Based on Machine Learning[J]. Gold Science and Technology, 2020, 28(6): 920-929 doi:10.11872/j.issn.1005-2518.2020.06.069

岩爆是因在高地应力条件下进行地下岩土工程开挖或者深部资源开采，导致围岩中聚积的弹性应变能瞬间释放，产生的一种突发的动力失稳地质灾害［1］。岩爆直接威胁现场人员和设备的安全，必须采取相应的防控措施［2-4］。作为防控核心的岩爆烈度等级预测至关重要，若能科学准确地预测岩爆等级就可以有效控制岩爆［5］。

目前，关于岩爆预测方法的研究可总结为3类：第一类是基于岩爆机理的岩爆判据方法，如Russense判据和Barton判据等；第二类是基于现场实测的岩爆预测方法，如微震法和声发射法等；第三类是基于岩爆影响因素的岩爆综合预测方法。第三类方法相对全面，能够较好地指导工程实践，是目前岩爆预测研究的重点。第三类方法又可具体细分为两类：（1）基于岩爆指标判据的预测方法，主要有模糊综合评判模型［6］、物元可拓模型［7］、理想点模型［8］和云模型［9］等；（2）基于岩爆工程实例数据的预测方法，主要有决策树模型［10］、支持向量机模型［11］、神经网络模型［5］和贝叶斯判别模型［12］等。

上述岩爆预测的判据和方法均从不同角度取得了一定的预测效果，极大地推动了岩爆预测研究的发展。然而岩爆受众多因素影响，至今没有明确的机理解释，各类预测方法自身仍有不足之处，具体如下：（1）岩爆预测是一个复杂的非线性问题，没有一个数学或者力学理论可以准确描述；（2）基于岩爆指标判据的预测方法的关键问题是指标权重的确定，如何降低人为因素影响，对最终预测结果至关重要；（3）基于岩爆工程实例数据的预测方法具有普遍意义，遇到具体问题需要适当调整参数，模型复杂与否直接影响调参的难易程度。因此，不断地改进现有方法，或者探索引入新方法，对于岩爆研究意义重大，不仅可以提高岩爆预测的准确性，还可为地下工程的安全防护、合理施工提供科学依据。目前，基于数据驱动的机器学习技术，特别是深度学习技术，在图像分类、语音识别和自然语言理解等领域取得了巨大的进展，是人工智能研究的热点。本文引入机器学习相关技术，基于岩爆工程实例数据库，建立并对比分析了3个岩爆烈度分级预测模型。

1 岩爆工程实例数据库

随着各类地下岩土工程向深部发展，埋深增加，地应力增高，岩体赋存的环境更加复杂，因开挖或开采扰动诱发的岩爆灾害越来越严重，大量的岩爆数据不断产生。因此，有必要及时搜集、整理已发生的岩爆数据，并建立岩爆工程案例数据库，研究数据之间的相关关系和定量表征。

1.1 岩爆评价指标选取

岩爆评价指标的选取是岩爆预测的重要步骤，科学合理地确定评价指标尤为重要。所选岩爆评价指标应是以往实例有记载且现实中容易获得参数值的指标［5］。本文通过对锦屏二级水电站［13］、太平驿水电站［14］、秦岭隧道［15］、桑珠岭隧道［16］、巴玉隧道［16］、冬瓜山铜矿［9］和阿舍勒铜矿［17］7个岩爆工程实例的分析，在现有研究的基础上［5-12］，综合考虑岩爆的影响因素、特点和内外因条件，选取洞壁围岩最大切向应力σθ、岩石单轴抗压强度σc、岩石单轴抗拉强度σt和岩石弹性能量指数Wet作为岩爆评价指标。

1.2 岩爆烈度等级确定

迄今为止，岩爆烈度尚无统一标准，国内外学者均对岩爆烈度划分开展过研究工作［1，13，18-19］。Russeness［18］的岩爆烈度分级方案在国外很有影响。在二郎山隧道和锦屏二级水电站辅助洞岩爆研究的基础上，李天斌等［13］提出了岩爆烈度分级方案（RMS），将岩爆分为4级。在上述研究的基础上，参照其他岩爆预测研究［5-12］，本文考虑岩爆发生的强弱程度和主要影响因素，将岩爆烈度划分为4级，即：Ⅰ级（无岩爆）、Ⅱ级（轻微岩爆）、Ⅲ级（中级岩爆）和Ⅳ级（强烈岩爆）。

1.3 岩爆预测数据库的建立

如表1所示，根据所选取的岩爆评价指标和岩爆烈度等级，运用文献调研法建立了一个包含301组岩爆工程实例的数据库（所有数据样本都具有完整的独立四因素σθ、σc、σt、Wet），作为岩爆烈度分级预测的样本数据，为后文研究提供基础。

表1   岩爆工程实例数据库（ 部分数据）

Table 1  Rockburst project instance database（partial data）

序号工程名称σθσcσtWet岩爆等级
8瀑布沟水电站洞室[20]43.4123.06.05.0中级岩爆
18意大利Raibl矿井巷道[20]108.4140.08.05.5强烈岩爆
157括苍山隧道[21]13.9124.04.22.0无岩爆
203共和隧道[22]42.450.06.15.3轻微岩爆
︙︙︙︙︙︙︙
292美国Galena金矿[23]52.0175.07.05.2中级岩爆
301巴玉隧道[23]74.2190.08.97.1强烈岩爆

新窗口打开| 下载CSV


岩爆预测数据库中各等级岩爆实例分布如图1所示，其中无岩爆（Ⅰ级）样本49组，占16%；轻微岩爆（Ⅱ级）样本79组，占26%；中级岩爆（Ⅲ级）样本119组，占40%；强烈岩爆（Ⅳ级）样本54组，占18%。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   各等级岩爆分布

Fig.1   Levels of rockburst distribution


2 岩爆烈度分级预测模型

基于岩爆工程实例数据库，引入机器学习（深度学习）相关技术，建立了3个岩爆烈度分级预测模型。模型实现使用的工具是基于Python3.7的Anaconda+PyCharm软件。

2.1 基于RF-AHP-云模型的岩爆预测模型

利用云模型能够很好地解决岩爆预测的不确定性和模糊性问题。1995年，李德毅等［24］提出了一种处理不确定性问题的认知模型——云模型，正向高斯云算法如下：

输入：数字特征（Ex,En,He），生成云滴的个数N。

输出：N个云滴x及其确定度μ。

算法步骤：

①生成以En为期望值、He2为方差的一个高斯随机数Eni'=NORM(En,He2)；

②生成以Ex为期望值、Eni'2为方差的一个高斯随机数xi=NORM(Ex,Eni'2)；

③计算确定度：

μ=e-(xi-Ex)22Eni'2

④具有确定度μi的xi成为数域中一个云滴；

⑤重复①~④，直至产生N个云滴。

云模型作为一种基于岩爆指标判据的综合预测方法，其核心问题是指标权重的确定。权重的合理性又是岩爆烈度分级预测结果具备可信度的关键。本文首先引入机器学习技术——随机森林，提出一种基于随机森林—层次分析法的指标权重计算方法，然后建立了基于随机森林—层次分析法—云模型的岩爆烈度分级预测模型。

（1）基于随机森林的评价指标重要性分析。考虑到岩爆预测样本数据量及数据特征，本文将对数据样本要求不高的随机森林（Random Forest，RF）用于岩爆评价指标重要性分析，随机森林由Breiman［25］于2001年提出，是一种以决策树、随机子空间、抽样聚合和剪枝技术为基础的机器学习算法。基于随机森林的岩爆评价指标重要性分析［26］模型的计算步骤为：

①采用Z-score方法对301组岩爆预测数据集矩阵中4个岩爆评价指标进行标准化。

②将整体301组岩爆预测数据集的集合设为D，并且用向量X表示4个岩爆评价指标的集合，X={X1,X2,⋯,Xj}（j=1,2,3,4）。针对岩爆预测数据集，利用Bootstarp方法，生成4个训练样本子集，设Dk（k=1,2,3,4）为第k个训练样本子集，变量重要性分数用向量Vis={Vis1,Vis2,⋯,Visj}(j=1,2,3,4)表示；

③将k值取1；

④在第k个子训练样本集Dk的基础上构建决策树Tk，同时将对应的袋外数据用Dk00b表示；

⑤对对应的袋外数据Dk00b采用步骤④中生成的决策树Tk进行分类，同时计算其分类准确率Rk00b；

⑥变换第j个变量Xj的变量值，直到其原始袋外数据Dk00b样本自变量与因变量之间的关系被断开，设Dkj00b表示扰动后的袋外数据；

⑦对扰动后对应的袋外数据Dkj00b采用步骤④中生成的决策树Tk进行分类，同时计算其分类准确率Rkj00b，至此，一个训练样本子集上的分类准确率计算完成；

⑧分别令k=1,2,3,4，对其重复进行步骤④~⑦的操作，可求得扰动前后各个训练样本子集对应下的分类准确率；

⑨第j个变量Xj的变量重要性分数可通过以下公式计算求得：

Visj=14∑k=14(Rk00b-Rkj00b)

⑩分别令j=1,2,3,4，重复上述步骤，所有变量重要性分数可求得，输出变量重要性分数向量Vis={Vis1,Vis2,Vis3,Vis4}

如图2所示，4个岩爆评价指标的重要性分数的平均值由基于随机森林的岩爆评价指标重要性分析模型求得。在本文选取的4个岩爆评价指标中，洞壁围岩最大切向应力重要性分数最高，其次是岩石单轴抗拉强度，岩石单轴抗压强度和岩石弹性能量指数位列最后两位。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   岩爆指标重要性分数值

Fig.2   Rockburst indexes importance score


（2）层次分析法优化。选择应用最多、计算简单及可操作性强的层次分析法（Analytic Hierarchy Process，AHP）计算权重，但该方法较依赖决策者的主观经验，应用于模糊、复杂、存在不确定性的岩爆预测问题，必须做一定的优化才会取得较好的预测效果。本文在基于随机森林的岩爆评价指标重要性分析基础上，优化了层次分析法，提出了随机森林—层次分析法（RF-AHP）计算岩爆评价指标权重。RF-AHP方法中根据基于随机森林的岩爆评价指标重要性分析结果构造的分析矩阵，不完全依赖决策者的主观判断，而是基于岩爆工程实例数据。RF-AHP方法将主观性和客观性进行了有机结合，保留了层次分析法计算简便灵活的优点，降低了主观因素依赖性，指标权重计算相对合理。

（3）模型建立。基于RF-AHP-云模型的岩爆烈度分级预测模型构建的步骤为：①确定岩爆评价指标，然后依据岩爆烈度分级标准计算各自的云数字特征；②将计算得到的熵和超熵代入正向高斯云发生器中形成高斯云滴，计算各岩爆评价指标相对于各岩爆烈度分级标准的隶属程度；③基于岩爆工程实例数据，采用RF-AHP方法进行权重计算；④读取待预测样本的实测数据，根据相应公式分别计算出各评价指标权重和每种评价指标隶属于各个岩爆烈度等级的确定度，将二者相乘得到综合确定度，预测样本所属岩爆等级由综合确定度最大值所对应的岩爆等级确定。

2.2 基于IGSO-SVM的岩爆预测模型

岩爆评价指标权重确定直接影响基于RF-AHP-云模型的岩爆烈度分级预测准确率。鉴于此，考虑避开权重确定，基于岩爆工程实例数据库，应用机器学习中的支持向量机建立岩爆评价指标与岩爆烈度等级之间的映射关系，实现岩爆烈度分级预测。支持向量机（Support Vector Machines，SVM）由Vapnik及其在AT&T贝尔实验室的合作者提出［27］，支持向量机能较好地解决非线性、高维数的岩爆预测问题。

（1）萤火虫算法优化。由岩爆预测问题的特征可知，本文研究选择非线性支持向量机，核函数选择目前应用多且表现较优的径向基函数（RBF），因为该函数收敛域较宽，适用范围较广，且仅有一个参数。因此，基于支持向量机的岩爆烈度分级预测模型需要确定的2个参数就是惩罚参数C和径向基函数参数g，确定最佳参数C和g的值就是一个最优化问题。与其他算法相比，萤火虫算法［28］数据结构简单、相关参数少且容易实现。将萤火虫算法引入，确定最佳参数C和g的值。考虑岩爆预测问题的特点，本文引入李敬明［29］提出的基于佳点集变步长策略的萤火虫算法（Improved Glowworm Swarm Optimization，IGSO），IGSO算法均匀分布初始种群，采用惯性权重系数动态更新迭代步长，算法更加稳定，计算精度和收敛速度也有所提高。

（2）模型建立。基于IGSO-SVM的岩爆烈度分级预测模型的步骤为：①对萤火虫个体采用十进制编码，将惩罚参数C和径向基函数参数g作为一个整体进行编码，每一个萤火虫个体都包含C和g；②采用指数序列佳点方式生成n个萤火虫，形成初始种群，并初始化相关参数；③对萤火虫编码进行解码，生成SVM的参数值，训练得到分类误差作为适度函数值，更新每个萤火虫在第t代的荧光素值；④计算领域集，在领域集合中，计算移动概率，选择目标对象采用轮盘赌法，位置更新采用萤火虫移动自适应步长策略；⑤更新萤火虫动态感知半径；⑥当算法达到最大迭代次数Nmax时，得到最佳参数C和g的值，并将其赋予SVM进行预测，产生输出结果，算法终止；否则，令迭代计数器t=t+1，转向步骤③。

2.3 基于DA-DNN的岩爆预测模型

近年来，深度学习技术受到广泛关注，在图像分类、语言识别和自然语言理解等领域都取得了突破性的进展［30］。深度神经网络（Deep Neural Network，DNN）作为一种深度学习模型，网络深度更深，非线性学习能力更强，完全由数据驱动，彻底避开了指标权重确定，避免了人为因素影响。针对特定的问题，任何一种技术都要作适当的调整或者优化，才能得到最佳的解决方案，深度学习的发展日新月异，可用于深度学习的优化和训练方法层出不穷。本文根据岩爆预测问题的特点，在正则化和参数更新方面进行了优化。

（1）正则化。本文建立的岩爆预测数据库虽然是目前包含岩爆工程实例最多的，但是仍然十分有限，为了防止DNN模型在训练过程中发生过拟合现象，采用Dropout方法［31-32］对模型进行正则化，以提高DNN的泛化能力。

（2）权值更新。本文选择容易实现、计算高效的Adam算法［33］，同时，为了避免产生较大的测试误差，融入动量思想，对其进行改进，引入张慧［34］提出的更稳定、收敛速度更快的改进Adam算法。

（3）模型建立。将Dropout方法和改进的Adam算法用于深度神经网络优化，构建了基于Dropout和改进Adam的深度神经网络岩爆烈度分级预测模型（DA-DNN）。基于DA-DNN的岩爆烈度分级预测模型构建的步骤为：①将301组岩爆工程实例数据作为岩爆预测的样本数据，按照6∶2∶2划分为训练集、验证集和测试集；②设置σθ、σc、σt、Wet为输入层4个神经元，设置“0”、“1”、“2”、“3”为输出层4个神经元，隐层设置为3层，神经元节点数分别为64，64，16，选取交叉熵误差为损失函数，ReLU函数为隐层激活函数，Softmax函数为输出层激活函数；③将Dropout方法与改进的Adam算法应用于DNN模型训练；④DA-DNN模型最终训练完成后，输入60组预测样本测试其预测准确率。

（4）模型参数。DA-DNN岩爆预测模型的主要参数如表2所示。

表2   DA-DNN模型参数

Table 2  Parameters of DA-DNN model

序号参数名称参数取值
1Dropout丢弃比率p=0.5
2初始学习率η=0.001
3动量系数λ=0.95
4一、二阶矩估计得指数衰减率β1=0.9、β2=0.999
5用于数值稳定的常数δ=1e-08
6误差目标取值0.0001
7批大小取值Batch_size=10
8训练次数取值Epoch=60

新窗口打开| 下载CSV


3 工程实例验证

为了验证RF-AHP-云模型、IGSO-SVM和DA-DNN 3个岩爆烈度分级预测模型的有效性和正确性，从301组岩爆工程实例数据中随机抽取60组作为预测样本，抽取的数据特征能代表整个数据集，如表3所示。表3还列出了基于FCM-RS-云模型［35］的岩爆预测结果。

表3   岩爆烈度分级预测样本预测结果

Table 3  Results of rockburst intensity classification prediction sample

样本序号工程名称DA-DNNIGSO-SVMRF-AHP-云模型FCM-RS-云模型实际岩爆等级
1天生桥二级水电站引水隧洞ⅢⅢⅢⅢⅢ
2二滩水电站2号支洞ⅡⅡⅢⅢⅡ
3龙羊峡水电站地下洞室ⅠⅠⅠⅠⅠ
4鲁布革水电站地下洞室ⅠⅠⅠⅠⅠ
5渔子溪水电站引水隧洞ⅢⅢⅢⅢⅢ
6太平驿水电站地下洞室ⅡⅡⅡⅡⅡ
7李家峡水电站地下洞室ⅠⅠⅠⅡⅠ
8瀑布沟水电站地下洞室ⅢⅡⅡⅢⅢ
9锦屏二级水电站引水隧洞ⅢⅢⅢⅢⅢ
10拉西瓦水电站地下厂房ⅢⅢⅢⅢⅢ
11挪威Sima水电站地下厂房ⅢⅢⅢⅢⅢ
12挪威Heggura公路隧道ⅢⅢⅢⅢⅢ
13挪威Sewage隧道ⅢⅢⅢⅢⅢ
14瑞典Forsmark核电站冷却水隧洞ⅢⅢⅢⅡⅢ
15瑞典Vietas水电站引水隧洞ⅡⅡⅡⅡⅡ
16前苏联Rasvumchorr矿井巷ⅢⅢⅢⅢⅢ
17日本关越隧道ⅢⅢⅢⅡⅢ
18意大利Raibl铅硫化锌矿井巷ⅣⅣⅣⅣⅣ
19秦岭隧道DyK77+176ⅢⅢⅢⅢⅢ
20秦岭隧道DyK72+440ⅣⅣⅣⅣⅣ
21秦岭隧道某段一ⅢⅢⅢⅢⅢ
22秦岭隧道某段二ⅢⅣⅣⅣⅢ
23括苍山隧道ⅡⅡⅡⅡⅡ
24通渝隧道K21+720断面ⅡⅡⅡⅡⅡ
25通渝隧道K21+212断面ⅡⅡⅡⅡⅡ
26通渝隧道K21+740断面ⅡⅡⅡⅡⅡ
27通渝隧道K21+680断面ⅡⅡⅡⅡⅡ
28江边水电站引5+486ⅠⅠⅠⅠⅠ
29江边水电站引7+366ⅠⅠⅠⅠⅠ
30江边水电站引7+790ⅢⅢⅣⅢⅣ
31江边水电站引7+806ⅡⅡⅠⅡⅡ
32锦屏二级电站1+731ⅡⅡⅡⅡⅡ
33锦屏二级电站3+390ⅢⅢⅢⅢⅢ
34锦屏二级电站1+640ⅡⅠⅡⅡⅡ
35锦屏二级电站3+000ⅢⅢⅢⅢⅢ
36程潮铁矿K8ⅣⅣⅣⅣⅣ
37程潮铁矿K9ⅠⅠⅠⅠⅠ
38程潮铁矿K10ⅣⅣⅣⅣⅣ
39程潮铁矿K11ⅠⅠⅠⅠⅠ
40程潮铁矿K12ⅢⅢⅢⅢⅢ
41程潮铁矿K13ⅣⅣⅣⅣⅣ
42苍岭隧道K97+702~K98+152ⅡⅡⅠⅠⅡ
43苍岭隧道K98+152~K98+637ⅡⅡⅡⅡⅡ
44苍岭隧道K98+637~K99+638ⅢⅢⅡⅢⅢ
45苍岭隧道K99+638~K100+892ⅡⅡⅡⅡⅡ
46苍岭隧道K100+892~K101+386ⅠⅠⅠⅠⅠ
47冬瓜山矿K1ⅢⅢⅢⅢⅢ
48北洺河铁矿K1ⅠⅠⅡⅡⅠ
49北洺河铁矿K2ⅣⅣⅣⅢⅣ
50北洺河铁矿K3ⅢⅢⅢⅢⅢ
51北洺河铁矿K4ⅠⅠⅠⅠⅠ
52美国CAD-A矿ⅣⅢⅢⅢⅣ
53美国CAD-B矿ⅢⅢⅢⅢⅢ
54美国CAD-C矿ⅡⅡⅡⅡⅡ
55苏联X矿山ⅢⅡⅢⅢⅢ
56瑞士布鲁格水电站地下硐室ⅠⅠⅠⅠⅠ
57乌兹别克斯坦卡姆奇克隧道ⅣⅣⅢⅣⅣ
58美国加利纳矿ⅡⅡⅡⅢⅡ
59重丘山岭某隧道ⅠⅠⅠⅠⅠ
60中国巴玉隧道ⅣⅣⅣⅣⅣ

新窗口打开| 下载CSV


由60组岩爆预测样本的预测结果可得出如下结论：

（1）FCM-RS-云模型、RF-AHP-云模型、IGSO-SVM和DA-DNN这4种预测模型的预测准确率分别为81.7%、85%、90%和98.3%，均取得了一定的预测效果。仅从预测准确率分析，基于DA-DNN的岩爆烈度分级预测模型是最优的。

（2）FCM-RS-云模型和RF-AHP-云模型仅是岩爆评价指标的权重计算方法不同。FCM-RS-云模型属于基于岩爆指标判据的预测方法，而RF-AHP-云模型的权重是由随机森林—层次分析法（RF-AHP）确定，因此，可认为RF-AHP-云模型属于基于岩爆指标判据和基于岩爆工程实例数据这两类预测方法的交叉，融合了两类方法的优点。从预测准确率也可以看出，RF-AHP-云模型预测准确率高于FCM-RS-云模型，说明本文所构造的RF-AHP权重计算方法要优于FCM-RS权重计算方法，也进一步证明了基于云模型的岩爆烈度分级预测的核心是权重确定，权重计算的准确性直接影响最后的预测结果。

（3）IGSO-SVM模型和DA-DNN模型均采用了基于数据驱动的机器学习技术。支持向量机是一种传统的机器学习方法，而深度神经网络属于深度学习，深度学习是机器学习中的一个重要子类，可以处理更多的数据量，学习更深层次的特征，预测的准确性更佳，是目前人工智能领域研究的前沿方向。本文的岩爆工程实例数据虽然是目前包含岩爆工程实例最多的，但仍然十分有限。岩爆样本数据虽然有限，但从预测准确率来看，DA-DNN模型也优于IGSO-SVM模型。随着各类地下岩土工程向深部发展，埋深增加，地应力增高，岩体赋存的环境更加复杂，因开挖或开采扰动诱发的岩爆灾害越来越严重，大量的岩爆数据不断产生，数据量越来越大时，基于DA-DNN的岩爆烈度分级预测模型更有发展前景。

（4）将FCM-RS-云模型、RF-AHP-云模型、IGSO-SVM和DA-DNN这4种岩爆烈度分级预测模型计算需要设置的参数进行对比可知，DA-DNN模型参数最多，但是如果考虑模型基于的理论基础，与其他3个模型相比，基于DA-DNN的岩爆烈度分级预测模型最大的优势在于理论通俗易懂，编码相对简单，易于实现。

（5）基于RF-AHP-云模型的岩爆烈度分级预测模型和基于FCM-RS-云模型的岩爆烈度分级预测模型由于权重计算介入人为因素，预测准确率不是十分理想，而避开权重确定的基于DA-DNN的岩爆烈度分级预测模型和基于IGSO-SVM的岩爆烈度分级预测模型，基于岩爆工程实例数据，由数据驱动，通过数据挖掘，可有效预测岩爆烈度等级，且通过改进可达到较高的预测精度。

4 结论

（1）依据确定的岩爆评价指标和岩爆烈度等级，通过文献调研国内外岩爆研究成果，建立了一个包含301组岩爆工程实例的数据库。引入机器学习技术，建立了3个预测模型：基于RF-AHP-云模型的岩爆烈度分级预测模型、基于IGSO-SVM的岩爆烈度分级预测模型和基于DA-DNN的岩爆烈度分级预测模型。

（2）针对同一预测样本，对比了基于DA-DNN、IGSO-SVM、RF-AHP-云模型和FCM-RS-云模型的岩爆烈度分级预测模型的预测效果，4种模型的预测准确率分别为98.3、90.0%、85.0%和81.7%，均取得了一定的预测效果。

（3）基于RF-AHP-云模型和基于FCM-RS-云模型的岩爆烈度分级预测模型均属于基于岩爆指标判据的综合预测方法，这类方法的关键问题是指标权重的确定，不可避免地受人为因素的影响。在岩爆数据量有限的情况下，使用这类方法还需继续探索更好的指标权重确定方法。

（4）基于IGSO-SVM和基于DA-DNN的岩爆烈度分级预测模型均属于基于岩爆工程实例数据的预测方法，这类方法虽避开了权重确定，但在具体应用时需要调整模型参数。基于IGSO-SVM的预测模型的理论严格，参数较多，调整相对困难，影响实际应用；而基于DA-DNN的预测模型虽然计算设置参数最多，但理论通俗易懂，编码相对简单，更容易实现；随着各类地下岩土工程向深部发展，岩爆灾害频发，岩爆数据量越来越多，基于DA-DNN的岩爆烈度分级预测模型相对更有发展前景。

http://www.goldsci.ac.cn/article/2020/1005-2518/1005-2518-2020-28-6-920.shtml

参考文献

冯夏庭，肖亚勋，丰光亮，等.

岩爆孕育过程研究

［J］．岩石力学与工程学报，2019，38（4）：649-673．

[本文引用: 2]

Feng Xiating，XiaoYaxun，Feng Guangliang，et al.

Study on the development process of rockbursts

［J］.Chinese Journal of Rock Mechanics and Engineering，2019，38（4）：649-673.

[本文引用: 2]

李夕兵，宫凤强，王少锋，等.

深部硬岩矿山岩爆的动静组合加载力学机制与动力判据

［J］.岩石力学与工程学报，2019，38（4）：708-723．

[本文引用: 1]

Li Xibing，Gong Fengqiang，Wang Shaofeng，et al.

Coupled static-dynamic loading mechanical mechanism and dynamic criterion of rockburst in deep hard rock mines

［J］.Chinese Journal of Rock Mechanics and Engineering，2019，38（4）：708-723.

[本文引用: 1]

李任豪，顾合龙，李夕兵，等.

基于PSO-RBF神经网络模型的岩爆倾向性预测

［J］.黄金科学技术，2020，28（1）：134-141．

Li Renhao，Gu Helong，Li Xibing，et al.

A PSO-RBF neural network model for rockburst tendency prediction

［J］.Gold Science and Technology，2020，28（1）：134-141.

王旷，李夕兵，马春德，等.

基于改进的RS-TOPSIS模型的岩爆倾向性预测

［J］.黄金科学技术，2019，27（1）：80-88．

[本文引用: 1]

Wang Kuang，Li Xibing，Ma Chunde，et al.

Rockburst proneness prediction based on improved RS-TOPSIS model

［J］.Gold Science and Technology，2019，27（1）：80-88.

[本文引用: 1]

田睿，孟海东，陈世江，等.

基于深度神经网络的岩爆烈度分级预测研究

［J］.煤炭学报，2020.．

URL     [本文引用: 5]

Tian Rui，Meng Haidong，Chen Shijiang，et al.

Prediction of intensity classification of rockburst based on deep neural network

［J］.Journal of China Coal Society，2020..

URL     [本文引用: 5]

Wang C L，Wu A X，Lu H，et al.

Predicting rockburst tendency based on fuzzy matter-element model

［J］.International Journal of Rock Mechanics & Mining Sciences，2015（75）：224-232.

[本文引用: 1]

胡建华，尚俊龙，周科平.

岩爆烈度预测的改进物元可拓模型与实例分析

［J］.中国有色金属学报，2013，23（2）：495-502．

[本文引用: 1]

Hu Jianhua，Shang Junlong，Zhou Keping.

Improved matter-element extension model and its application to prediction of rockburst intensity

［J］.The Chinese Journal of Nonferrous Metals，2013，23（2）：495-502.

[本文引用: 1]

徐琛，刘晓丽，王恩志，等.

基于组合权重—理想点法的应变型岩爆五因素预测分级

［J］.岩土工程学报，2017，39（12）：2245-2252．

[本文引用: 1]

Xu Chen，Liu Xiaoli，Wang Enzhi，et al.

Strain mode rockburst prediction and classification based on five-factors criterion and combined weight-ideal point method

［J］.Chinese Journal of Geotechnical Engineering，2017，39（12）：2245-2252.

[本文引用: 1]

李绍红，王少阳，朱建东，等.

基于权重融合和云模型的岩爆倾向性预测研究

［J］.岩土工程学报，2018，40（6）：1075-1083．

[本文引用: 2]

Li Shaohong，Wang Shaoyang，Zhu Jiandong，et al.

Prediction of rockburst tendency based on weighted fusion and improved cloud model

［J］.Chinese Journal of Geotechnical Engineering，2018，40（6）：1075-1083.

[本文引用: 2]

Pu Y Y，Apel D B，Lingga B.

Rockburst prediction in kimberlite with unsupervised learning method and support vector classifier

［J］.Tunnelling and Underground Space Technology，2019（90）：12-18.

[本文引用: 1]

Wu S C，Wu Z G，Zhang C X.

Rockburst prediction probability model based on case analysis

［J］.Tunnelling and Underground Space Technology，2019（93）：1-15.

[本文引用: 1]

宫凤强，李夕兵，张伟，等.

基于Bayes判别分析方法的地下工程岩爆发生及烈度分级预测

［J］.岩土力学，2010，31（增1）：370-377．

[本文引用: 3]

Gong Fengqiang，Li Xibing，Zhang Wei，et al.

Rockburst prediction of underground engineering based on Bayes discriminant analysis method

［J］.Rock and Soil Mechanics，2010，31（Supp.1）：370-377.

[本文引用: 3]

李天斌，孟陆波，王兰生.高地应力隧道稳定性及岩爆、大变形灾害防治［M］.北京：科学出版社，2016．

[本文引用: 3]

Li Tianbin，Meng Lubo，Wang Lansheng.High Geostress Tunnel Stability and Prevention of Rockburst and Large Deformation Disasters［M］.Beijing：Science Press，2016.

[本文引用: 3]

周德培，洪开荣.

太平驿隧洞岩爆特征及防治措施

［J］.岩石力学与工程学报，1995，14（2）：171-178．

[本文引用: 1]

Zhou Depei，Hong Kairong.

The rockburst features of Taipingyi tunnel and the prevention methods

［J］.Chinese Journal of Rock Mechanics and Engineering，1995，14（2）：171-178.

[本文引用: 1]

谷明成，何发亮，陈成宗.

秦岭隧道岩爆的研究

［J］．岩石力学与工程学报，2002，21（9）：1324-1329．

[本文引用: 1]

Gu Mingcheng，He Faliang，Chen Chengzong.

Study on rockburst in Qinling tunnel

［J］.Chinese Journal of Rock Mechanics and Engineering，2002，21（9）：1324-1329.

[本文引用: 1]

严健，何川，汪波，等.

雅鲁藏布江缝合带深埋长大隧道群岩爆孕育及特征

［J］.岩石力学与工程学报，2019，38（4）：769-781．

[本文引用: 2]

Yan Jian，He Chuan，Wang Bo，et al.

Inoculation and characters of rockbursts in extra-long and deep-lying tunnels located on YarlungZangbo suture

［J］.Chinese Journal of Rock Mechanics and Engineering，2019，38（4）：769-781.

[本文引用: 2]

陈原望.

阿舍勒铜矿深井开采岩爆现象研究及应对措施探索

［J］.新疆有色金属，2018（2）：80-82．

[本文引用: 1]

Chen Yuanwang.

Research on rockburst phenomenon in deep well mining of Ashele copper mine and exploration of its countermeasures

［J］.Xinjiang Nonferrous Metals，2018（2）：80-82.

[本文引用: 1]

Russenes B F.

Analysis of Rock Spalling for Tunnels in Steep Valley Sides（in Norwegian）

［D］.Trondheim：Norwegian Institute of Technology，1974.

[本文引用: 2]

Turchaninov I A，Markov G A，Gzovsky M V，et al.

State of stress in the upper part of the Earth’s crust based on direct measurements in mines and on tectonophysicl and seismological studies

［J］.Physics of the Earth and Planetary Interiors，1972，6（4）：229-234.

[本文引用: 1]

王元汉，李卧东，李启光，等.

岩爆预测的模糊数学综合评判方法

［J］.岩石力学与工程学报，1998，17（5）：493-501．

[本文引用: 2]

Wang Yuanhan，Li Wodong，Li Qiguang，et al.

Method of fuzzy comprehensive evaluations for rockburst prediction

［J］.Chinese Journal of Rock Mechanics and Engineering，1998，17（5）：493-501.

[本文引用: 2]

Zhou J，Li X B，Shi X Z.

Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines

［J］.Safety Science，2012，50（4）：629-644.

[本文引用: 1]

张波.

基于岩体各向异性深埋公路隧道安全稳定性研究

［D］.武汉：中国科学院武汉岩土力学研究所，2007．

[本文引用: 1]

Zhang Bo.

Study on Security and Stability of Deep Buried Highway Tunnel Based on Anisotropic Theory

［D］.Wuhan：Institute of Rock and Soil Mechanics，Chinese Aca-demy of Sciences，2007.

[本文引用: 1]

孙臣生.

基于改进MATLAB-BP神经网络算法的隧道岩爆预测模型

［J］.重庆交通大学（自然科学版），2019，38（10）：41-49．

[本文引用: 2]

Sun Chensheng.

A prediction model of rockburst in tunnel based on the improved MATLAB-BP neural network

［J］.Journal of Chongqing Jiaotong University（Natural Science），2019，38（10）：41-49.

[本文引用: 2]

李德毅，杜鹢.不确定性人工智能［M］.北京：国防工业出版社，2014．

[本文引用: 1]

Li Deyi，Du Yi.Artificial Intelligence with Uncertainty［M］.Beijing：National Defense Industry Press，2014.

[本文引用: 1]

Breiman L.

Random forests

［J］.Machine Learning，2001，45（1）：5-32.

[本文引用: 1]

鲁月.

基于随机森林因素筛选的国产电影票房组合预测模型研究

［D］.南京：南京航天航空大学，2019．

[本文引用: 1]

Lu Yue.

Research on Factors Screening Based on Random Forest and Domestic Movie Box-office Combined Prediction Model

［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2019.

[本文引用: 1]

冯夏庭，赵洪波.

岩爆预测的支持向量机

［J］.东北大学学报（自然科学版），2002，23（1）：57-59．

[本文引用: 1]

Feng Xiating，Zhao Hongbo.

Prediction of rockburst using support vector machine

［J］.Journal of Northeastern University（Natural Science），2002，23（1）：57-59.

[本文引用: 1]

Yang X S.Nature-inspired Metaheuristic Algorithms［M］.Beckington：Luniver Press，2010.

[本文引用: 1]

李敬明.

萤火虫群智能优化算法及其应用研究

［D］．合肥：合肥工业大学，2017．

[本文引用: 1]

Li Jingming.

Research on Swarm Intelligent Optimization Algorithm of Glowworm and Its Application

［D］.Hefei：Hefei University of Technology，2017.

[本文引用: 1]

Lecun Y，Bengio Y，Hinton G E.

Deep learning

［J］.Nature，2015，521（7553）：436-444.

[本文引用: 1]

Goodfellow I J，Bengio Y，Courville A.Deep Learning［M］.Cambridge：MIT Press，2016.

[本文引用: 1]

Srivastava N，Hinton G E，Krizhevsky A.

Dropout：A simple way to prevent neural networks from overfitting

［J］.The Journal of Machine Learning Research，2014，15（1）：1929-1958.

[本文引用: 1]

Kingma D，Adam B J.

A method for stochastic optimization

［C］//Proceedings of the 3rd International Conference for Learning Representations，2015：1-15.

[本文引用: 1]

张慧.

深度学习中优化算法的研究与改进

［D］.北京：北京邮电大学，2017．

[本文引用: 1]

Zhang Hui.

Research and Improvement of Optimization Algorithms in Deep Learning

［D］.Beijing：Beijing University of Posts and Telecommunications，2017.

[本文引用: 1]

郝杰，侍克斌，王显丽，等.

基于模糊C-均值算法粗糙集理论的云模型在岩爆等级评价中的应用

［J］.岩土力学，2016，37（3）：859-866．

[本文引用: 1]

Hao Jie，Shi Kebin，Wang Xianli，et al.

Application of cloud model to rating of rockburst based on rough set of FCM algorithm

［J］.Rock and Soil Mechanics，2016，37（3）：859-866.

[本文引用: 1]

/

〈 〉

©2018 黄金科学技术编辑部

电话：0931-8277791　

E-mail: hjkx@lzb.ac.cn 邮编：730000　

陇ICP备17001318号-1    甘公网安备 62010202000672号
访问总数:    当日访问:    当前在线: