基于机器学习的3种岩爆烈度分级预测模型对比研究
1.
2.
3.
Comparative Study on Three Rockburst Prediction Models of Intensity Classi-fication Based on Machine Learning
1.
2.
3.
通讯作者:
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: |
|
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
关键词:
Keywords:
本文引用格式
田睿, 孟海东, 陈世江, 王创业, 孙德宁, 石磊.
TIAN Rui, MENG Haidong, CHEN Shijiang, WANG Chuangye, SUN Dening, SHI Lei.
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
1.2 岩爆烈度等级确定
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
表1 岩爆工程实例数据库( 部分数据)
Table 1
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
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(
输出:N个云滴x及其确定度μ。
①生成以
②生成以
③计算确定度:
④具有确定度
⑤重复①~④,直至产生
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
③将k值取1;
④在第k个子训练样本集
⑤对对应的袋外数据
⑥变换第j个变量
⑦对扰动后对应的袋外数据
⑧分别令
⑨第j个变量
⑩分别令
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
(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
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。
(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
(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
序号 | 参数名称 | 参数取值 |
---|---|---|
1 | Dropout丢弃比率 | |
2 | 初始学习率 | |
3 | 动量系数 | |
4 | 一、二阶矩估计得指数衰减率 | |
5 | 用于数值稳定的常数 | |
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 |
3 工程实例验证
表3 岩爆烈度分级预测样本预测结果
Table 3
样本序号 | 工程名称 | DA-DNN | IGSO-SVM | RF-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 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
2 | 二滩水电站2号支洞 | Ⅱ | Ⅱ | Ⅲ | Ⅲ | Ⅱ |
3 | 龙羊峡水电站地下洞室 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
4 | 鲁布革水电站地下洞室 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
5 | 渔子溪水电站引水隧洞 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
6 | 太平驿水电站地下洞室 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
7 | 李家峡水电站地下洞室 | Ⅰ | Ⅰ | Ⅰ | Ⅱ | Ⅰ |
8 | 瀑布沟水电站地下洞室 | Ⅲ | Ⅱ | Ⅱ | Ⅲ | Ⅲ |
9 | 锦屏二级水电站引水隧洞 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
10 | 拉西瓦水电站地下厂房 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
11 | 挪威Sima水电站地下厂房 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
12 | 挪威Heggura公路隧道 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
13 | 挪威Sewage隧道 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
14 | 瑞典Forsmark核电站冷却水隧洞 | Ⅲ | Ⅲ | Ⅲ | Ⅱ | Ⅲ |
15 | 瑞典Vietas水电站引水隧洞 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
16 | 前苏联Rasvumchorr矿井巷 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
17 | 日本关越隧道 | Ⅲ | Ⅲ | Ⅲ | Ⅱ | Ⅲ |
18 | 意大利Raibl铅硫化锌矿井巷 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
19 | 秦岭隧道DyK77+176 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
20 | 秦岭隧道DyK72+440 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
21 | 秦岭隧道某段一 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
22 | 秦岭隧道某段二 | Ⅲ | Ⅳ | Ⅳ | Ⅳ | Ⅲ |
23 | 括苍山隧道 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
24 | 通渝隧道K21+720断面 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
25 | 通渝隧道K21+212断面 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
26 | 通渝隧道K21+740断面 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
27 | 通渝隧道K21+680断面 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
28 | 江边水电站引5+486 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
29 | 江边水电站引7+366 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
30 | 江边水电站引7+790 | Ⅲ | Ⅲ | Ⅳ | Ⅲ | Ⅳ |
31 | 江边水电站引7+806 | Ⅱ | Ⅱ | Ⅰ | Ⅱ | Ⅱ |
32 | 锦屏二级电站1+731 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
33 | 锦屏二级电站3+390 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
34 | 锦屏二级电站1+640 | Ⅱ | Ⅰ | Ⅱ | Ⅱ | Ⅱ |
35 | 锦屏二级电站3+000 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
36 | 程潮铁矿K8 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
37 | 程潮铁矿K9 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
38 | 程潮铁矿K10 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
39 | 程潮铁矿K11 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
40 | 程潮铁矿K12 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
41 | 程潮铁矿K13 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
42 | 苍岭隧道K97+702~K98+152 | Ⅱ | Ⅱ | Ⅰ | Ⅰ | Ⅱ |
43 | 苍岭隧道K98+152~K98+637 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
44 | 苍岭隧道K98+637~K99+638 | Ⅲ | Ⅲ | Ⅱ | Ⅲ | Ⅲ |
45 | 苍岭隧道K99+638~K100+892 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
46 | 苍岭隧道K100+892~K101+386 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
47 | 冬瓜山矿K1 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
48 | 北洺河铁矿K1 | Ⅰ | Ⅰ | Ⅱ | Ⅱ | Ⅰ |
49 | 北洺河铁矿K2 | Ⅳ | Ⅳ | Ⅳ | Ⅲ | Ⅳ |
50 | 北洺河铁矿K3 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
51 | 北洺河铁矿K4 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
52 | 美国CAD-A矿 | Ⅳ | Ⅲ | Ⅲ | Ⅲ | Ⅳ |
53 | 美国CAD-B矿 | Ⅲ | Ⅲ | Ⅲ | Ⅲ | Ⅲ |
54 | 美国CAD-C矿 | Ⅱ | Ⅱ | Ⅱ | Ⅱ | Ⅱ |
55 | 苏联X矿山 | Ⅲ | Ⅱ | Ⅲ | Ⅲ | Ⅲ |
56 | 瑞士布鲁格水电站地下硐室 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
57 | 乌兹别克斯坦卡姆奇克隧道 | Ⅳ | Ⅳ | Ⅲ | Ⅳ | Ⅳ |
58 | 美国加利纳矿 | Ⅱ | Ⅱ | Ⅱ | Ⅲ | Ⅱ |
59 | 重丘山岭某隧道 | Ⅰ | Ⅰ | Ⅰ | Ⅰ | Ⅰ |
60 | 中国巴玉隧道 | Ⅳ | Ⅳ | Ⅳ | Ⅳ | Ⅳ |
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
岩爆孕育过程研究
[J].,
Study on the development process of rockbursts
[J].,
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].,
Coupled static-dynamic loading mechanical mechanism and dynamic criterion of rockburst in deep hard rock mines
[J].,
基于PSO-RBF神经网络模型的岩爆倾向性预测
[J].,
A PSO-RBF neural network model for rockburst tendency prediction
[J].,
基于改进的RS-TOPSIS模型的岩爆倾向性预测
[J].,
Rockburst proneness prediction based on improved RS-TOPSIS model
[J].,
基于深度神经网络的岩爆烈度分级预测研究
[J].,
Prediction of intensity classification of rockburst based on deep neural network
[J].,
Predicting rockburst tendency based on fuzzy matter-element model
[J].,
岩爆烈度预测的改进物元可拓模型与实例分析
[J].,
Improved matter-element extension model and its application to prediction of rockburst intensity
[J].,
基于组合权重—理想点法的应变型岩爆五因素预测分级
[J].,
Strain mode rockburst prediction and classification based on five-factors criterion and combined weight-ideal point method
[J].,
基于权重融合和云模型的岩爆倾向性预测研究
[J].,
Prediction of rockburst tendency based on weighted fusion and improved cloud model
[J].,
Rockburst prediction in kimberlite with unsupervised learning method and support vector classifier
[J].,
Rockburst prediction probability model based on case analysis
[J].,
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].,
Rockburst prediction of underground engineering based on Bayes discriminant analysis method
[J].,
太平驿隧洞岩爆特征及防治措施
[J].,
The rockburst features of Taipingyi tunnel and the prevention methods
[J].,
秦岭隧道岩爆的研究
[J].,
Study on rockburst in Qinling tunnel
[J].,
雅鲁藏布江缝合带深埋长大隧道群岩爆孕育及特征
[J].,
Inoculation and characters of rockbursts in extra-long and deep-lying tunnels located on YarlungZangbo suture
[J].,
阿舍勒铜矿深井开采岩爆现象研究及应对措施探索
[J].,
Research on rockburst phenomenon in deep well mining of Ashele copper mine and exploration of its countermeasures
[J].,
Analysis of Rock Spalling for Tunnels in Steep Valley Sides(in Norwegian)
[D].
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].,
岩爆预测的模糊数学综合评判方法
[J].,
Method of fuzzy comprehensive evaluations for rockburst prediction
[J].,
Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines
[J].,
基于岩体各向异性深埋公路隧道安全稳定性研究
[D].
Study on Security and Stability of Deep Buried Highway Tunnel Based on Anisotropic Theory
[D].
基于改进MATLAB-BP神经网络算法的隧道岩爆预测模型
[J].,
A prediction model of rockburst in tunnel based on the improved MATLAB-BP neural network
[J].,
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].
Research on Factors Screening Based on Random Forest and Domestic Movie Box-office Combined Prediction Model
[D].
岩爆预测的支持向量机
[J].,
Prediction of rockburst using support vector machine
[J].,
萤火虫群智能优化算法及其应用研究
[D].
Research on Swarm Intelligent Optimization Algorithm of Glowworm and Its Application
[D].
Dropout:A simple way to prevent neural networks from overfitting
[J].,
A method for stochastic optimization
[C]//
深度学习中优化算法的研究与改进
[D].
Research and Improvement of Optimization Algorithms in Deep Learning
[D].
/
〈 | 〉 |