[发明专利]一种隧道施工过程中围岩实时分级预测及自检方法

权利要求书

1. 一种隧道施工过程中围岩实时分级预测及自检方法，其特征在于，它是在隧道开挖过程中，对掘进工作面前方进行超前钻探，通过采集钻机的钻进参数、岩体基本质量指标和相应的围岩等级，建立样本数据，同时建立多元线性回归模型、神经网络模型和优化的神经网络预测模型并对比选定最优的预测性能，对待分级预测的隧道围岩，一种方式是通过利用确定的最优的岩体基本质量指标值预测模型直接实时预测围岩的岩体基本质量指标间接的预测围岩等级，另一种方式利用确定的最优的围岩等级编码值预测模型直接实时预测围岩等级，两种方式同步进行；获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新，具体步骤如下：

第一步：样本数据采集

隧道项目施工中，分别选定各围岩等级对应的30-50米作为样本数据采集区段，对各围岩等级的样本数据进行岩体质量指标的测定和围岩等级的评定，得到岩体基本质量指标值和围岩等级，所述的围岩等级以阿拉伯数字序号表示；同时随着隧道开挖掘进对各采集区段围岩进行超前钻进，并同步采集钻进参数；

所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力和钻比能量，其中钻进速度、扭矩、推进力、击打频率和击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：，其中，E_d 为钻进比能，A为钻杆截面积，L为钻杆冲程，N_s为击打压力，f为击打频率，v为钻进速度，S 为钻孔直径，k为损失系数；

第二步：样本数据预处理

对步骤一采集到的各采集区段围岩等级序号数据进行编码，按矩阵[0 0 1 0 0…]中数字1从左至右所处的位数对应围岩等级的序号进行编号，建立A、B两类样本数据库分别作为两种预测方式的样本数据库，其中：每个采集区段的一组钻进参数和相对应的岩体基本质量指标值组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的岩体基本质量指标值组成的数据集则构成了各自采集区段的A类样本数据库；同理每个采集区段的一组钻进参数和相对应的围岩等级编码组成一个数据集，每个采集区段所有采集到的钻机参数和相对应的围岩等级编码组成的数据集则构成了各自采集区段的B类样本数据库，将A、B类样本数据库中的6个钻进参数、岩体基本质量指标值和围岩等级编码值归一化到[0-1]数值；

第三步：确定最优预测模型及参数

具体包括预测方式①和预测方式②，预测方式①是确定最优的岩体基本质量指标值预测模型及参数，预测方式②是确定最优的围岩等级编码值预测模型及参数：

3.1：预测方式①

将采集到的A类样本数据库按80%和20%的比例划分为训练集和测试集，钻进参数作为预测模型的输入，岩体基本质量指标值作为预测模型的输出，详细步骤如下：

3.1.1：采用多元线性回归模型对岩体基本质量指标值的预测

对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值分别计算得到最优的模型评价指标值，即均方根误差RMSE、决定系数R²、方差占比VAF值；

3.1.2：采用神经网络模型对岩体基本质量指标值进行预测，确定神经网络模型的主要参数，得到最优的模型评价指标值；

3.1.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；

3.1.2.2：设置对照试验，将神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练后得到训练集对应的岩体基本质量指标预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R²和VAF值获得的排序序号值越大，将每个训练集和测试集相对应的三个模型评价指标排序序号值分别进行相加，每个训练集和测试集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；

3.1.2.3：设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.1.2.2中骤确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值，同时确定最优的隐含层节点数；

3.1.3：采用遗传算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，并得到最优的模型评价指标值；

3.1.3.1：采用试错法确定最优的变异概率和交叉概率参数；

3.1.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；

3.1.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；

3.1.3.4：采用步骤3.1.3.1到3.1.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，得到最优的模型评价指标值；

3.1.4：采用种群算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定种群算法的主要参数，得到最优的模型评价指标值；

3.1.4.1：采用试错法确定神经网络模型最优的自适应参数c_1、 c₂和惯性因子参数；

3.1.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的种群数量；

3.1.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据训练集的岩体基本质量指标预测值和实际值计算它的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；

3.1.4.4：采用步骤3.1.4.1到步骤3.1.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值；

3.1.5：采用帝国竞争算法优化的神经网络模型对岩体基本质量指标值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.1.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终确定最优的模型评价指标值：

3.1.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ 和殖民地影响因子ξ参数；

3.1.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集对应的的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的总国家数量；

3.1.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.1.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的帝国主义国家数量；

3.1.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为步骤3.1.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的岩体基本质量指标预测值，根据岩体基本质量指标预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；

3.1.5.5：采用步骤3.1.5.1到步骤3.1.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的岩体基本质量指标预测值，根据训练集和测试集的岩体基本质量指标预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，利用步骤3.1.2.2中的排序原则，确定最优的模型评价指标值；

3.1.6：对步骤3.1.1到步骤3.1.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.1.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的岩体基本质量指标值预测模型及参数；

3.2：预测方式②

将采集到的B类样本数据库按80%和20%的比例划分为训练集和测试集，钻进参数作为预测模型的输入，围岩等级编码值作为预测模型的输出，确定最优的围岩等级编码值预测模型及参数，详细步骤如下：

3.2.1：采用多元线性回归模型对围岩等级编码值的预测

对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的围岩等级编码预测值，根据测试集围岩等级编码预测值和实际值分别计算最优的模型评价指标值，也就是预测的正确率；

3.2.2：采用神经网络模型对围岩等级编码值进行预测，从而确定神经网络模型的主要参数，得到最优的模型评价指标值-预测的正确率：

3.2.2.1:采用试错法确定最优的神经网络的学习率、动量系数、激活函数；

3.2.2.2:对于神经网络的输入维度，设置对照试验，神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练得到训练集对应的围岩等级编码预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的围岩等级编码预测值，根据训练集和测试集对应的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,分别对训练集和测试集得到的模型评价指标进行排序,排序原则为，越大的正确率值获得的排序序号值越大，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；

3.2.2.3:设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.2.2.2确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率,利用步骤3.2.2.2中的排序原则，确定最优的隐含层节点数，同时得优的模型评价指标值-预测的正确到最率，进而确定最优的神经网络模型参数；

3.2.3：采用遗传算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，得到最优的模型评价指标值-预测的正确到最率：

3.2.3.1：采用试错法确定最优的变异概率和交叉概率参数；

3.2.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；

3.2.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算训练集的模型评价指标-预测的正确率，对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数；

3.2.3.4：采用步骤3.2.3.1到步骤3.2.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测的正确率；

3.2.4：采用种群算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，得到最优的模型评价指标值-预测的正确率：

3.2.4.1：采用试错法确定最优的自适应参数c₁、c₂和惯性因子参数；

3.2.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的种群数量；

3.2.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集的围岩等级编码预测值和实际值计算训练集的模型评价指标值-预测的正确率，对于所有的种群数量相应的预测正确率值不再继续升高的最大迭代次数即为种群算法最优的最大迭代次数；

3.2.4.4：采用步骤3.2.4.1到步骤3.2.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标值-预测的正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值；

3.2.5：采用帝国竞争算法优化的神经网络模型对围岩等级编码值进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2.2中确定的最优的神经网络模型参数，以便确定帝国竞争算法的主要参数，得到最优的模型评价指标值-预测的正确率：

3.2.5.1：采用试错法确定最优的神经网络模型随机数β、偏移方向θ 和殖民地影响因子ξ参数；

3.2.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的总国家数量；

3.2.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤3.2.5.2中确定的最优的总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的帝国主义国家数量；

3.2.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.2.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的围岩等级编码预测值，根据训练集围岩等级编码预测值和实际值计算它的模型评价指标值-预测正确率，对于所有的总国家数量相应的预测正确率不再继续升高的最大迭代次数即为帝国竞争算法最优的最大迭代次数；

3.2.5.5：采用步骤3.2.5.1到步骤3.2.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的围岩等级编码预测值，根据训练集和测试集的围岩等级编码预测值和实际值分别计算它们的模型评价指标正确率，利用步骤3.2.2.2中的排序原则，确定最优的模型评价指标值-预测正确率；

3.2.6：对步骤3.2.1到步骤3.2.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值-预测正确率进行对比，同样利用步骤3.2.2.2中的排序原则，最终确定最优的模型评价指标正确率值，进而确定不同围岩等级下的最优的围岩等级编码值预测模型及参数；

第四步：围岩等级快速实时预测

在待预测隧道项目开挖施工时，对待预测的围岩仅记录钻机钻进参数，采集的钻机钻进参数经预处理得到归一化后的钻进参数，再利用步骤三获得的最优的岩体基本质量指标值预测模型和围岩等级编码值预测模型对预处理后的钻进参数进行分析，最终得到预测方式①、②预测出的围岩等级；

第五步：对步骤四获得的两种等级结果自动进行对比验证，记录两种等级结果不同的钻进持续累计距离，对于钻进持续累计距离达到预先设定的临界阈值时进行提醒，采集出现提醒的区段围岩的钻进参数、岩体质量指标和相应的围岩等级对样本数据进行扩充更新。