[发明专利]掘进速度的预测模型建立方法、预测方法及装置

权利要求书

1.一种掘进速度预测模型建立方法，其特征在于，包括：

获取不同围岩的属性参数数据集，对多个围岩的属性参数样本集进行聚类处理得到多个聚类结果；

基于所述多个聚类结果建立经验公式，基于围岩的属性参数对所述经验公式进行训练，得到回归公式；

对所述回归公式进行处理，得到标准的线性回归模型。

2.根据权利要求1所述的掘进速度预测模型建立方法，其特征在于，

所述每个聚类结果包括多个数据簇；

所述对多个围岩的属性参数进行聚类处理得到多个聚类结果；

基于k-means算法对不同围岩的属性参数进行分类，其中属性参数包括围岩单轴抗压强度信息、地层破碎程度信息以及石英含量信息中的任意一种或多种。

3.根据权利要求2所述的掘进速度预测模型建立方法，其特征在于，还包括：

预先建立样本集D＝{x₁,x₂,…,x_m}，x_m为其中一个样本；

从围岩的属性参数中随机选择k个样本点作为初始的k个质心向量{μ₁,μ₂,…,μ_k}，μ_k为其中一个质心向量；

对于i＝1,2,…,m，通过以下公式计算样本点与各质心向量间的距离：

d_ik＝‖x_i–μ_k‖2 2

其中，d_ik为各样本点与相应质心向量间的距离，x_i为样本i坐标向量，μ_k为各数据簇的质心向量；

记录各样本点x_i与各质心向量计算间距的d_ik，取其中最小值所对应的质心向量序数记为λ_i，通过本要求前述过程划分得到初始化的数据簇分配：

y_λi＝{x_d1kmin,x_d2kmin,x_d3kmin,…,x_dkkmin}

其中，x_dikmin为距各自最近的第k个质心向量μ_k的样本点坐标向量，y_λi为分配后的数据簇样本；

将样本集进行本要求前述过程预处理，即得到初始化数据簇集合C＝{yk1,yk2,yk3,…,ykk},k为质心向量数，ykk为预处理后以第k个质心向量进行初始簇分配的第k个数据簇；

对于j＝1,2,…,k，通过以下公式对C中所有的数据簇重新计算新的质心：

进而得到新的质心向量集合{μ’1,μ’2,μ’3,…,μ’k}

通过本要求前述过程对样本数据集分配簇集合进行迭代，直至k个质心向量都不发生变化，输出最终的数据簇划分集合C’＝{C₁,C₂,…,C_k}，其中C_k为迭代更新后最终的第k个分配数据簇。

4.根据权利要求3所述的掘进速度预测模型建立方法，其特征在于，还包括：

结合k-means聚类方法，采用轮廓系数和卡林斯基-哈拉巴兹指数两种指标对不同的聚类组数产生的聚类效果进行评价，对各k值条件下计算所得的SC值和CH值进行对比分析，挑选最佳的聚类簇数对围岩的属性参数进行聚类；

第i个样本的SC值通过以下公式计算：

其中，a(i)为第i个样本与其所在簇内其他样本的平均距离，b(i)为第i个样本与其他簇样本的平均距离，所有样本的SC值平均值即为聚类的整体SC值，取值范围为[-1,1]；

CH值通过以下公式计算：

其中，m为样本数，k为簇数，B_k为簇之间的协方差矩阵，W_k为簇内部数据的协方差矩阵，tr为矩阵的迹。