岩爆等级预测的PCA-OPF模型

为了高效准确预测岩爆烈度,将主成分分析(PCA)和最优路径森林(OPF)算法相结合,选取岩石单轴抗压强度、应力系数、脆性系数、弹性能量指数以及完整性系数这5个指标建立了岩爆预测的PCA-OPF分析模型。通过SPSS软件对国内外50组岩爆工程实例数据做主成分分析,依据方差累计贡献率得出3个主要影响因素,作为输入因子对OPF模型进行训练、评估、测试。试验结果的平均预测准确率可以达到91.25%,对比于其它数学模型,PCA-OPF模型预测准确率更高且更稳定,表明PCA-OPF模型在岩爆等级预测中有较好的实用性,可作为一种新的岩爆等级预测方法。     

基于粗糙集理论的岩爆预测模糊综合评价

基于粗糙集理论和模糊集理论相结合的方法,利用粗糙集中的知识约简方法挖掘评价指标,把权系数问题转化为粗糙集中属性重要性评价问题,建立了关于岩爆发生和烈度分级评价的关系数据模型。利用国内外一些重大深部岩石工程实例作为学习的样本进行训练,经过训练后的模型判别估计误判率为0。利用该模型对实际工程项目贵州开磷集团马路坪深埋硬岩矿山岩爆情况进行预测,预测等级与实际结果吻合,说明该模型在研究岩爆预测中具有良好的实用性和有效性。该方法可为深部地下工程岩爆发生可能性及其烈度分级预测提供一种新思路。     

岩爆烈度分级预测中的贝叶斯判别分析

针对岩爆烈度分级预测中存在诸多不确定因素的问题,应用贝叶斯判别分析法建立岩爆烈度分级预测的评价模型。根据岩爆的特点及成因,选取岩石的弹性能量指数Wet,应力系数σθ/σc及岩石脆性系数σc/σt作为判别因子;将岩爆烈度分为无、弱、中、强4个等级并作为贝叶斯判别分析的4个正态总体;以国内外14组工程岩爆分析初始数据进行分级判别,以训练样本建立贝叶斯线性判别函数,以该函数计算待判样品的贝叶斯判别函数值,以最大值对应的总体作为样品的归属。为进一步考察该模型的有效性与实用性,运用该模型对秦岭隧道工程及凡口铅锌矿的岩爆实例进行分析,并与人工神经网络模型、模糊概率模型的判别结果及实际情况进行比较。研究结果表明,该模型判别预测结果与人工神经网络模型及模糊概率模型的判别结果及实际岩爆情况较吻合。     

基于博弈-灰靶模型的岩爆烈度等级评价

岩爆一直是深部高应力地下工程面临的一大难题，为了有效预测和评价地下岩体工程的岩爆灾害，建立了基于博弈论组合赋权-灰靶决策的岩爆烈度等级评价模型。首先，选取岩石单轴抗压强度与抗拉强度的比值σ_c/σ_t、切向应力与单轴抗压强度的比值σ_θ/σ_c、弹性变形能指数W_et和完整性系数K_v等定量化指标建立评价指标体系，运用Critic法、变异系数法和熵权法分别计算出各个指标的权重，再根据博弈理论对权重进行优化，进而确定博弈论组合赋权；然后，结合灰靶决策理论，建立不同岩爆烈度等级的综合靶心距分布集；最后，通过综合靶心距的大小对岩爆烈度等级进行判定。为验证所建模型的准确性和合理性，以终南山公路隧道工程为例，根据实测数据对该评价模型进行实例分析。研究结果表明：基于博弈-灰靶模型的岩爆评价结果与实际岩爆情况基本一致，说明该岩爆烈度等级评价模型有较好的精准性和可靠性。     

基于 CRITIC-Vague模型的岩体可爆性评价

为更精确地评价岩体可爆性，结合 CRITIC 法与 Vague 集理论，建立了岩体可爆性评价的 CRITICVague 模型。选取抗压强度、岩石容重、完整性系数和炸药单耗作为岩体可爆性评价指标，运用 CRITIC 法计算了各指标权重，分别将样本数据和评价标准的各项指标值转化为 Vague 值，将评价标准中的大等级精细化为小等级，采用 MATLAB 编程并计算样本数据与小等级 Vague 值的总体相似度量值，依据最大相似度量值确定岩体可爆性的小等级与大等级。将 20 组岩体可爆性评价工程实例数据代入 CRITIC-Vague 模型进行验证，评价结果较准确。应用模型于纳米比亚湖山铀矿工程实践，结果表明：该模型具有较高的可靠性，提高了岩体可爆性评价的精度，对爆破工程实践具有一定的指导意义。     

基于修正散点图矩阵与随机森林的岩爆等级预测

为了提高岩爆预测模型的精度,本文以围岩洞壁最大主应力、岩石单轴抗压强度、岩石单轴抗拉强度、应力系数、脆性系数、岩石弹性能指数等参数作为预选预测指标。运用修正散点图矩阵分析指标间、指标与岩爆等级间的关系,筛选指标集中的离群值,确定构成岩爆预测的指标体系。引入并优化随机森林算法,采取Randomize Search CV、Grid Search CV和3折交叉验证寻求最优超参数,运用优化后模型对岩爆实例进行岩爆倾向性等级预测,并将预测结果与神经网络模型、支持向量机模型、XGBoost模型结果进行分析对比,研究表明:修正散点图矩阵对筛选多维岩爆数据离群值是有效的,优化后的RandomForest模型的预测准确率92.6%,为岩爆倾向性分级提供一种新的方法。     

基于熵权-理想点法的岩爆烈度预测模型及其应用

基于理想点法的基本原理,在综合考虑岩爆主要影响因素的基础上,选取围岩最大切向应力与岩石单轴抗压强度的比值、岩石单轴抗压与抗拉强度的比值和岩石弹性能量指数作为评判指标,通过信息熵理论确定各指标的权重系数,建立岩爆发生和烈度分级预测模型。最后,将其应用于苍岭隧道的岩爆等级判别中。研究表明,预测结果与实际岩爆情况相吻合,运用熵权-理想点法进行岩爆烈度分级预测是可行的。     

基于 AdaBoost-BAS-SVM模型的岩爆预测研究

岩爆是发生在深埋地下高应力岩体开挖工程中的一种动力破坏现象,作为矿山开采过程中的主要工 程地质灾害之一,其等级预测是必须解决的岩石工程的重大问题。综合岩爆预测过程中多因素影响,选取 σθ/σc、 σ c/σt、Wet作为岩爆等级预测指标。通过利用天牛须搜索（BAS）算法解决支持向量机（SVM）中的重要参数 C 与 gamma 择优问题,并引用 AdaBoost 集成学习算法对 BAS-SVM 弱学习器进行强化训练,解决了单一分类器不稳定问题, 最终建立了 AdaBoost-BAS-SVM 岩爆等级预测模型。通过收集到的 194 组实例数据对该模型进行训练测试,并与 SVM、BAS-SVM、AdaBoost-SVM 3 组模型进行结果对比。结果表明：该模型较其他 3 组模型预测准确度更高,其收 敛性能明显提高,可有效、快速地预测岩爆等级。     

基于 CRITIC-Vague模型的岩体可爆性评价

为更精确地评价岩体可爆性,结合 CRITIC 法与 Vague 集理论,建立了岩体可爆性评价的 CRITICVague 模型。选取抗压强度、岩石容重、完整性系数和炸药单耗作为岩体可爆性评价指标,运用 CRITIC 法计算了各指标权重,分别将样本数据和评价标准的各项指标值转化为 Vague 值,将评价标准中的大等级精细化为小等级,采用 MATLAB 编程并计算样本数据与小等级 Vague 值的总体相似度量值,依据最大相似度量值确定岩体可爆性的小等级与大等级。将 20 组岩体可爆性评价工程实例数据代入 CRITIC-Vague 模型进行验证,评价结果较准确。应用模型于纳米比亚湖山铀矿工程实践,结果表明：该模型具有较高的可靠性,提高了岩体可爆性评价的精度,对爆破工程实践具有一定的指导意义。     

基于权重融合的多维云模型岩爆预测研究

岩爆是地下空间开发和矿业工程中主要工程地质灾害之一,岩爆倾向性预测是必须解决的岩石工程的重大问题。针对岩爆预测过程中多因素综合影响的特点,采用云雾化理论对权重融合的合理性进行检验,获得检验通过的综合权重,采用多维云模型岩爆预测方法,生成综合多种指标的等级综合云。最后,通过若干组国内外典型岩爆实例验证模型的可靠性和实用性,并与CRITIC-云模型、熵权-云模型和RS-TOPSIS模型对比,结果表明:基于云模型理论的权重融合方法能获得更为合理的综合权重,多维云模型应用于岩爆倾向性预测是有效的,可以直观、快速有效地判定岩爆烈度分级。     

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI_1,RCI_2,RCI_3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。     

模糊灰关联模式识别方法在岩爆预测中的应用

将模式识别方法用于岩爆预测研究,选取岩石弹性能量指数、脆性系数和围岩最大切向应力与岩石单轴抗压强度的比值作为岩爆灾害预测的主要影响因子,运用灰色系统理论和模糊数学原理提出了基于模糊灰关联模式识别的岩爆预测方法。利用所提出的方法对冬瓜山铜矿床岩爆倾向与烈度进行了预测研究,研究结果表明,该方法具有较高的预测精度,具有良好的应用前景。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

基于模糊数学法的阿舍勒铜矿深部岩体岩爆倾向性预测

在地应力测试和岩石力学参数试验的基础上,首先采用单指标评价法,如:岩石脆性系数法、能量冲击性指数法、岩石弹性能量指数法等,对阿舍勒铜矿深部岩体的岩爆倾向性和烈度大小进行了预测,发现采用不同的岩爆倾向评价方法,其结果会存在一定的离散性。基于单指标评价结果,采用模糊数学评判法,建立数学模型,对阿舍勒铜矿深部围岩体岩爆倾向性进行了综合分析计算,评判结果表明:凝灰岩、铜硫矿、黄铁矿三种岩性岩爆倾向性分别为弱岩爆倾向、中等岩爆倾向、中等岩爆倾向,评判结论与现场实际情况吻合,表明使用模糊数学综合评判法预测岩爆倾向性可靠有效。     

基于组合赋权-改进集对分析的岩爆倾向性预测研究

岩爆是地下工程中的主要地质灾害之一,具有强破坏性、不确定性、突发性等特点。为准确、有效地预测地下工程中的岩爆倾向性,基于组合赋权-改进集对分析理论,建立了岩爆倾向性预测模型。首先从岩性、应力、围岩3个方面确立预测指标;其次利用组合数有序加权平均算子赋权法（Combination Weighting Averaging,C-OWA）、关联准则重要性赋权法（Criteria Importance Though Intercrieria Correlation,CRITIC）、博弈论分别计算出主观权重、客观权重,组合权重;最后将传统集对分析理论中的三元联系度改进为四元联系度,用改进后的集对分析理论计算出综合联系度来预测出岩爆等级。将该模型应用于西藏甲玛铜多金属矿等工程的岩爆倾向性预测中,得出该矿的综合联系度为[u1=-0.302 9],为弱岩爆,与实际相符。研究表明：所建立的模型适用于岩爆倾向性预测,与交互式多准则决策预测模型和逼近理想解排序法预测模型对比,准确性、可靠性较优,为岩爆倾向性预测提供了一种新的途径。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。     

基于随机森林模型的岩爆等级预测研究

以岩石单轴抗压强度、单轴抗拉强度、硐室最大切向应力、岩石压拉比、应力系数、弹性变形指数和完整性系数为岩爆评价指标, 建立了4种评价方案; 在引入随机森林算法的基础上, 建立了岩爆等级预测的随机森林模型, 并通过R语言编写代码对该模型进行了计算, 得出评价指标的重要性和预测结果; 将4种评价方案用随机森林法、线性回归法和支持向量机法分别进行预测并将结果进行对比分析。结果表明：随机森林法的岩爆预测准确率较高(达到97%), 适用于解决数据不完全的小样本问题; 岩石完整性系数重要度最大, 岩石单轴抗压强重要度最小。     

基于ν-SVR算法的岩爆预测分析

以预测地下工程岩爆发生为研究目的,在综合影响岩爆的关键因素的基础上,选取地下工程围岩最大切向应力、岩石单轴抗压、抗拉强度、弹性能量指数、围岩切向应力与围岩抗压强度比值、围岩抗压强度与其抗拉强度的比值作为岩爆预测的评判指标,建立了一种基于改进支持向量机算法( ν-SVR)的岩爆预测方法,并利用国内外45个岩石地下工程实例进行学习,对另外的16个实例进行了预测,取得了较好的效果,其预测精度明显优于灰色理论和常规SVR算法,与GA-BP神经网络算法相近.