基于主成分分析和改进Bayes判别的岩爆等级预测

随着深部开采和地下空间的综合利用,岩爆灾害日益频发。为了提高岩爆预测的准确性,采用主成分分析法和改进贝叶斯(Bayes)判别法,选取岩石单轴抗压强度、脆性系数、岩石弹性能量等指标,建立岩爆综合预测模型。采用主成分分析法对原始数据进行预处理,消除相关性影响,满足Bayes判别条件,确定影响岩爆的主要因素;使用改进Bayes判别对岩爆烈度分级,在传统的Bayes模型基础上增加阈值修正,解决指标所属的类别分布不均、先验概率差距较大和后验概率位于分类边界附近出现误判的问题。研究结果表明,传统的Bayes判别预测样本的准确率达到93.18%,经过改进后大幅提高了模型的准确率和泛化能力,可为岩爆研究提供参考。     

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。     

基于组合赋权的可拓综合评价岩爆预测模型

岩爆是矿山生产中棘手的地质灾害,严重威胁人员与设备的安全。为了对岩爆进行合理预测,选取应力系数σ_θ/σ_c、脆性系数σ_c/σ_t和弹性能量指数W_et作为分级评判指标,主客观组合赋权确定指标间的权重,主观赋权方法为专家打分法,客观赋权方法为熵权法,采用乘法合成法进行组合赋权。通过组合赋权调整权重确定的主观性,建立组合赋权的可拓综合评价岩爆预测模型。将建好的模型应用于工程实例中,预测结果与实际情况一致,是一种可以应用于工程的模型。     

基于深度神经网络的岩爆烈度分级预测

岩爆是大型地下岩土和深部资源开采工程中面临的关键问题之一。为准确可靠地预测岩爆灾害,本研究提出一种基于Dropout与改进的Adam的深度神经网络(DNN)岩爆预测模型(DA-DNN)。根据岩爆的影响因素、特点及成因,选取硐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构成岩爆预测指标体系。在国内外岩爆研究成果的基础上,搜集289组岩爆工程实例数据,并以此作为岩爆预测的样本数据,然后采用深度学习技术建立基于DA-DNN岩爆预测模型。DA-DNN模型避开了指标权重确定问题,完全由数据驱动,减少了人为因素影响,可实现不完全、不精确并带有噪声的有限数据集中复杂且微妙的深层关系的学习。考虑到岩爆样本数据量有限,根据深度学习领域常用的数据集划分方法,即训练集、验证集、测试集按照6∶2∶2划分。先从样本数据中随机抽取58组作为测试集(预测样本),在模型最终训练完成后,评估其泛化能力,测试其真正的预测准确率。剩余的231组样本数据作为DA-DNN模型的学习样本,在训练过程中随机采样,抽取学习样本的80%作为训练集,20%作为验证集。当训练次数(epochs)取60时,学习样...     

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Fisher判别的地下工程岩爆预测

按照Russenes和王元汉等人的岩爆经验判别准则,取硐室最大切向应力和岩石单轴抗压强度的比值、岩石单轴抗压强度和岩石单轴抗拉强度的比值、弹性能量指数作为地下工程岩爆的评判指标,利用国内外14个地下工程岩爆资料作为训练样本,建立Fisher岩爆级别判别模型,并对待判样本岩爆级别进行了预测.结果表明,所建Fisher岩爆判别模型的计算结果与实际情况吻合程度高,具有较强的判别能力.     

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。     

岩石可崩性分级的Fisher判别方法

在深入研究Fisher判别法和分析多种岩石可崩性分级评价方法的基础上,选取影响岩石可崩性分级的主要因素:岩石抗压强度、RQD值、节理间距、摩擦角、张开度、地下水作为判别因子,构建岩石可崩性分级的Fisher判别模型。利用国内外岩石可崩性分级实例作为样本进行训练,求出最优线性判别函数,用建立的判别模型对已有的几个分级实例进行判别分级,分级结果与实际吻合程度很高,验证了判别方法的可行性。     

岩爆分级预测的粗糙集-多维正态云模型

准确有效的岩爆分级预测对避免或减少岩爆灾害具有重要意义。选取围岩最大切向应力σθ、岩石单轴抗压强度σc、岩石单轴抗拉强度σt和岩石弹性变形能指数Wet作为岩爆评价指标,将多维正态云模型作为岩爆等级的预测方法,利用粗糙集确定评价指标权重,以国内外15组岩爆实例作为模型构建样本,建立了粗糙集-多维正态云岩爆分级预测模型。首先采用模糊集聚类后再通过粗糙集逐级筛选评价指标的方法确定评价指标权重,根据多维正态正向云发生器计算得到评价指标的确定度;然后利用评价指标权重和评价指标确定度计算评价样本的综合确定度,根据最大隶属度原则,判定评价样本的岩爆等级。采用鑫华矿业矿岩样本对粗糙集-多维正态云岩爆分级预测模型进行了有效性验证,计算结果与工程实际相吻合,表明该模型具有较好的实用性。     

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。     

岩体质量分级的Bayes判别分析方法

将Bayes判别分析方法应用于岩体质量等级判别与分类中,建立了岩体质量综合评判的Bayes判别分析模型.模型选用岩石质量指标、完整性系数、单轴饱和抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为判别因子;将岩体质量分为4个等级作为Bayes判别分析的4个正态总体;以隧道围岩实测数据作为训练样本,建立Bayes线性判别函数;以Bayes线性判别函数计算待判样品的Bayes判别函数值,以最大值对应的总体作为样品所归属的总体;最后以刀切法对判别准则进行评价以检验模型的优良性.研究表明,Bayes判别分析模型误判率低,识别正确率达96.67%.     

矿区立井井筒非采动破裂的距离判别分析预测法

将距离判别分析方法应用于矿区立井井筒非采动破裂的预测问题中,建立了井筒非采动破裂的距离判别分析模型.选用表土层厚度、底含厚度、底含水位速降、井筒外径、井壁厚度和井筒投入使用时间6项指标作为距离判别分析模型的判别因子,以历史上工程实测数据作为学习样本进行训练,建立相应判别函数对工程实例进行预测.研究结果表明,距离判别分析模型分类性能良好,预测精度高,回判估计的误判率很低.     

岩体质量分级的Fisher判别分析模型及应用

将Fisher判别理论用于岩体质量分级,建立岩体质量分级的Fisher判别分析模型。选取单轴抗压强度、岩体声波纵波速度、体积节理数、节理面粗糙度系数、节理面风化变异系数、透水性系数6个指标作为岩体质量分级判别因子,以工程岩体实测数据作为学习样本进行训练,建立相应线性判别函数对待判样本进行分级。结果表明,FDA（Fisher Discriminant Analysis）模型稳定可靠、判别精度高、分类性能良好,且有效降低人为因素的影响,是岩体质量等级分类的一种有效方法,可在实际工程中推广应用。     

基于集成算法和普通机器学习算法的岩爆分级预测及选择

岩爆是国内外深部地下工程面临的巨大灾害,岩爆预测具有显著的现实意义。现阶段单一的机器学习算法准确率较低、泛化性不足,难以发挥各个算法优点。为满足岩爆预测与工程实际需要,提出基于集成算法和普通机器学习算法相互结合预测岩爆各个等级,充分发挥不同算法在某一岩爆等级预测的优势并形成互补。提出改进的Boosting、Bagging集成预测算法,与stacking、random forest、random subspace集成算法和普通学习算法诸如BP、贝叶斯算法（bayes）、k最近邻（KNN）、支持向量机（SVM）等在内的14种预测算法进行相互结合验证。基于国内外地下工程165组岩爆实例,选取围岩最大切向应力(MTS),岩石单轴抗压强度(UCS),岩石单轴抗拉强度(UTS),岩石弹性能量指数(Wet) 构建岩爆预测体系,引入T–分布邻域嵌入(T-SNE),对数据进行降维可视化。为避免算法预测岩爆过程中预测结果的偶然性,即出现预测准确率过高或过低的现象,采用在各个岩爆等级按照比例随机筛选训练集和测试集,确保数据集分类的严谨性;每次机器学习过程的数据都具有随机性,再采用10次运行结果后取各项预测平均值,评价算法在各个等级的准确率和算法整体的预测稳定性。结果表明：LDA 对 Ⅱ 级岩爆有更高的准确率,Bayes分类 Ⅳ 级岩爆效果最好,Adaboost.M1对 Ⅰ 级和 Ⅲ 级有最高的准确率。整体预测效果基于决策树的Bagging预测稳定性更好,预测精确率高。最后引入终南山隧道竖井工程案例,预测结果与现场实际工况较为一致,表明本文所建立算法的可靠性。     

采场顶板稳定性动态工程分类的Fisher判别分析

基于Fisher判别分析理论, 综合考虑岩石介质条件、环境条件以及工程条件3大方面, 并遵循超前性与实用性原则, 选取采场的直接顶单轴抗压强度、岩石质量指标、煤体抗压强度、工作面推进速度及顶板水文状况5个因素作为判别分析的因子, 建立采场顶板稳定性动态分类的Fisher判别分析模型。将该方法应用于某采场顶板稳定性动态工程分类预测中, 以现场26组数据作为训练样本, 建立具体的Fisher判别函数, 回判估计的误判率极低, 并利用第一判别函数确定特定顶板合理的工作面推进速度范围, 指导工程实际施工。     

边坡稳定性预测的Fisher判别分析模型

将Fisher判别分析法应用于边坡稳定性预测问题中,建立了边坡稳定性预测的Fisher判别分析模型,选取岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6项指标作为Fisher判别分析模型的判别因子,以边坡工程实测数据作为学习样本进行训练,建立相应的判别函数对待判样本进行分类。研究结果表明Fisher判别分析模型分类性能良好,预测精度高,回判估计的误判率很低,是边坡稳定性预测的一种有效方法,可以在实际工程中进行推广。     

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,以围岩洞壁最大切向应力(MTS)、岩石单轴抗压强度(UCS)、岩石单轴抗拉强度(UTS)、应力系数(SCF)、脆性系数(BI)、岩石弹性能指数(EEI)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...     

数字钻探随钻参数与岩石单轴抗压强度关系

针对常规的现场岩石单轴抗压强度测试方法周期长、成本高的问题,提出一种基于数字钻探测试岩石单轴抗压强度的方法。根据岩石钻进过程中的受力特点,基于能量分析法,推导了岩石单位切削能与随钻参数的关系式。同时,基于自主研发的多功能岩石钻探测试系统,开展了砂岩及不同强度砂浆试件等完整岩石的数字钻探试验,通过试验结果分析,建立了随钻参数与岩石单轴抗压强度的定量关系模型(DP-UCS模型),并对其进行了验证,结果表明:DP-UCS模型预测的单轴抗压强度与单轴压缩试验测定的单轴抗压强度的差异率平均值小于10%,证明了该模型的有效性。     

基于pfc铁矿石点载荷试验估算单轴强度的研究

用点载荷来测量岩石强度被广泛的应用在工程实践中。为对其精准性和反算岩石单轴强度进行研究,通过3D扫描获取矿石点载荷试件的外形特征,然后利用颗粒流软件PFC对点载荷进行与室内点载荷试验,再将其细观参数记录下来导入生成的标准单轴模型,直接模拟出该岩石单轴抗压强度。结果表明：数值模拟能够很好的还原点载荷试验的特征,利用点载荷数值模拟的细观参数能够直接模拟出该岩石单轴模型,并能够得出该矿石的单轴抗压强度,其强度标准差31.197小于通过点载荷所计算的单轴强度标准差 38.312,为利用岩石点载荷强度估算岩石单轴强度提供了一种方法。同时说明点载荷试验,因岩块外部形状和内部结构的不同,对其反算的单轴强度的精确性产生了一定影响。