岩爆预测的粒子群优化投影寻踪模型

岩爆是深部高地应力区地下岩体工程中的主要工程地质灾害之一,对其发生及烈度预测是一个复杂的不确定系统问题。结合投影寻踪算法、粒子群优化算法和逻辑斯谛曲线函数,并选取洞室最大切向应力与岩石单轴抗压强度的比值、脆性系数和弹性能量指数作为判别指标,建立了岩爆预测的粒子群优化投影寻踪模型。该模型一方面采用粒子群算法优化投影指标函数及逻辑斯谛曲线函数参数,确保了模型参数的准确性;另一方面利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系。模型的测试结果显示了良好的精度。将该模型应用到秦岭隧道和冬瓜山铜矿的岩爆预测中,预测结果与实际情况吻合较好,表明该模型在岩爆预测中的可行性和有效性。     

岩爆发生和烈度分级预测的距离判别方法及应用

岩爆是深部高地应力区岩石地下工程中的主要工程地质灾害之一，对其发生的可能性及其烈度分级的预测是工程建设过程中所必须解决的重大问题。基于距离判别分析理论，建立岩爆发生和烈度分级预测的距离判别分析模型。选取影响岩爆的主要因素如最大切向应力σθ、小单轴抗压强度σc、单轴抗拉强度σt和弹性能量指数Wet，并把σθ／σc，σc/σt和Wet作为判别因子建立岩爆预测的距离判别分析模型，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。经过训练后的模型回判估计的误判率为0。利用该模型对国内西康铁路秦岭隧道工程和铜陵冬瓜山深埋硬岩矿山的岩爆情况进行预测，结果与实际情况符合较好，说明该模型在研究岩爆发生可能性及烈度分级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。     

岩爆预测的人工神经网络模型

选取岩石抗压强度、抗拉强度、弹性能量指数和洞壁最大切向应力作为岩爆预测的评判指标 ,建立了岩爆预测的神经网络模型 ,对岩爆的发生及其烈度进行预测。实例计算表明 ,用人工神经网络方法进行岩爆预测是可行有效的     

基于改进的灰评估模型在岩爆中的预测研究

岩爆是深部高地应力区岩体开挖过程中常见的一种复杂的动力失稳现象。由于影响因素众多,且各因素在岩爆的孕育过程中所起的作用尚不十分明确,可以将岩爆与其影响因素间的复杂关系当作灰色系统,利用灰色聚类方法进行研究。根据岩爆的成因及特点,选取洞壁围岩的最大切应力 、单轴抗压强度 、单轴抗拉强度 及岩石弹性能量指数 作为影响岩爆的主要因素,并以应力系数 / 、脆性系数 / 及弹性能量指数 作为评价指标,通过对灰色白化权函数进行优化,建立改进的岩爆预测灰评估模型。该模型解决了传统模型存在的灰类多重交叉性及不满足规范性等问题,理论上更完备。采用改进模型对国内外若干深部岩石工程岩爆初始数据进行研究,并与传统模型的预测结果进行对比,发现改进模型的结果与实际情况吻合更好,预测精度更高,从而验证了改进模型的有效性及实用性。研究方法为岩爆的准确预测提供一种切实可行的途径。     

基于粒子群优化的PLS-LCF岩爆灾害预测模型研究

岩爆灾害的预测是一个复杂的系统性问题,有必要全面综合考虑影响岩爆发生的各种因素,但当考虑变量较多时,变量间存在的多重共线性会影响分析的客观性。为了消除这种不利影响,更好地预测岩爆灾害,利用偏最小二乘法对影响岩爆的因素进行分析,提取一个对因变量解释性最强的新综合变量,较好地克服了变量间的多重共线性,并采用逻辑曲线函数表达新成分与岩爆等级之间的非线性关系,通过具有全局寻优性能的粒子群算法对函数参数优化求解,进而建立岩爆灾害预测的粒子群优化PLS-LCF模型。对模型所进行的测试显示其良好的精度,将其应用到实际工程的岩爆预测当中,分析结果与实际情况吻合较好,表明该模型在岩爆灾害预测中具有可行性与有效性。     

未确知测度模型在岩爆烈度分级预测中的应用

 针对岩爆烈度分级预测评价中诸多因素不确定性问题,应用未确知测度理论并结合工程实际,根据岩爆的特点及成因,选取最大切应力sθ、单轴抗压强度sc、单轴抗拉强度st及岩石的弹性能量指数Wet,并以应力系数sθ/sc、岩石脆性系数sc/st及弹性能量指数Wet作为岩爆烈度分级的评价指标,建立岩爆烈度分级预测的未确知测度评价模型。以国内外18组工程岩爆分析初始数据进行分级判别,根据实际情况建立各评价因子的未确知测度函数,对其进行定量分析,并利用熵计算各评价指标的权重,依照置信度识别准则进行等级判定,最后得出岩爆烈度分级预测的评价结果。并与模糊综合评判法、属性综合评判法、灰色聚类法、物元分析法及实际情况的结果进行比较。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的岩爆实例进行分析。研究结果表明：该模型判别预测结果与实际岩爆情况较吻合,且方法科学合理,意义明确,为岩爆烈度分级预测提供一种新思路。     

模糊概率模型在岩爆烈度分级预测中的应用

 岩爆是深部高地应力区岩石地下工程中的一种常见地质灾害,对其发生的可能性及其烈度分级预测是地下工程建设中亟待解决的重大课题之一。以模糊概率理论为基础,选取影响岩爆的一些主要因素,如洞壁最大切向应力sq、岩石单轴抗压强度sc、岩石单轴抗拉强度st以及岩石弹性能量指数Wet,并以sq /sc,sc /st和Wet作为评价影响因子,同时将岩爆烈度划分为无岩爆、弱岩爆、中岩爆和强岩爆4个等级,建立岩爆烈度分级预测的模糊概率模型。在此模型中,提出了模糊权重的概念,可充分考虑权重的模糊性。模糊概率模型不仅继承了经典模糊综合评判法的思想和优点,同时也克服了其在实际应用中评价影响因子权重取值的局限性,因而具有明显的合理性。应用该模型对冬瓜山深埋硬岩矿山、秦岭隧道工程以及某大型水电站地下厂房3个典型工程岩爆的实例分析表明,其预测结果与实际情况符合较好。为进一步考察该模型的可靠性与实用性,对国内外23个大型岩石地下工程实例进行计算分析,其预测结果与实际岩爆情况也相当吻合。由此可见,模糊概率模型为深部岩石地下工程岩爆预测问题提供了一种新途径。     

基于CRITIC-XGB算法的岩爆倾向等级预测模型

为了更精确地对岩爆倾向等级进行预测,根据岩爆的成因和特点选取了围岩切向应力,围岩切向应力和单轴抗压强度的比值,岩石脆性指数和岩石的弹性变形能量指数作为岩爆倾向等级预测指标,然后运用改进的CRITIC算法对指标样本进行加权处理,在此基础上引入新的机器学习算法XGBoost对样本进行计算训练,最终建立岩爆倾向等级预测的CRITIC-XGB模型。运用该模型对收集的岩爆实例进行了岩爆倾向等级预测,并将预测结果与XGBoost、随机森林(RF)和支持向量机(SVM)算法的预测结果进行分析研究。研究结果表明:CRITIC-XGB预测模型较单一的XGBoost模型的收敛性能有较为明显的提高;CRITIC-XGB预测模型较单一的XGBoost算法、RF和SVM算法,有更高的预测准确性,为岩爆倾向等级预测提供了一种新的可靠方法。     

基于SOFM神经网络模型的岩爆烈度等级预测方法

为简化岩爆烈度等级预测指标体系、解决预测分级模糊问题、利于工程人员分析预测结果,建立基于SOFM神经网络的岩爆烈度等级预测模型,并根据竞争层拓扑结构的不同将预测模型拓展成3个模型。将硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度作为模型输入向量,将40组国内外岩爆工程数据作为数据集输入3个模型进行训练、测试,3个模型在测试集上岩爆烈度等级预测正确率均达到90%。比较3个模型的聚类、测试及训练效果,得到竞争层神经元个数为16的预测模型最优。将最优预测模型的预测结果与可拓理论、Russenes判据、基于模糊C–均值算法粗糙集理论云模型的预测结果对比,基于SOFM神经网络模型的岩爆烈度等级预测方法优于其他方法,表明该方法具有一定可行性和实用性,为岩爆预测提供了一种新的方法和手段。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于人工神经网络的岩爆预测

Based on the analysis of main causes of rockburst,the compressive strength,tensile strength,elastic energy index of rock and the maximum tangential stress of the cavern wall are chosen as the criterion indexes for rockburst prediction.A new approach using neural method is proposed to predict rockburst occurrence and its intensity.The prediction results show that it is feasible and appropriate to use artificial neural network model for rockburst prediction.     

自组织特征映射神经网络在岩爆分级预测中的应用

岩爆是地下工程一种常见的动力灾害。为了提高岩爆预测精度和探究岩爆参数之间的潜在关系,本文借签一种自组织特征映射神经网络(SOFM),构建了岩爆烈度分级预测的无监督学习模型。结合国内外岩爆判据,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、脆性系数及弹性能量指数6个参数作为评价指标。将46个典型的岩爆案例输入到竞争层为2×2拓扑结构的SOFM模型中进行训练。结果表明:SOFM模型具有可靠的聚类能力,其正判率为90%;与现有的有监督学习模型进行了比较,验证了本文建立的SOFM模型的优越性;最后,对SOFM聚类结果分析发现,脆性系数对轻微、中等及强岩爆的影响权重均较大,选取的6个评价指标对强岩爆和中等岩爆区分并不明显。     

一种新的岩爆倾向性指标

从岩石的变形和破坏过程中的能量储存和能量耗散出发，指出岩石的单轴抗压强度与单轴抗拉强度之比值可以表征结构较完整岩石的弹性变形能的储存能力以及峰值前后的应变量之比值可以表征岩石的能量储存与耗散之间的相对大小，提出用这两种比值的乘积作为岩爆倾向性指标。采用铜陵有色金属公司冬瓜山深部矿床的典型矿岩进行试验，对这种新的岩爆倾向性指标与现有的岩爆倾向性指标进行对比分析，结合该矿床实际的岩爆调查，说明新指标可以较好地表征岩石的岩爆倾向性，并提出了这种新指标判据的初步建议。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。     

岩爆预测的概率模型

基于岩石单轴抗压破坏特征和强度概率分布规律，首次引入岩爆烈度是岩石概率破坏表现的观点，建立岩爆烈度与岩石单轴压缩强度概率密度函数的对应关系，进而确定不同应力强度比条件下各级岩爆烈度发生概率的计算式。该预测模型能够反映洞室岩爆发生的基本规律，并可以预测不同应力条件下的各级岩爆的发生概率。工程实例分析表明该预测模型是有效的。     

基于组合权重–理想点法的应变型岩爆五因素预测分级

基于理想点法的基本理论,综合考虑了岩爆发生机理,选取围岩洞壁最大主应力与岩石单轴抗压强度的比值、围岩洞壁最大切向应力与岩石单轴抗压强度的比值、岩石单轴抗压强度与岩石单轴抗拉强度比值、岩石弹性能指数以及岩体完整性系数作为评判预测指标,通过层次分析法和熵权理论计算主客观权重,综合确定各个指标的权重系数,构建了应变型岩爆组合权重–理想点法预测分析模型。通过统计相关工程案例,利用模型进行工程实例分析,验证了该模型的可行性与适用性。基于岩爆预测分级模型,开发了相应程序,可以为类似工程岩爆预测与等级划分提供重要支撑。