基於極限學習機的隧道施工中的反饋分析方法及其裝置製造方法
2023-05-24 13:35:51
基於極限學習機的隧道施工中的反饋分析方法及其裝置製造方法
【專利摘要】本發明公開了一種基於極限學習機的隧道施工中的反饋分析方法及其裝置，所述反饋分析方法，包括如下步驟：利用最優的輸入層權值和隱含層偏移量，通過極限學習機分別對訓練樣本集Ⅰ、訓練樣本集Ⅱ進行訓練和學習，得到圍巖分類進化極限學習機模型和圍巖參數識別進化極限學習機模型；獲取隧道施工過程中所揭露的圍巖分類影響因素；以圍巖分類影響因素作為輸入，通過圍巖分類進化極限學習機模型輸出圍巖分類結果；監測並獲得隧道的圍巖位移；根據所述圍巖分類結果，在不同圍巖類別範圍內，結合獲得的圍巖位移，利用差異進化算法和圍巖參數識別進化極限學習機模型，獲取圍巖力學參數；本發明可快速得到圍巖分類結果和圍巖力學參數，預測準確、精度高。
【專利說明】基於極限學習機的隧道施工中的反饋分析方法及其裝置
【技術領域】
[0001]本發明涉及一種隧道施工中的反饋分析方法及其裝置，具體為一種基於極限學習機的隧道施工中的反饋分析方法及其裝置。
【背景技術】
[0002]隧道是修建於地下的隱蔽工程，地質體不確定性和複雜性使隧道設計和施工存在盲目性，容易造成支護成本浪費或導致圍巖塌方災害，因此利用圍巖揭露信息和監測信息對圍巖進行反饋分析具有重要意義。
[0003]隧道施工中的反饋分析是地質體從黑箱向灰箱轉化的必要過程，是進行隧道支護方案動態調整的前提。首先從定性角度，可以通過開挖揭露出的信息反饋確定圍巖類別，其次從定量角度，可以進一步通過力學反分析獲得圍巖參數，為隧道施工過程中的數值模擬計算提供基礎，隧道反分析過程本質上是複雜優化問題，針對傳統優化方法的局限性，現有技術中，研究人員將遺傳算法、神經網絡、卡爾曼濾波算法、差異進化算法和粒子群算法等引入到隧道工程反分析中，儘管使得反饋分析的實現取得了不少成果，但由於遺傳算法和神經網絡等算法比較複雜、三維模型計算耗時太長、同時隧道施工圍巖分類和反分析受到施工進度的制約，因此總體上隧道施工分析仍主要依靠人為經驗，具有較大的隨意性。所以，研究新的反饋分析方法並加以應用，具有重要的工程價值和學術意義。
【發明內容】
[0004]本發明針對以上問題的提出，而研製一種基於極限學習機的隧道施工中的反饋分析方法及其裝置。
[0005]本發明的技術手段如下:
[0006]一種基於極限學習機的隧道施工中的反饋分析方法，包括如下步驟:
[0007]步驟1:構建圍巖分類的樣本集1、圍巖參數識別的樣本集II，執行步驟2 ；
[0008]步驟2:將所述樣本集I劃分為訓練樣本集I和測試樣本集I兩個部分，將所述樣本集II劃分為訓練樣本集II和測試樣本集II兩個部分，執行步驟3 ；
[0009]步驟3:將極限學習機的輸入層權值和隱含層偏移量作為差異進化算法的個體，通過所述差異進化算法隨機生成初始種群，執行步驟4 ；
[0010]步驟4:計算出當前種群的各個體的適應值，執行步驟5 ;
[0011]步驟5:判斷當前種群的個體是否滿足進化結束條件，是則執行步驟7，否則執行步驟6 ;
[0012]步驟6:使用差異進化算法對父代種群中的個體依次進行變異操作和交叉操作，得到新的子代種群，針對所得到的新的子代種群和其父代種群，執行選擇操作，選擇兩代種群中適應值優秀的個體作為下一代種群，返回步驟4 ；
[0013]步驟7:輸出當前種群中適應值最優的個體，並獲得相應的最優的輸入層權值和隱含層偏移量，執行步驟8;
[0014]步驟8:利用所述最優的輸入層權值和隱含層偏移量，通過極限學習機分別對訓練樣本集1、訓練樣本集II進行訓練和學習，得到圍巖分類進化極限學習機模型和圍巖參數識別進化極限學習機模型，執行步驟9 ；
[0015]步驟9:獲取隧道施工過程中所揭露的圍巖分類影響因素，執行步驟10 ；
[0016]步驟10:以圍巖分類影響因素作為輸入，通過圍巖分類進化極限學習機模型輸出圍巖分類結果，執行步驟11;
[0017]步驟11:監測並獲得隧道的圍巖位移if，k取值為1、2、…、S，其中S為圍巖位移監測點的數量，執行步驟12;
[0018]步驟12:根據所述圍巖分類結果，在不同圍巖類別範圍內，結合獲得的圍巖位移<，利用差異進化算法和圍巖參數識別進化極限學習機模型，獲取圍巖力學參數；
[0019]所述步驟12具體包括如下步驟:
[0020]步驟120:通過差異進化算法隨機產生第一代種群，該第一代種群具有S個個體，執行步驟121 ;
[0021]步驟121:分別以當前種群的各個體作為輸入，通過圍巖參數識別進化極限學習機模型輸出相應的圍巖位移tklizbr Z2,…，Zr) ], k取值為1、2、…、S，Z (Z1' Z2,…，Zr)為r個待反演的圍巖力學參數，執行步驟122 ；
[0022]步驟122:利用目標函數可
【權利要求】
1.一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於包括如下步驟: 步驟1:構建圍巖分類的樣本集1、圍巖參數識別的樣本集II，執行步驟2 ； 步驟2:將所述樣本集I劃分為訓練樣本集I和測試樣本集I兩個部分，將所述樣本集II劃分為訓練樣本集II和測試樣本集II兩個部分，執行步驟3 ； 步驟3:將極限學習機的輸入層權值和隱含層偏移量作為差異進化算法的個體，通過所述差異進化算法隨機生成初始種群，執行步驟4 ; 步驟4:計算出當前種群的各個體的適應值，執行步驟5 ; 步驟5:判斷當前種群的個體是否滿足進化結束條件，是則執行步驟7，否則執行步驟6 ； 步驟6:使用差異進化算法對父代種群中的個體依次進行變異操作和交叉操作，得到新的子代種群，針對所得到的新的子代種群和其父代種群，執行選擇操作，選擇兩代種群中適應值優秀的個體作為下一代種群，返回步驟4 ； 步驟7:輸出當前種群中適應值最優的個體，並獲得相應的最優的輸入層權值和隱含層偏移量，執行步驟8; 步驟8:利用所述最優的輸入層權值和隱含層偏移量，通過極限學習機分別對訓練樣本集1、訓練樣本集II進行訓練和學習，得到圍巖分類進化極限學習機模型和圍巖參數識別進化極限學習機模型，執行步驟9 ； 步驟9:獲取隧道施工過程中所揭露的圍巖分類影響因素，執行步驟10 ； 步驟10:以圍巖分類影響因素作為輸入，通過圍巖分類進化極限學習機模型輸出圍巖分類結果，執行步驟11 ； 步驟11:監測並獲得隧道的圍巖位移^，k取值為1、2、…、S，其中S為圍巖位移監測點的數量，執行步驟12; 步驟12:根據所述圍巖分類結果，在不同圍巖類別範圍內，結合獲得的圍巖位移利用差異進化算法和圍巖參數識別進化極限學習機模型，獲取圍巖力學參數； 所述步驟12具體包括如下步驟: 步驟120:通過差異進化算法隨機產生第一代種群，該第一代種群具有S個個體，執行步驟121 ； 步驟121:分別以當前種群的各個體作為輸入，通過圍巖參數識別進化極限學習機模型輸出相應的圍巖位移tJZbp z2,…，zr) ], k取值為1、2、…、S, Z(z!> z2,…，zr)為r個待反演的圍巖力學參數，執行步驟122 ；
步驟122:利用目標函數
獲得目
標函數值EliZb1、z2,…，zj],其中Ζ(Ζρ z2,…，zr)為r個待反演的圍巖力學參數、S為圍巖位移監測點的數量、$為監測到的圍巖位移4[2(21、22，...，^)]為圍巖參數識別進化極限學習機模型輸出的圍巖位移，k取值為1、2、…、S,執行步驟123; 步驟123:將所述目標函數值E[Z(Zl、Z2, - ,zr)]作為適應值，判斷該適應值是否小於預設值，是則執行步驟125，否則執行步驟124 ； 步驟124:使用差異進化算法對父代種群中的個體依次進行變異操作和交叉操作，得到新的子代種群，針對所得到的新的子代種群和其父代種群，執行選擇操作，選擇兩代種群中適應值優秀的個體作為下一代種群，返回步驟121 ； 步驟125:輸出當前種群中適應值最優的個體作為圍巖力學參數Z (Zl、Z2,…，％)。
2.根據權利要求1所述的一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於所述步驟I具體為: 收集隧道施工過程中的地質參數，建立以圍巖分類影響因素為輸入，圍巖級別為輸出的圍巖分類的樣本集I; 按照隧道所處地質條件和隧道設計尺寸建立相應的三維數值模型，針對建立的所述三維數值模型，通過改變圍巖力學參數來獲得圍巖位移數據的方式，建立以圍巖力學參數為輸入、圍巖位移數據為輸出的圍巖參數識別的樣本集II。
3.根據權利要求2所述的一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於採用正交設計方法建立以圍巖力學參數為輸入、圍巖位移數據為輸出的圍巖參數識別的樣本集II。
4.根據權利要求1所述的一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於所述步驟4具體為: 針對當前種群的不同個體，通過極限學習機對所述訓練樣本集1、訓練樣本集II分別進行訓練和學習，獲得圍巖分類極限學習機模型和圍巖參數識別極限學習機模型； 採用所述圍巖分類極限學習機模型對所述測試樣本集I進行預測，獲得預測誤差I並將該預測誤差I作為適應值，採用所述圍巖參數識別極限學習機模型對所述測試樣本集II進行預測，獲得預測誤差II並將該預測誤差II作為適應值。
5.根據權利要求1所述的一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於所述進化結束條件為當前種群中某一個體的適應值小於預設值。
6.根據權利要求2所述的一種基於極限學習機的隧道施工中的反饋分析方法，其特徵在於: 所述圍巖分類影響因素包括:圍巖回彈強度、巖體完整性、地下水參數、巖體結構面、拱頂沉降位移、以及圍巖收斂位移量； 所述圍巖力學參數包括:彈性模量、泊松比、粘聚力和內摩擦角； 所述圍巖位移數據包括:收斂位移、拱頂沉降位移、圍巖應力和巖石內部位移。
7.一種實施權利要求1所述隧道施工中的反饋分析方法的裝置，其特徵在於包括: 樣本構建單元，用於構建圍巖分類的樣本集1、圍巖參數識別的樣本集II ； 樣本劃分單元，用於將所述樣本集I劃分為訓練樣本集I和測試樣本集I兩個部分，將所述樣本集II劃分為訓練樣本集II和測試樣本集II兩個部分； 差異進化算法單元，用於將極限學習機的輸入層權值和隱含層偏移量作為差異進化算法的個體，隨機生成初始種群，以及噹噹前種群的個體不滿足進化結束條件時，對父代種群中的個體依次進行變異操作和交叉操作，得到新的子代種群，針對所得到的新的子代種群和其父代種群，執行選擇操作，選擇兩代種群中適應值優秀的個體作為下一代種群； 計算單元，用於計算出當前種群的各個體的適應值； 判斷單元，用於判斷當前種群的個體是否滿足進化結束條件；輸出單元，用於噹噹前種群的個體滿足進化結束條件時，輸出當前種群中適應值最優的個體，並獲得相應的最優的輸入層權值和隱含層偏移量； 進化極限學習機學習單元，用於利用所述最優的輸入層權值和隱含層偏移量，通過極限學習機分別對訓練樣本集1、訓練樣本集II進行訓練和學習，得到圍巖分類進化極限學習機模型和圍巖參數識別進化極限學習機模型； 獲取單元，用於獲取隧道施工過程中所揭露的圍巖分類影響因素； 圍巖分類單元，以圍巖分類影響因素作為輸入，通過圍巖分類進化極限學習機模型輸出圍巖分類結果； 監測單元，用於監測並獲得隧道的圍巖位移/f，k取值為1、2、…、S，其中S為圍巖位移監測點的數量； 和圍巖力學參數反演單元，根據所述圍巖分類結果，在不同圍巖類別範圍內，結合獲得的圍巖位移if，利用差異進化算法和圍巖參數識別進化極限學習機模型，獲取圍巖力學參數； 所述圍巖力學參數反演單元包括: 第一代種群生成模塊，用於通過差異進化算法隨機產生第一代種群，該第一代種群具有S個個體； 子代種群生成模塊，用於當由目標函數得出的適應值不小於預設值時，使用差異進化算法對父代種群中的個體依次進行變異操作和交叉操作，得到新的子代種群，針對所得到的新的子代種群和其父代種群，執行選擇操作，選擇兩代種群中適應值優秀的個體作為下一代種群； 圍巖位移輸出模塊，用於分別以當前種群的各個體作為輸入，通過圍巖參數識別進化極限學習機模型輸出相應的圍巖位移tjzbp Z2,…，Zr) ], k取值為1、2、…、S，Z(ZpZ2,…，Zr)為r個待反演的圍巖力學參數； 目標函數值獲取模塊，用於利用目標函數
獲得目標函數值 E[Z(Zl、Z2，…，％)]，其中Ζ(ζι、ζ2，…，％)為r個待反演的圍巖力學參數、S為圍巖位移監測點的數量、ξ為監測到的圍巖位移、tk[Z(Zl、Z2,…，％)]為圍巖參數識別進化極限學習機模型輸出的圍巖位移，k取值為1、2、…、S; 判斷模塊，用於將所述目標函數值E[Z(Zl、Z2, -,zr)]作為適應值，並判斷該適應值是否小於預設值； 和輸出模塊，用於當由目標函數得出的適應值小於預設值時，輸出當前種群中適應值最優的個體作為圍巖力學參數Z (Z1, Z2,…，％)。
8.根據權利要求7所述的隧道施工中的反饋分析方法的裝置，其特徵在於所述計算單元包括: 極限學習機學習模塊，用於針對當前種群的不同個體，通過極限學習機對所述訓練樣本集1、訓練樣本集II分別進行訓練和學習，獲得圍巖分類極限學習機模型和圍巖參數識別極限學習機模型； 和適應值獲取模塊，用於採用所述圍巖分類極限學習機模型對所述測試樣本集I進行預測，獲得預測誤差I並將該預測誤差I作為適應值，採用所述圍巖參數識別極限學習機模型對所述測試樣本集II進行預測，獲得預測誤差II並將該預測誤差II作為適應值。
9.根據權利要求7所述的隧道施工中的反饋分析方法的裝置，其特徵在於所述進化結束條件為當前種群中某一個體的適應值小於預設值。
【文檔編號】G06F19/00GK104182622SQ201410394843
【公開日】2014年12月3日 申請日期:2014年8月12日 優先權日:2014年8月12日
【發明者】姜諳男, 江宗斌 申請人:大連海事大學