基于GD-DNN模型的岩爆烈度等级预测方法与应用.pdf

投稿网址:2023 年 第23 卷 第27 期2023,23(27):11835-06科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:张昱,张明魁.基于 GD-DNN 模型的岩爆烈度等级预测方法与应用J.科学技术与工程,2023,23(27):11835-11840.Zhang Yu,Zhang Mingkui.Prediction method and application of rockburst intensity grade based on GD-DNN modelJ.Science Technologyand Engineering,2023,23(27):11835-11840.基于 GD-DNN 模型的岩爆烈度等级预测方法与应用张昱1,2,张明魁1(1.北京建筑大学电气与信息工程学院,建筑大数据智能处理方法研究北京市重点实验室,北京 100044;2.中国矿业大学(北京),深部岩土力学与地下工程国家重点实验室,北京 100083)摘 要 岩爆是深埋隧道施工过程中开挖时形成临空面,引起能量突然释放的现象,轻则岩片剥落,重则造成人员伤亡和财产损失,其危害程度取决于岩爆烈度等级,因此岩爆烈度等级预测是急需解决的难题之一。针对单一指标预测法预测效果不理想的问题,首先设计并实现了综合指标法和针对多分类问题的分类器,其次提出并建立了基于梯度下降(gradient descent,DN)算法优化深度神经网络(deep neural network,DNN)的 GD-DNN 岩爆烈度等级预测模型。实验结果表明:GD-DNN 模型预测的准确率达到 95.8%,相比机器学习算法,K 最近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)和深度学习算法 DNN 分别提高了 45.8%、38.7%和 8.3%,同时在精确率、召回率和 F1三项指标上均优于其他模型。最后在秦岭隧道、大相岭隧道、通渝隧道和马路坪矿井 4 个实际工程中检验模型的预测效果,检验结果证明 GD-DNN 模型能够精准预测岩爆烈度等级,研究成果可应用于深埋隧道工程中。关键词 深埋隧道;岩爆预测;岩爆烈度等级;GD-DNN中图法分类号 U451.2;文献标志码 A收稿日期:2022-12-04;修订日期:2023-07-11基金项目:深地空间科学与工程研究院基金(XD2021021);2022 年度研究生教育教学质量提升项目(J2022003);北京建筑大学研究生创新项目(PG2023092)第一作者:张昱(1979),男,汉族,内蒙古呼和浩特人,博士,副教授。研究方向:岩爆、人工智能、智慧城市等。E-mail:zhangyuscholar bu-。通信作者:张明魁(1998),男,汉族,山东菏泽人,硕士研究生。研究方向:岩爆、人工智能。E-mail:。Prediction Method and Application of Rockburst IntensityGrade Based on GD-DNN ModelZHANG Yu1,2,ZHANG Ming-kui1(1.School of Electrical and Information Engineering,Beijing Key Laboratory of Intelligent Processing for Building Big Data,Beijing University of Civil Engineering and Architecture,Beijing 100044,China;2.State Key Laboratory in China for GeoMechanics and Deep Underground Engineering,China University of Mining&Technology,Beijing 100083,China)Abstract Rockburst is a phenomenon in which the air surface is formed during the excavation of a deeply buried tunnel,causing asudden release of energy,ranging from flaking of rock flakes to causing casualties and property losses in severe cases.Therefore,theprediction of rockburst intensity grade is one problem that needs to be solved urgently.Aiming at the unsatisfactory forecasting effect ofthe single index forecasting method,firstly,a comprehensive index method and a classifier for multi-classification problems were de-signed and implemented.Secondly,a GD-DNN rockburst intensity grade prediction model based on a gradient descent algorithm to op-timize deep neural network was proposed and established.The experimental results show that the prediction accuracy of the GD-DNNmodel reaches 95.8%,which is 45.8%,38.7%,and 8.3%higher than the machine learning algorithm K-nearest neighbor(KNN),support vector machine(SVM),and deep learning algorithm DNN,respectively.At the same time,it outperforms other models in thethree indicators of precision,recall,and F1.Finally,the prediction effect of the model was tested in four actual projects Qinling Tun-nel,Daxiangling Tunnel,Tongyu Tunnel,and Maluping Mine.The test results prove that the GD-DNN model can accurately predictthe rockburst intensity grade,and the research results can be applied to deep tunnel engineering.Keywords deep buried tunnel;rockburst prediction;rockburst intensity grade;GD-DNN 岩爆属于突发性的地质灾害,在短时间内产生极大的破坏性1-2,其严重影响了工程进度,对工人的人身安全造成威胁3,为精准预测岩爆烈度等级,国内外学者做了众多相关工作4-5。在岩爆烈度等级预测的相关工作中,国内外众多学者主要使用单一指标预测法和综合指标预测投稿网址:11836科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)法两种方法进行研究。单一指标预测法主要包括E.Hoek 方法、Russense 判据和陶振宇判据6-8,但是单一指标预测法存在预测结果不准确的弊端。综合指标预测法主要是针对岩爆成因机制复杂提出的研究方法,其预测效果优于单一指标预测法。近年来机器学习和深度学习方法被广泛应用到岩爆烈度等级预测的工作中9-10,张钧博等11采用基于交叉验证的 XGBoost(eXtreme Gradient Boosting)算法解决因样本数据较少产生的预测结果不准确的问题。田睿等12构建基于 dropout 和改进的基于Adam 的深度神经网络模型,避免了指标权重的确定问题,减少了预测时人为因素产生的影响。杨小彬等13提出基于 SOFM(self-organizing feature map)神经网络模型的岩爆烈度等级预测方法,简化了岩爆烈度等级预测指标体系,从而提高了预测准确率。刘 晓 悦 等14建 立 AdaBoost-BAS-SVM(Ada-Boost-beetle antennae search-support vector machine)模型来解决岩爆等级预测过程中单一分类器不稳定问题。Guo 等15建立了标准差权重组合的 BP-SVM(back propagation-support vector machine)模型,其预测效果优于传统的单一机器学习方法。刘剑等16运用修正散点图矩阵分析数据,用优化后随机森林模型进行预测。在上述岩爆烈度等级预测方法中,都取得了较好的成果,但也都存在着准确率不高、训练时间长的问题。为了解决上述两个问题,现提出并建立基于梯度下降算法优化深度神经网络的17-18的梯度下降-深度神经网络(gradient descent-deep neuralnetwork,GD-DNN)岩爆烈度等级预测模型,再对模型进行训练和测试,最后在秦岭隧道、大相岭隧道、通渝隧道和马路坪矿井 4 个实际工程中检验模型的预测效果。1 GD-DNN 模型1.1 模型架构本文中提出的 GD-DNN 模型,其架构主要包括数据处理、模型建立和模型预测三部分,如图 1所示。该模型架构中数据处理部分主要是从输入的训练样本中选取最优的岩爆预测指标并进行数据归一化处理;模型建立部分主要是建立 GD-DNN 模型并训练,然后通过计算出准确率和损失值两项评估指标来判断模型是否满足评价标准,若不满足则重新训练模型并计算评估指标;模型预测部分主要是将待测试的数据输入到通过不断训练得到的最优模型中,然后输出岩爆烈度等级。图 1 模型架构Fig.1 Model architecture1.2 模型原理GD-DNN 模型主要包含五部分,分别为输入、DNN 层、优化层、Softmax 层、输出。其原理如图 2所示。图 2 模型原理Fig.2 Model principles由于岩爆样本数据的数据量较小,所以建立的GD-DNN 模型在深度神经网络的基础上使用梯度下降算法进行优化,加快了模型寻找最优值的速度;然后在 Softmax 层使用交叉熵损失函数加快模型收敛速度;最后采用分层 10 折交叉验证法来选择最优的模型参数并输出最终的预测结果,各部分的具体原理如下。(1)输入:将选取的三类岩爆预测指标应力指数(/c)、脆性指数(c/t)、岩石弹性能量指数(Wet)作为模型的输入,其中 为硐壁围岩最大切向应力;c为岩石单轴抗压强度;t为岩石单轴抗拉强度。然后对数据进行归一化处理,已达到在训练模型时加快模型收敛速度的目的,具体公式为x=x-xminxmax-xmin(1)投稿网址:2023,23(27)张昱,等:基于 GD-DNN 模型的岩爆烈度等级预测方法与应用11837式(1)中:x 为原始数据;x 为归一化后的数据;xmax和 xmin分别为原始数据集的最大值和最小值。(2)DNN 层:在 DNN 层中,各层之间的线性关系 z 为z=wixi+b(2)式(2)中:wi为层与层之间的线性关系系数;xi为输入值向量;b 为偏倚参数。此层选取的激活函数是 f(z),隐含层和输出层的值为 a,则有alj=f(zlj)=f(mk=1wljkal-1k+blj)(3)式(3)中:alj为第 l 层第 j 个神经元的输出;wljk为第l-1 层的第 k 个神经元到第 l 层的第 j 个神经元的线性系数。需要说明的是输入层没有参数 w 和参数 b。由式(3)可知,第 l 层的输出 al为al=f(Wlal-1+Bl)(4)式(4)中:Wl为第 l 层的线性系数 wi组成的权重系数矩阵;Bl为第 l 层的偏倚参数 b 组成的偏倚向量。然后将输出层的数据传输到梯度下降优化器中进一步处理。(3)优化层:为了更快地更新参数并达到收敛的目的,设计了梯度下降优化器来不断地对训练的参数进行调整。首先确定当前损失函数的梯度,表达式为GrandJ(W,B)=(JW,JB)(5)式(5)中:W、B 分别代表 DNN 层中传输过来的权重系数和偏倚向量。然后通过对学习率 的不断调整来更新 W 和 B,即W=W-J(W,B)W(6)B=B-J(W,B)B(7)通过重复更新 W 和 B,使得损失函数的值越来越小,直至数值收敛。(4)Softmax 层:模型中使用的是交叉熵损失函数,将数据的真实分布和模型预测分布的差异进行比较,交叉熵损失函数越小,差异越小,模型预测的准确率就越高。交叉熵的定义为H(p,q)=ni=1-p(xi)lgq(xi)(8)式(8)中:p(xi)为随机变量 X 等于 xi的真实概率,来源于已标注的样本数据;q(xi)为模型得出的随机变量 X 等于 xi的概率。(5)输出:在输出层为了提高模型预测,采取分层 10 折交叉验证法将岩爆样本数据随机分为十部分,其中九部分为训练,一部分作为验证。训练和验证过程执行十次。最后,以 10 次预测结果的最优值作为衡量模型预测效果的指标。由模型原理可以得出 GD-DNN 模型求解运算步骤,具体步骤如图 3 所示。图 3 模型求解运算步骤Fig.3 The computational steps of the model2 实验与分析2.1 岩爆预测指标的选取由于影响岩爆发生因素众多且成因机制复杂,导致岩爆烈度等级判据尚无统一标准,目前在相关研究中常用的岩爆烈度等级判据如表 1 所示19。表 1 岩爆烈度等级判据Table 1 Rockburst intensity grade criteria序号等级判据无岩爆轻微岩爆中等岩爆强烈岩爆1max/c0.340.420.560.72/c0.73/c14.514.5 5.55.5 2.52.5 注:max为隧洞断面最大切向力;1为最大主应力。由表 1 可知,以上判据均为单一指标,其预测效果并不理想。由于岩爆发生机制复杂,影响因素较多,为了提高岩爆烈度等级预测的准确率,本文使用斯皮尔曼系数法进行相关性分析20,最终选取两两之间相关性最低的应力指数(/c)、脆性指数(c/t)、岩石弹性能量指数(Wet)作为预测岩爆烈度等级的岩爆预测指标。投稿网址:11838科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)2.2 数据预处理搜集国内外 67 组岩爆样本数据15,如表 2 所示。其中岩爆烈度分为4 个等级:无岩爆、轻微岩爆、中等岩爆、强烈岩爆,分别用数字1、2、3、4 来表示。在所搜集的样本数据中,包含无岩爆 10 例、轻微岩爆 18 例、中等岩爆 28 例、强烈岩爆 11 例,各类别样本所占比例如图 4 所示。表 2 岩爆样本数据Table 2 Rockburst sample data序号/MPac/MPat/MPaWet岩爆烈度等级196.4118.320.381.871260.0066.499.722.152360.70111.507.866.164457.00180.008.305.00354.6020.003.001.3916381.40110.004.506.3146475.00180.008.305.0036560.0086.007.142.8526638.2053.003.901.6016762.40235.009.509.004图 4 样本数据分布图Fig.4 Sample data distribution plot 为进一步分析岩爆样本数据,将岩爆预测指标应力指数(/c)、脆性指数(c/t)、岩石弹性能量指数(Wet)的异常值进行数据可视化处理,如图 5 图 7 所示。图 5 应力指数箱线图Fig.5 Box plot of stress index图 6 脆性指数箱线图Fig.6 Box plot of fragility index图 7 岩石弹性能量指数箱线图Fig.7 Box plot of rock elastic energy index由图 5 图 7 可知,三类岩爆预测指标中都含有异常值,数据中异常值的产生与复杂的岩爆成因机制相关。传统的预测方法中都将异常值从样本数据中删除,但在本文研究中并未将异常值从岩爆样本数据中删除,而是将异常值数据同岩爆样本数据一起输入到模型中进行训练和测试。2.3 模型评估与分析为了验证 GD-DNN 模型在岩爆烈度等级预测方面的有效性,在实验中将准确率、精确率、召回率和 F1作为模型性能的评估指标,随后将 KNN、SVM、DNN 和 GD-DNN 模型分别在测试集上进行实验并对比分析,结果如表 3 所示。表 3 模型预测结果对比Table 3 Comparison of model prediction results模型准确率/%精确率/%召回率/%F1KNN50.058.343.30.497SVM57.151.056.90.538DNN87.567.375.00.710GD-DNN95.897.591.70.945投稿网址:2023,23(27)张昱,等:基于 GD-DNN 模型的岩爆烈度等级预测方法与应用11839 由表 3 可知,本文提出的 GD-DNN 模型预测岩爆烈度等级的准确率达到 95.8%,相比于传统的机器学习算法 KNN、SVM 和深度学习算法 DNN 的预测效果,在准确率上分别提高了 45.8%、38.7%和8.3%,同时精确率、召回率和 F1均优于其他模型。另外,由模型预测结果可知,深度学习模型相比于机器学习模型在各项指标上都有明显的提升。在解决了准确率不高的问题后,将 DNN 模型和GD-DNN模型进一步分析对比,结果发现在训练时GD-DNN 模型的准确率、损失值和训练时间均优于DNN 模型,证明 GD-DNN 模型收敛速度更快,训练时间更短,其对比结果如图 8 所示。图 8 模型分析结果对比Fig.8 Comprision of model analysis results3 工程检验为进一步检验 GD-DNN 模型的可行性,使用文献21中秦岭隧道、大相岭隧道、通渝隧道和马路坪矿井的 5 组实际工程数据,如表 4 所示。然后将这些工程数据作为 KNN、SVM、DNN 和 GD-DNN 模型的输入,最后对比各模型的预测结果,其预测结果如表 5 所示。表 4 工程数据Table 4 Engineering data工程编号/cc/tWet10.5414.196.1620.53213.630.61253.740.236.671.3950.8116.715表 5 预测结果Table 5 Predicted results工程编号各模型岩爆烈度等级预测结果KNNSVMDNNGD-DNN实际等级124344223333323333421111523322 由表 5 可知,建立的 GD-DNN 模型 100%预测出 5 个实际工程的岩爆烈度等级,利用 GD-DNN 模型,可以精准预测岩爆烈度等级。另外,新的岩爆数据可以加入到岩爆样本数据库中进行训练并不断优化模型,以达到提高模型泛化能力的目的。4 结 论(1)综合考虑矿山工程中的岩爆发生机制,本文创造性地选取应力指数(/c)、脆性指数(c/t)、岩石弹性能量指数(Wet)作为岩爆预测指标,解决了单一指标预测法准确率较低的问题。(2)提出并建立了一种基于梯度下降算法优化深度神经网络的 GD-DNN 岩爆烈度等级预测模型,极大地提高了岩爆烈度等级预测的准确率。(3)最后在实际工程中检验模型的预测效果,结果表明 GD-DNN 模型预测的准确率为 100%,证明了本文模型在矿山工程中的可行性。参考文献1 罗成波,何龙,蒋祖军,等.不同裂缝倾角诱导井底岩爆动态演化数 值 模 拟 J.科 学 技 术 与 工 程,2021,21(4):1305-1311.Luo Chengbo,He Long,Jiang Zujun,et al.Numerical simulationof rock burst dynamic evolution at bottom hole induced by differentfracture dip in nitrogen drillingJ.Science Technology and Engi-neering,2021,21(4):1305-1311.2 孙峰伟,乔栋磊,安艳军,等.深埋公路隧道高地应力场特征分析及岩爆预测 J.科学技术与工程,2022,22(26):11592-11600.Sun Fengwei,Qiao Donglei,An Yanjun,et al.Characteristic anal-ysis of high in-situ stress field and rockburst prediction of deep-buried highway tunnelJ.Science Technology and Engineering,2022,22(26):11592-11600.3 刘德军,戴庆庆,左建平,等.基于 Stacking 集成算法的岩爆等级 预 测 研 究 J.岩 石 力 学 与 工 程 学 报,2022,41:2915-2926.Liu Dejun,Dai Qingqing,Zuo Jianping,et al.Prediction of rock-burst grade based on Stacking ensemble algorithmJ.Chinese Jour-nal of Rock Mechanics and Engineering,2022,41:2915-2926.4 刘慧敏,徐方远,刘宝举,等.基于 CNN-LSTM 的岩爆危险等级时序预测方法J.中南大学学报(自然科学版),2021,52(3):659-670.投稿网址:11840科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)Liu Huimin,Xu Fangyuan,Liu Baoju,et al.Time-series predic-tion method for risk level of rockburst disaster based on CNN-LSTMJ.Journal of Central South University(Science and Technolo-gy),2021,52(3):659-670.5 Ma K,Shen Q,Sun X,et al.Rockburst prediction model usingmachine learning based on microseismic parameters of Qinling waterconveyance tunnelJ.Journal of Central South University,2023,30(1):289-305.6 孙飞跃,范俊奇,郭佳奇,等.基于能量原理的岩爆倾向性判据J.高压物理学报,2021,35(3):158-172.Sun Feiyue,Fan Junqi,Guo Jiaqi,et al.Rockburst proneness cri-terion based on energy principleJ.Chinese Journal of High Pres-sure Physics,2021,35(3):158-172.7 Wu M,Ye Y C,Wang Q H,et al.Development of rockburst re-search:a comprehensive reviewJ.Applied Sciences,2022,12(3):974.8 孙晓明,袁俊超,许永震,等.基于多重判据的高楼山隧道岩爆倾向 性 判 别 J.科 学 技 术 与 工 程,2021,21(11):4621-4626.Sun Xiaoming,Yuan Junchao,Xu Yongzhen,et al.Study onrock-burst tendency discrimination of Gaoloushan tunnel based on multi-ple criteriaJ.Science Technology and Engineering,2021,21(11):4621-4626.9 Liang W,Sari A,Zhao G,et al.Short-term rockburst risk predic-tion using ensemble learning methodsJ.Natural Hazards,2020,104(2):1923-1946.10 李明亮,李克钢,秦庆词,等.岩爆烈度等级预测的机器学习算法模型探讨及选择J.岩石力学与工程学报,2021,40:2806-2816.Li Mingliang,Li Kegang,Qin Qingci,et al.Discussion and se-lection of machine learning algorithm model for rockburst intensitygrade predictionJ.Chinese Journal of Rock Mechanics and En-gineering,2021,40:2806-2816.11 张钧博,何川,严健,等.基于交叉验证的 XGBoost 算法在岩爆烈度分级预测中的适用性探讨J.隧道建设(中英文),2020,40(S1):247-253.Zhang Junbo,He Chuan,Yan Jian,et al.Discussion on the ap-plicability of XGBoost algorithm based on cross validation in pre-diction of rockburst intensity classificationJ.Tunnel Construc-tion,2020,40(S1):247-253.12 田睿,孟海东,陈世江,等.基于深度神经网络的岩爆烈度分级预测J.煤炭学报,2020,45(S1):191-201.Tian Rui,Meng Haidong,Chen Shijiang,et al.Classified predic-tion of rockburst intensity based on deep neural networkJ.Jour-nal of China Coal Society,2020,45(S1):191-201.13 杨小彬,裴艳宇,程虹铭,等.基于 SOFM 神经网络模型的岩爆烈度等级预测方法J.岩石力学与工程学报,2021,40(S1):2708-2715.Yang Xiaobin,Pei Yanyu,Cheng Hongming,et al.Predictionmethod of rockburst intensity grade based on SOFM neural networkmodelJ.Chinese Journal of Rock Mechanics and Engineering,2021,40(S1):2708-2715.14 刘晓悦,季红瑜.基于 AdaBoost-BAS-SVM 模型的岩爆预测研究J.金属矿山,2021(10):28-34.Liu Xiaoyue,Ji Hongyu.Research on rockburst prediction basedon AdaBoost-BAS-SVM model J.Metal Mine,2021(10):28-34.15 Guo J,Guo J W,Zhang Q,et al.Research on rockburst classifi-cation prediction based on BP-VM model J.IEEE Access,2022,10:50427-50447.16 刘剑,周宗红.基于修正散点图矩阵与随机森林的岩爆等级预测J.有色金属工程,2022,12(3):120-128.Liu Jian,Zhou Zonghong.Rockburst grade prediction based onmodified scatterplot matrix and random forestJ.Nonferrous Met-al Engineering,2022,12(3):120-128.17 王兴,吕晶晶,王璐瑶,等.基于深度神经网络的强对流天气识别算法J.科学技术与工程,2021,21(7):2737-2746.Wang Xing,L Jingjing,Wang Luyao,et al.A strong convectiveweather recognition algorithm based on deep neural networkJ.Science Technology and Engineering,2021,21(7):2737-2746.18 冀汶莉,田忠,张丁丁,等.基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测J.科学技术与工程,2022,22(24):10485-10492.Ji Wenli,Tian Zhong,Zhang Dingding,et al.Minepressure pre-diction of distributed optical fiber monitoring based on GA-deepneural network on working faceJ.Science Technology and Engi-neering,2022,22(24):10485-10492.19 张镜剑,傅冰骏.岩爆及其判据和防治J.岩石力学与工程学报,2008(10):2034-2042.Zhang Jingjian,Fu Bingjun.Rockburst and its criteria and controlJ.Chinese Journal of Rock Mechanics and Engineering,2008(10):2034-2042.20 Zhou Y,Li S J.BP neural network modeling with sensitivity anal-ysis on monotonicity based Spearman coefficientJ.Chemomet-rics and Intelligent Laboratory Systems,2020,200:103977.21 Zhou J,Li X B,Shi X Z.Long-term prediction model of rockburstin underground openings using heuristic algorithms and supportvector machinesJ.Safety Science,2012,50(4):629-644.