[发明专利]一种基于信息向量机的岩爆等级预测方法

说明书

技术领域

本发明属于地下工程技术领域，涉及一种基于信息向量机的岩爆等级预测方法。

背景技术

岩爆是高地应力区地下工程开挖时岩体中积聚的弹性应变能突然释放而发生的动力地质灾害现象。低强度的岩爆表现为围岩剥离，有声响，有气浪，危险性较小；高强度的岩爆表现为围岩崩落、弹射，产生较大的粉尘和空气冲击波，常常还会使岩体和地表产生震动，和小地震相似。岩爆地质灾害现象直接威胁着施工人员、设备的安全，影响工程进度，增加工程投资，已成为世界性的地下工程难题之一。

从世界范围来看，岩爆在水电、交通、矿山及核废料地下处置等工程领域中均有发生。在国外，南非是岩爆多发国家，主要发生于金矿中。南非岩爆事故从1908年的7次，到10年后的1918年上升到233次，仅在1975年，南非31个金矿就发生了680次岩爆，造成73人死亡和4800个工班的损失。修建阿尔卑斯山区的Simplon水工隧洞时，该处岩体深度在地面以下2200m，由于岩体初始应力所引起的岩爆和塑性流动等现象。日本修建清水隧洞及关越隧道时，发生了岩爆。瑞典Forsmark核电站附属的2条水工隧洞围岩为花岗片麻岩，埋深为5～15m，岩爆弹射出大约10cm×10cm大小的岩片，发噼啪声。在我国，根据不完全统计：1949～1997年，我国33个煤矿发生了2000多次煤爆事件，造成严重危害，共伤亡几百人，停产1300多天。铜陵冬瓜山铜矿是20世纪90年代国内开采深度最大的硬岩金属矿山，主采区在地表下800～1000m深处，该矿井巷基建过程中，曾多次发生过岩石弹射现象。秦岭铁路隧道最大埋深为1600m，在施工过程累计长度达1900m发生了岩爆，其中由4段不同程度岩爆连续组成的长度达600m。锦屏二级水电站引水隧洞工程更多次发生历史上罕见的极强岩爆，如2009年11月28日凌晨0:43施工排水洞工程完成系统支护后恢复掘进时发生的锦屏二级水电站最严重的岩爆事件，即“11-28”岩爆，该岩爆爆坑深度达8～9m，纵向范围约30m，爆方总量近千立方米，支护系统全部毁损，正作业的TBM设备被埋，主梁断裂，7名工人遇难，1人受伤，严重影响工程进度。经济的发展和地面空间的限制促使人类活动向地下空间深部领域开拓，我国岩土工程建设呈现出规模大、难度高的特点，岩爆发生的强度和频率也呈上升趋势，据不完全统计岩爆灾害在地下工程安全事故中所占比例已高达14％。因此，岩爆的准确预测对于地下工程的安全和施工进度的保障显得尤为重要。

近几十年来，国内外在岩爆预测方面做了大量的研究工作，众多专家、学者已经从强度、刚度、能量、断裂、损伤、扩容、突变、分形、微重力和声发射等方面对岩爆现象进行了分析，提出了各种各样的理论判据和预测方法。然而，岩爆的发生机制十分复杂，影响因素众多，岩爆影响因素与岩爆发生之间呈现高度复杂的非线性关系，岩爆的孕育与发生机理仍然是世界性的难题。因此，在岩爆机理不明朗的条件下，采用力学分析、数值计算、物理试验等方法来预测岩爆遇到了极大的困难，预测效果难以满足工程实践需求。

目前，基于工程实例的岩爆预测方法是岩爆预测的有效方法之一。该方法特色在于从以往发生的岩爆案例中挖掘岩爆影响因素与岩爆发生之间的隐含规律，由此实现岩爆的合理预测。但是，岩爆影响因素与岩爆等级之间存在着高度复杂的映射关系，一般的数学模型很难建立这种关系。近年来，国内外学者将人工神经网络、粗糙集理论、模糊聚类、支持向量机等机器学习方法应用于上述映射关系的建立，并取得了一定的进展。采用机器学习方法建立这种映射关系已成为了一种趋势。

机器学习是人工智能的一个新兴分支，是研究如何利用机器来模拟人类学习活动的一门学科。从已知实例中自动发现规律，建立对未知实例的预测模型，根据经验不断提高、改进预测性能，正是机器学习的实质。近20年来，最具代表性机器学习方法有人工神经网络算法与支持向量机。国内外众多学者先后将它们用于岩爆等级的预测，取得良好的效果，但也不同程度的遇到了上述方法的一些公开问题。如，人工神经网络拓扑结构不易确定，存在过(欠)学习风险，需要大量样本训练连接权重，容易陷入局部最小值，训练过程的可重复性差等；支持向量机的核函数及合理超参数没有理论解，很难保证预测的可靠性。因此有必要继续探寻准确可靠、且在经济和技术上可行的机器学习方法用于岩爆等级预测。