[发明专利]一种基于BP神经网络的硬岩TBM掘进速率预测方法

权利要求书

1.一种基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，包括以下步骤：

S1，建立TBM掘进速率主要影响因素分析模型，包括TBM掘进速率与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定，其中，岩体参数包括平均节理间距、峰值斜率指数、巴西抗拉强度、单轴抗压强度、节理面与隧道轴向方向的夹角；

S2，建立TBM掘进速率预测模型，包括：S2.1，建立数据的处理模型；S2.2，建立BP神经网络设计和训练模型；

S3，建立TBM掘进速率预测结果对比和分析模型，以实现掘进速率预测。

2.根据权利要求1所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S1中，整体上TBM掘进速率与平均节理间距呈现负相关的关系；整体上TBM掘进速率与峰值斜率指数呈现正相关的关系；整体上TBM掘进速率与巴西抗拉强度呈现出正相关的关系；整体上TBM掘进速率与单轴抗压强度呈现正相关的关系；整体上TBM掘进速率与节理面与隧道轴向方向的夹角之间呈现二次曲线的关系。

3.根据权利要求2所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S1中，将巴西抗拉强度作为常量，将平均节理间距、峰值斜率指数、单轴抗压强度、节理面与隧道轴向方向的夹角作为TBM掘进速率预测的4个条件属性因子。

4.根据权利要求1所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S2.1具体包括：

S2.1.1，建立训练样本的选取模型；

利用rand函数先产生一组1行60列服从0～1均匀分布的随机矩阵如下：

K＝k₁,k₁,k₂,…k_i,…k₅₉,k₆₀

每一个随机数从左到右对应编号i为1～60，然后在对应编号不变的情况下把随机数按照从小到大的顺序排列，与此同时编号也有了一个新的排列N满足：

其中i₁,i₁,i₂,…,i_i,…,i₅₉,i₆₀为与排列N对应的新排列，即插值目标排列；

取新排列的前五十组即i₁～i₅₀为训练数据，后十组i₅₁～i₆₀为测试数据；

S2.1.2，建立训练样本的前处理模型；

对50份训练样本进行二维插值，将样本数量增加到200份；

S2.1.3，建立预测结果的后处理模型；

假设y_i(i＝1,2…,10)表示10组测试数据的预测结果，t_i(i＝1,2…,10)表示10组测试数据的实测结果，e_i＝y_i-t_i(i＝1,2…,10)表示10组测试数据对应的误差，表示预测数据的均方误差。

5.根据权利要求4所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S2.1.2中，采用MATLAB通过meshgrid命令产生对应的数据系列，然后运用二维插值函数interp2，选定的插值方法为cubic，即分段三次多项式插值方法。

6.根据权利要求4所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S2.1.3中，采用训练多次取预测结果的平均值作为预测代表值的方法。

7.根据权利要求4所述的基于BP神经网络的硬岩TBM掘进速率预测方法，其特征在于，步骤S2.2具体包括：

建立的网络模型采用三层BP神经网络，输入层有4个节点，输出层有1个节点，隐含层节点数采用经验公式给出估计值：

其中m和n分别为输入层和输出层的神经元个数，a是[1,10]之间的常数，取M为10。