[发明专利]一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法

说明书

本发明涉及一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，包括步骤：1)获取TBM掘进参数数据和各个桩号的围岩等级数据；2)数据清洗、特征提取及围岩等级标注处理，作为机器学习模型的输入；3)样本不均衡处理；4)利用K折交叉验证选择机器学习模型的最优模型参数；5)进行模型训练、评估与比对，获取用于围岩等级预测的机器学习模型，并设置比对模型对该模型的预测效果进行比对验证；6)采用训练好的模型进行围岩等级预测并对软弱围岩进行预警。与现有技术相比，本发明具有预测模型预测准确率高，训练速度快，适用于TBM盾构过程中的围岩等级预测等优点。

技术领域

本发明涉及围岩分级预测技术领域，尤其是涉及一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法。

背景技术

在隧道的掘进与施工中，正确的围岩等级分类是评价围岩稳定性和采取合理防护措施的重要依据之一。隧道围岩的分类常采用指标评分的方法将围岩进行等级的划分，划分出的每种等级围岩稳定性不同。常见的方法如国外的施工中岩体质量(Q)指标分类法、地质力学分类法(RMR)，国内公路、铁路隧道设计中对围岩的分类方法、工程岩体分级标准等。这些方法都是一些半定性、半定量的方法，考虑的指标有限。在隧道实际施工过程中，若能通过设备采集到的各种数据对当前围岩分级情况进行智能的预测，对于辅助施工人员进行及时的决策具有重要的意义。

近年来出现了图像识别法、计算模型法和机器学习法对隧道掘进过程中的围岩等级进行实时判断。

(1)图像识别法，如基于照相测量围岩分级系统的分级方法，通过对掌子面图像进行识别分析生成对应的三维图再量化其结构，通过量化后的某些岩体特征参数对掌子面岩体等级进行划分。该方法能对隧道开挖过程中掌子面的围岩等级进行快速划分，但由于采集的图像资料数量及采集的范围有限，且采集图像为地表资料，对预测结果有一定的局限性。

(2)计算模型法，旨在将定性指标定量化，通过软件或者理论公式构建一定的计算模型，将实际测得的参数代入模型即可获得围岩的分级情况。如利用数值模拟软件FLAC3D，通过模拟围岩沉降情况对围岩稳定性进行评价；基于熵权-云模型的隧道围岩分级方法等。该方法受限于指标数量的限制，无法适用于地质条件多变、指标变化大的情况。

(3)机器学习法，如通过BP神经网络、广义神经网络、ADACOST算法等构建围岩等级预测模型。BP神经网络构建的模型在样本数据分布不均衡的条件下效果不佳；广义神经网络构建的模型预测精度高，但是模型本身计算复杂度和空间复杂度高，不适用于地质条件多变的情况。ADACOST算法修改了ADABOOST算法的权重更新策略，能够适应不平衡数据下的学习，训练速度比神经网络模型快且得到的模型预测精度高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，该方法在学习层面采用ADACOST算法，在数据层面加入了SMOTE算法缓解数据不均衡问题，能够进一步提高模型的整体稳健性和对软弱围岩的预测稳健性，能够在采用TBM的隧道掘进过程中向施工人员提供更为准确的围岩分级信息并对软弱围岩进行预警，为隧道施工人员提前做好防护措施起更好的指导作用。

本发明的目的可以通过以下技术方案来实现：

一种基于SMOTE+ADACOST算法的TBM掘进过程中的围岩等级预测方法，该方法包括下列步骤：

S1：获取TBM掘进参数数据和各个桩号的围岩等级数据。

S2：对获取的TBM掘进参数数据进行数据清洗、特征提取及围岩等级标注处理，将处理后的数据与各个桩号的围岩等级数据作为机器学习模型的输入。

S3：对S2处理后的数据进行样本不均衡处理。

S4：利用K折交叉验证选择机器学习模型的最优模型参数。