權利要求書： 1.一種基于隨鉆探測技術的隧道支護模式選型實時預測方法，其特征在于，包括如下步驟：

第一步：樣本數據采集

選定地質條件復雜的隧道項目，隨著隧道開挖掘進的同時，對隧道工作面前方圍巖進行超前鉆探，并采集整條隧道施工時的超前鉆進參數和選定的支護模式作為樣本；選定的支護模式以阿拉伯數字序號表示，對于區(qū)段內相同的支護模式，只需記錄一次；

所述的鉆進參數包括：鉆進速度、扭矩、推進力、擊打頻率、擊打壓力、鉆比能量；其中鉆進速度、扭矩、推進力、擊打頻率、擊打壓力為直接測得的鉆進參數，鉆比能量為鉆進單位體積巖石所需要的能量，是間接計算得到的鉆進參數，鉆比能量的計算公式為： 其中，Ed為鉆進比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打頻率，v為鉆進速度，S為鉆孔直徑，k為損失系數；

第二步：樣本數據預處理

對步驟一采集到的支護模式序號數據進行編碼，按矩陣[00100…]中數字1從左至右所處的位數對應支護模式的序號進行編號，一組鉆進參數和一個支護模式編碼構成一個數據集，所有的數據集構成樣本數據庫，將樣本數據庫中的6個鉆進參數歸一化到[0?1]數值；

第三步：確定最優(yōu)預測模型及參數

將采集到的樣本數據庫分別按80％和20％的比例劃分為訓練集和測試集，并用鉆進參數作為預測模型的輸入，支護模式作為預測模型的輸出，具體確定過程如下：第3.1步：采用多元線性回歸模型對支護模式進行預測對訓練集進行多元線性回歸擬合，得到擬合方程，再將測試集的鉆進參數代入到得到的擬合方程，求出對應的支護模式預測值，根據支護模式預測值和實際值分別計算得到最優(yōu)的模型評價指標值?預測正確率；

第3.2步：采用神經網絡模型對支護模式進行預測，得到最優(yōu)的模型評價指標值?預測正確率，從而確定神經網絡模型的主要參數，具體包括以下過程：

3.2.1：采用試錯法確定最優(yōu)的神經網絡的學習率、動量系數、激活函數；

3.2.2：設置對照試驗，將神經網絡的輸入維度分別設置為1至6，神經網絡的隱含層設置為1層，隱含層節(jié)點數設置為30，然后對訓練集和測試集分別進行訓練和測試，得到訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值，也就是預測正確率；分別對訓練集和測試集得到的模型評價指標值進行排序，排序原則為，越大的預測正確率獲得的排序序號值越大，最大的序號值對應的結果即為最優(yōu)的模型評價指標值，以此來確定最優(yōu)的神經網絡的最優(yōu)輸入維度，即確定最優(yōu)的鉆進參數組合；

3.2.3：設置對照試驗，設置不同的隱含層節(jié)點數量，將步驟3.2.2中確定的最優(yōu)鉆進參數組合設置為神經網絡的輸入，神將網絡的隱含層設置為1層，然后對訓練集和測試集分別進行訓練和測試，得到訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，得到最優(yōu)的模型評價指標值，同時確定最優(yōu)的隱含層節(jié)點數，進而確定最優(yōu)的神經網絡模型參數；

第3.3步：采用遺傳算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用遺傳算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則采用步驟3.2中確定的最優(yōu)的神經網絡模型參數，從而確定遺傳算法的主要參數，得到最優(yōu)的模型評價指標值?預測正確率，具體包括以下過程：

3.3.1：采用試錯法確定最優(yōu)的變異概率和交叉概率參數；

3.3.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的種群數量；

3.3.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的支護模式預測值，根據訓練集的支護模式預測值和實際值計算它的模型評價指標值?預測正確率值，對于所有的種群數量相應的預測正確率不再繼續(xù)升高的最大迭代次數即為遺傳算法最優(yōu)的最大迭代次數；

3.3.4:采用步驟3.3.1、3.3.2和3.3.3中確定的最優(yōu)遺傳算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值；

第3.4步：采用種群算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用種群算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步驟3.2中確定的最優(yōu)的神經網絡模型參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指標值?預測正確率，具體包括以下過程：

3.4.1：采用試錯法確定最優(yōu)的自適應參數c1,c2和慣性因子參數；

3.4.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的種群數量；

3.4.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的支護模式預測值，根據訓練集支護模式預測值和實際值計算它的模型評價指標值?預測正確率，對于所有的種群數量相應的預測正確率不再繼續(xù)升高的最大迭代次數即為種群算法最優(yōu)的最大迭代次數；

3.4.4：采用步驟3.4.1、3.4.2和3.4.3中確定的最優(yōu)種群算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值?預測正確率；

第3.5步：采用帝國競爭算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用帝國競爭算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步驟

3.2中確定的最優(yōu)的參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指標值?預測正確率；具體過程如下：

3.5.1：采用試錯法確定最優(yōu)的的神經網絡模型隨機數β、偏移方向θ和殖民地影響因子ξ參數；

3.5.2：對于總國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、

350、400、450、500、550、600，帝國數量為50，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟

3.2.2中的排序原則，確定最優(yōu)的總國家數量；

3.5.3：對于帝國主義國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、

300、350、400、450、500、550、600，總國家數量設置為b中確定的最優(yōu)總國家數量，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的帝國主義國家數量；

3.5.4：最大迭代次數的確定，設置對照試驗，總國家數量分別設置為50、75、100、150、

200、250、300、350、400、450、500、550、600，帝國主義數量設置為c中確定的最優(yōu)帝國主義國家數量，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的支護模式預測值，根據訓練集的支護模式預測值和實際值計算它的模型評價指標值?預測正確率，對于所有的總國家數量相應的預測正確率不再繼續(xù)升高的最大迭代次數即為帝國競爭算法最優(yōu)的最大迭代次數；

3.5.5：采用步驟3.5.1、3.5.2、3.5.3和3.5.4中確定的最優(yōu)帝國競爭算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值；

3.6步：對步驟3.1到步驟3.5獲得的多元線性回歸模型、神經網絡模型、遺傳算法優(yōu)化的神經網絡模型、種群算法優(yōu)化的神經網絡模型、帝國競爭算法優(yōu)化的神經網絡模型獲得的最優(yōu)模型評價指標值進行對比，同樣利用步驟3.2.2中中的排序原則，最終確定最優(yōu)的模型評價指標值?預測正確率，進而確定最優(yōu)的預測模型及參數；

第四步：支護模式選型快速實時預測

在其他隧道項目開挖施工時，在超前鉆進時，僅記錄鉆機鉆進參數，不記錄支護模式，采集的鉆機鉆進參數經過預處理后，利用步驟3.6中最優(yōu)的支護模式預測模型對預處理后的鉆進參數進行分析，最終預測出支護模式選型。

說明書： 基于隨鉆探測技術的隧道支護模式選型實時預測方法技術領域[0001] 本發(fā)明涉及巖土工程支護選型領域，尤其涉及一種基于隨鉆探測技術的隧道支護模式選型實時預測方法。

背景技術[0002] 在隧道施工過程中，往往會遇到大量影響安全生產的地質因素，特別是因探測技術限制而未能提前預測到的險惡復雜地質條件，比如斷層構造、巖層突變、巖溶及其它含水

異常體，都將會較大可能的造成隧道施工過程中支護的失穩(wěn)，從而引發(fā)突發(fā)性事故。而現有

的隧道支護模式選型技術：一方面通過對整體地質的粗略預估，往往會導致支護設計的不

合理，比如超支或者欠支；另一方面根據掘進工作面施工揭露的地質情況或者采用物理探

測等超前探測技術來超前探測工作面前方地質條件，再依據人工經驗進行支護模式的選

型，如此復雜的流程將導致支護模式選型的不及時，同時還往往因人工經驗的不足或者主

觀因素的影響而造成支護模式的選型不合理。因此，盡管傳統(tǒng)的支護模式選型技術能夠滿

足良好的地質條件下隧道安全施工的要求，但卻不能滿足危險復雜地質條件的施工要求。

[0003] 隨著先進的隨鉆探測技術和神經網絡技術的不斷發(fā)展，使得利用神經網絡技術對鉆進參數進行分析進而對隧道工作面前方地質條件的超前預測成為可能，但同時面臨以下

技術瓶頸：

[0004] (1)現場采集的鉆進參數需專業(yè)技術人員的后期分析，無法保證分析的實時性；(2)采用常規(guī)統(tǒng)計學技術對數以幾十萬計甚至更多的鉆進參數的分析效率較低；(3)利用神

經網絡技術雖然具有善于處理復雜的多元非線性擬合問題的優(yōu)勢，但同時具有易陷入局部

收斂的缺點；(4)先進的鉆進參數和神經網絡技術對現場施工人員的要求較高，預測方法的

實用性較低。

發(fā)明內容[0005] 為了能夠同時解決以上技術缺陷。本發(fā)明提供一種基于隨鉆探測技術的隧道支護模式選型實時預測方法，在隧道開挖過程中，對掘進工作面前方進行超前鉆探，通過采集鉆

機的鉆進參數數據和采用的支護模式選型數據，建立多元線性回歸模型、神經網絡模型和

優(yōu)化的神經網絡預測模型并對比選定最優(yōu)的預測性能，再利用確定的最優(yōu)預測模型直接實

時預測待施工隧道的支護模式選型，則可實現危險復雜地質條件的提前探測的同時，對隧

道支護模型進行合理有效的選型，從而簡化支護選型程序，縮短選型時間，可以提高施工安

全，縮短工期，

[0006] 為實現上述目的，本發(fā)明采用如下技術方案：[0007] 一種基于隨鉆探測技術的隧道支護模式選型實時預測方法，其特征在于包括如下步驟：

[0008] 第一步：樣本數據采集[0009] 選定地質條件較為復雜的隧道項目，隨著隧道開挖掘進的同時，對隧道工作面前方圍巖進行超前鉆探，并采集整條隧道施工時的超前鉆進參數和選定的支護模式作為樣

本；選定的支護模式以阿拉伯數字序號(“1”、“2”等)表示，對于區(qū)段內相同的支護模式，只

需記錄一次；

[0010] 所述的鉆進參數包括：鉆進速度、扭矩、推進力、擊打頻率、擊打壓力、鉆比能量；其中鉆進速度、扭矩、推進力、擊打頻率、擊打壓力為直接測得的鉆進參數，鉆比能量為鉆進單

位體積巖石所需要的能量，是間接計算得到的鉆進參數，鉆比能量的計算公式為：

其中，Ed為鉆進比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打

頻率，v為鉆進速度，S為鉆孔直徑，k為損失系數；

[0011] 第二步：樣本數據預處理[0012] 對步驟一采集到的支護模式序號數據進行編碼，按矩陣[00100…]中數字“1”從左至右所處的位數對應支護模式的序號進行編號，例如，矩陣[00100…]代表支護模

式“3”；一組鉆進參數和一個支護模式編碼構成一個數據集，所有的數據集構成樣本數據

庫，為了消除數量級的影響，將樣本數據庫中的6個鉆進參數歸一化到[0?1]數值；

[0013] 第三步：確定最優(yōu)預測模型及參數[0014] 將采集到的樣本數據庫分別按80％和20％的比例劃分為訓練集和測試集，并用鉆進參數作為預測模型的輸入，支護模式作為預測模型的輸出，具體確定過程如下：

[0015] 第3.1步：采用多元線性回歸模型對支護模式進行預測[0016] 對訓練集進行多元線性回歸擬合，得到擬合方程，再將測試集的鉆進參數代入到得到的擬合方程，求出對應的支護模式預測值，根據支護模式預測值和實際值分別計算得

到最優(yōu)的模型評價指標值?預測正確率；

[0017] 第3.2步：采用神經網絡模型對支護模式進行預測，得到最優(yōu)的模型評價指標值?預測正確率，從而確定神經網絡模型的主要參數，具體包括以下過程：

[0018] 3.2.1：采用試錯法確定最優(yōu)的神經網絡的學習率、動量系數、激活函數；[0019] 3.2.2：對于神經網絡的輸入維度，設置對照試驗，將神經網絡的輸入維度分別設置為1至6，神經網絡的隱含層設置為1層，隱含層節(jié)點數設置為30，然后對訓練集和測試集

分別進行訓練和測試，得到訓練集和測試集對應的支護模式預測值，根據訓練集和測試集

的支護模式預測值和實際值分別計算它們的模型評價指標值，也就是預測正確率；分別對

訓練集和測試集得到的模型評價指標值進行排序，排序原則為，越大的預測正確率獲得的

排序序號值越大，最大的序號值對應的結果即為最優(yōu)的模型評價指標值，以此來確定最優(yōu)

的神經網絡的最優(yōu)輸入維度，即確定最優(yōu)的鉆進參數組合；

[0020] 3.2.3：為了充分對比不同隱含層節(jié)點數對神經網絡的預測性能的影響，設置對照試驗，設置不同的隱含層節(jié)點數量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、

90、95、100，將步驟3.2.2中確定的最優(yōu)鉆進參數組合設置為神經網絡的輸入，神將網絡的

隱含層設置為1層，然后對訓練集和測試集分別進行訓練和測試，得到訓練集和測試集對應

的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型

評價指標值?預測正確率，利用步驟3.2.2中的排序原則，得到最優(yōu)的模型評價指標值，同時

確定最優(yōu)的隱含層節(jié)點數，進而確定最優(yōu)的神經網絡模型參數；

[0021] 第3.3步：采用遺傳算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用遺傳算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則采用步驟3.2中確定

的最優(yōu)的神經網絡模型參數，從而確定遺傳算法的主要參數，得到最優(yōu)的模型評價指標值?

預測正確率，具體包括以下過程：

[0022] 3.3.1：采用試錯法確定最優(yōu)的變異概率和交叉概率參數；[0023] 3.3.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓

練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護

模式預測值和實際值分別計算它們的模型評價指標?預測正確率，利用步驟3.2.2中的排序

原則，確定最優(yōu)的種群數量；

[0024] 3.3.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓

練，記錄訓練集對應的支護模式預測值，根據訓練集的支護模式預測值和實際值計算它的

模型評價指標值?預測正確率，對于所有的種群數量相應的預測正確率不再繼續(xù)升高的最

大迭代次數即為遺傳算法最優(yōu)的最大迭代次數；

[0025] 3.3.4:采用步驟3.3.1、3.3.2和3.3.3中確定的最優(yōu)遺傳算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓

練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，

利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值；

[0026] 第3.4步：采用種群算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用種群算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步驟3.2中

確定的最優(yōu)的神經網絡模型參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指

標值?預測正確率，具體包括以下過程：

[0027] 3.4.1：采用試錯法確定最優(yōu)的自適應參數c1,c2和慣性因子參數；[0028] 3.4.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓

練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和測試集的支護

模式預測值和實際值分別計算它們的模型評價指標?預測正確率，利用步驟3.2.2中的排序

原則，確定最優(yōu)的種群數量；

[0029] 3.4.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓

練，記錄訓練集對應的支護模式預測值，根據訓練集支護模式預測值和實際值計算它的模

型評價指標值?預測正確率，對于所有的種群數量相應的預測正確率不再繼續(xù)升高的最大

迭代次數即為種群算法最優(yōu)的最大迭代次數；

[0030] 3.4.4：采用步驟3.4.1、3.4.2和3.4.3中確定的最優(yōu)種群算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓

練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，

利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值?預測正確率；

[0031] 第3.5步：采用帝國競爭算法優(yōu)化的神經網絡模型對支護模式進行預測，該優(yōu)化也就是采用帝國競爭算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步

驟3.2中確定的最優(yōu)的參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指標值?

預測正確率；具體過程如下：

[0032] 3.5.1：采用試錯法確定最優(yōu)的的神經網絡模型隨機數β、偏移方向θ和殖民地影響因子ξ參數；

[0033] 3.5.2：對于總國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數量為50，最大迭代次數設置為100，對訓練集和測試

集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據訓練集和

測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用步

驟3.2.2中的排序原則，確定最優(yōu)的總國家數量；

[0034] 3.5.3：對于帝國主義國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數量設置為b中確定的最優(yōu)總國家數量，最大

迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對

應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模

型評價指標值?預測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的帝國主義國家數量；

[0035] 3.5.4：最大迭代次數的確定，設置對照試驗，總國家數量分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義數量設置為c中確定的最優(yōu)帝國主

義國家數量，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的支護模式預

測值，根據訓練集的支護模式預測值和實際值計算它的模型評價指標值?預測正確率，對于

所有的總國家數量相應的預測正確率不再繼續(xù)升高的最大迭代次數即為帝國競爭算法最

優(yōu)的最大迭代次數；

[0036] 3.5.5：采用步驟3.5.1、3.5.2、3.5.3和3.5.4中確定的最優(yōu)帝國競爭算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測

值，根據訓練集和測試集的支護模式預測值和實際值分別計算它們的模型評價指標值?預

測正確率，利用步驟3.2.2中的排序原則，確定最優(yōu)的模型評價指標值。

[0037] 3.6步：對步驟3.1到步驟3.5獲得的多元線性回歸模型、神經網絡模型、遺傳算法優(yōu)化的神經網絡模型、種群算法優(yōu)化的神經網絡模型、帝國競爭算法優(yōu)化的神經網絡模型

獲得的最優(yōu)模型評價指標值進行對比，同樣利用步驟3.2.2中中的排序原則，最終確定最優(yōu)

的模型評價指標值?預測正確率，進而確定最優(yōu)的預測模型及參數；

[0038] 第四步：支護模式選型快速實時預測[0039] 在其他隧道項目開挖施工時，在超前鉆進時，僅記錄鉆機鉆進參數，不記錄支護模式，采集的鉆機鉆進參數經過預處理后，利用步驟3.6中最優(yōu)的支護模式預測模型對預處理

后的鉆進參數進行分析，最終預測出支護模式選型，從而為隧道開挖施工的支護選型提供

依據。

[0040] 本發(fā)明步驟一到五，除了鉆進作業(yè)、支護模型選型數據采集是由人工進行操作，其余過程均由程序自動運行，無需人工干預。

[0041] 本發(fā)明所帶來的有益技術效果是：[0042] 本發(fā)明方法根據鉆機的鉆進參數來預測隧道支護模式選型，大大降低了人工選型時的主觀因素的影響，從而保證了支護模型選型的準確、有效性；同時，自動對比多元線性

回歸模型、神經網絡模型和優(yōu)化的神經網絡模型的預測性能，選擇出最優(yōu)的模型作為最終

的預測模型并自動更新至現場施工移動終端和辦公區(qū)電腦終端，無需人工干預，確保了選

型方法的實用性和高效性；另外，使用預測結果可以實時顯示在現場移動終端和辦公區(qū)電

腦端，保證了選型預測的實時性。

附圖說明[0043] 圖1為本發(fā)明所述基于隨鉆探測技術的隧道支護模式選型實時預測方法實施例的示意圖；

[0044] 圖2為本發(fā)明一種實施方式的流程示意圖。[0045] 圖中，1、鉆進參數采集裝置；2、鉆機；3、信號收發(fā)器；4、數據物理存儲端；5、圍巖；6、地上辦公區(qū)電腦終端；7、現場施工移動終端。

具體實施方式[0046] 為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本

發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以

根據這些附圖獲得其他的附圖。能不能給一個實例結合說明

[0047] 下面結合一個實例和圖1?2說明本發(fā)明的具體操作步驟。[0048] 現有待開挖某一條隧道，隧道總長約為1千米，為穿山隧道，經地質初步勘探待該隧道地質條件較為復雜，經初步判斷該隧道開挖時將穿過的圍巖等級涵蓋了全部六個等

級，即為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ六個等級，該隧道開挖的同時將采用本發(fā)明方法進行隧道支護

模式的樣本數據采集工作。

[0049] 第一步：連接數據采集裝置[0050] 隧道開挖掘進的同時，采用液壓旋轉沖擊鉆機2對隧道工作面前方圍巖5進行超前鉆探，液壓旋轉沖擊鉆配置鉆進參數采集裝置1，鉆進參數采集裝置1采集的鉆進參數信號

通過無線傳輸至信號收發(fā)器，所述無線信號收發(fā)器3并入隧道施工現場有線(或無線)傳輸

網絡，實現采集的信號實時傳送至辦公區(qū)的數據物理存儲端4和現場施工移動終端7，鉆進

參數采集裝置安裝之后，調試并確保鉆進參數采集裝置的信號傳輸正常。鉆進參數采集裝

置采集的鉆進參數包括：鉆進速度、扭矩、推進力、擊打頻率、擊打壓力、鉆比能量。其中鉆進

速度、扭矩、推進力、擊打頻率、擊打壓力為直接測得的鉆進參數，鉆比能量為鉆進單位體積

巖石所需要的能量，是間接計算得到的鉆進參數，鉆比能量的計算公式為：

其中，Ed為鉆進比能，A為鉆桿截面積，L為鉆桿沖程，Ns為擊打壓力，f為擊打頻率，v為鉆進速

度，S為鉆孔直徑，k為損失系數。

[0051] 第二步：樣本數據采集[0052] 采集該待開挖整條隧道施工時的超前鉆進參數和選定的支護模式作為樣本，將鉆進參數通過信號收發(fā)器傳送至數據物理存儲端，選定的支護模式以阿拉伯數字序號“1”、

“2”等記錄至現場施工移動端，對于區(qū)段內相同的支護模式，只需記錄一次，記錄的支護模

型數據同樣經信號收發(fā)器傳輸至物理存儲端。

[0053] 第三步：樣本數據預處理[0054] 對步驟2采集到的支護模式序號數據進行編碼，按矩陣[00100…]中數字“1”從左至右所處的位數對應支護模式的序號進行編號，例如，矩陣[00100…]代表支護模

式“3”；一組鉆進參數和一個支護模式編碼構成一個數據集，所有的數據集構成樣本數據

庫，為了消除數量級的影響，將樣本數據庫中的6個鉆進參數歸一化到[0?1]數值。

[0055] 第四步：確定最優(yōu)預測模型及參數[0056] 將采集到的樣本數據庫分別按80％和20％的比例劃分為訓練集和測試集，鉆進參數作為預測模型的輸入，支護模式作為預測模型的輸出，具體過程如下：

[0057] (1)采用多元線性回歸模型對支護模式的預測[0058] 對訓練集進行多元線性回歸擬合，得到擬合方程，再將測試集的鉆進參數代入到得到的擬合方程，求出對應的支護模式預測值，根據支護模式預測值和實際值分別計算得

到最優(yōu)模型評價指標值?預測正確率，預測正確率＝預測錯誤的個數/預測的總個數。

[0059] (2)采用神經網絡模型對支護模式進行預測，得到最優(yōu)的模型評價指標值?預測的正確率，從而確定神經網絡模型的主要參數：

[0060] a、采用試錯法確定最優(yōu)的神經網絡的學習率、動量系數、激活函數；[0061] b、對于神經網絡的輸入維度，設置對照試驗，設置6個鉆進參數的全部不同組合分別設置為神經網絡的輸入，即神經網絡的輸入維度分別設置為1至6，對于每一維數來說，具

有不同的鉆進參數組合，將神經網絡的隱含層設置為1層，隱含層節(jié)點數設置為30，然后對

訓練集進行訓練得到訓練集對應的支護模式預測值，將測試集的鉆進參數輸入訓練后的神

經網絡，得到測試集對應的支護模式預測值，根據訓練集和測試集的支護模式預測值和實

際值分別計算它們的模型評價指標值?預測正確率，分別對訓練集和測試集得到的模型評

價指標值進行排序，排序原則為，越大的預測正確率獲得的排序序號值越大，最大的序號值

對應的結果即為最優(yōu)的模型評價指標值，以此來確定最優(yōu)的神經網絡的最優(yōu)輸入維度，即

確定最優(yōu)的鉆進參數組合；

[0062] c、為了充分對比不同隱含層節(jié)點數對神經網絡的預測性能的影響，設置對照試驗，設置不同的隱含層節(jié)點數量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、

95、100，將b中確定的最優(yōu)鉆進參數組合設置為神經網絡的輸入，神將網絡的隱含層設置為

1層，然后對訓練集進行訓練得到訓練集對應的支護模式預測值，將測試集的鉆進參數輸入

訓練后的神經網絡，得到測試集對應的支護模式預測值，根據訓練集和測試集的支護模式

預測值和實際值分別計算它們的模型評價指標值?預測正確率，利用b中的排序原則，得到

最優(yōu)的模型評價指標值，同時確定最優(yōu)的隱含層節(jié)點數，進而確定最優(yōu)的神經網絡模型參

數。

[0063] (3)采用遺傳算法優(yōu)化的神經網絡模型對支護模式進行預測，也就是采用遺傳算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則采用(2)中確定的最優(yōu)的神經網

絡模型參數，從而確定遺傳算法的主要參數，得到最優(yōu)的模型評價指標值?預測的正確率：

[0064] a、采用試錯法確定最優(yōu)的變異概率和交叉概率參數；[0065] b、對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和

測試，分別記錄訓練集和測試集對應的支護模式預測值，根據支護模式預測值和實際值分

別計算訓練集和測試集的模型評價指標值?預測正確率，利用(2)中的排序原則，確定最優(yōu)

的種群數量；

[0066] c、最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓練，

記錄訓練集對應的支護模式預測值，根據支護模式預測值和實際值計算訓練集的模型評價

指標值?預測正確率，對于所有的種群數量相應的預測正確率不再繼續(xù)升高的最大迭代次

數即為遺傳算法最優(yōu)的最大迭代次數；

[0067] d、采用a、b、c中確定的最優(yōu)遺傳算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據支護模式預測值和實際值

分別計算訓練集和測試集的模型評價指標值?預測正確率，利用(2)中的排序原則，確定最

優(yōu)的模型評價指標值。

[0068] (4)采用種群算法優(yōu)化的神經網絡模型對支護模式進行預測，也就是采用種群算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用(2)中確定的最優(yōu)的神

經網絡模型參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指標值?預測正確

率：

[0069] a、采用試錯法確定最優(yōu)的自適應參數c1,c2和慣性因子參數；[0070] b、確定最優(yōu)的種群數量，方法同步驟(3)遺傳算法中的b；[0071] c、最大迭代次數的確定，方法同步驟(3)遺傳算法中的c；[0072] d、采用a、b、c中確定的最優(yōu)種群算法參數，確定最優(yōu)的模型評價指標值?預測正確率,方法同步驟(3)遺傳算法中的d。

[0073] (5)采用帝國競爭算法優(yōu)化的神經網絡模型對支護模式進行預測，也就是采用帝國競爭算法優(yōu)化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用(2)中確定的

最優(yōu)的神經網絡模型參數，從而確定種群算法的主要參數，得到最優(yōu)的模型評價指標值?預

測正確率，具體過程如下：

[0074] a、采用試錯法確定最優(yōu)的的神經網絡模型隨機數β、偏移方向θ和殖民地影響因子ξ參數；

[0075] b、對于總國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數量為50，最大迭代次數設置為100，對訓練集和測試集分

別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據支護模式預測

值和實際值分別計算訓練集和測試集的模型評價指標值?預測正確率，利用(2)中的排序原

則，確定最優(yōu)的總國家數量；

[0076] c、對于帝國主義國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數量設置為b中確定的最優(yōu)總國家數量，最大迭代

次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的

支護模式預測值，根據支護模式預測值和實際值分別計算訓練集和測試集的模型評價指標

值?預測正確率。利用(2)中的排序原則，確定最優(yōu)的帝國主義國家數量；

[0077] d、最大迭代次數的確定，設置對照試驗，總國家數量分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義數量設置為c中確定的最優(yōu)帝國主義國

家數量，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的支護模式預測

值，根據訓練集的支護模式預測值和實際值計算訓練集的模型評價指標值?預測正確率，對

于所有的總國家數量相應的預測正確率不再繼續(xù)升高的最大迭代次數即為帝國競爭算法

最優(yōu)的最大迭代次數；

[0078] e、采用a、b、c、d中確定的最優(yōu)帝國競爭算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的支護模式預測值，根據支護模式預測值和

實際值分別計算訓練集和測試集的模型評價指標?預測正確率，利用(2)中的排序原則，確

定最優(yōu)的模型評價指標值。

[0079] (6)對(1)?(5)獲得的多元線性回歸模型、神經網絡模型、遺傳算法優(yōu)化的神經網絡模型、種群算法優(yōu)化的神經網絡模型、帝國競爭算法優(yōu)化的神經網絡模型獲得的最優(yōu)模

型評價指標?預測正確率進行對比，同樣利用(2)中的排序原則，最終確定最優(yōu)的模型評價

指標值，進而確定最優(yōu)的支護模式預測模型及參數。

[0080] 第五步：支護模式選型快速實時預測[0081] 在其他隧道項目開挖施工時，現場施工移動終端和辦公區(qū)電腦終端5的預測模型自動設置為步驟四獲得的最優(yōu)預測模型及參數；僅記錄鉆機鉆進參數，不記錄支護模式，采

集的鉆機鉆進參數通過無線傳輸至信號收發(fā)器，經信號收發(fā)器分別傳輸至現場施工移動終

端和辦公區(qū)電腦終端，兩終端的預測程序自動進行3)中的數據預處理得到歸一化后的鉆進

參數，再利用最優(yōu)預測模型對預處理后的鉆進參數進行分析，最終預測出支護模式選型。

[0082] 當然，以上說明僅僅為本發(fā)明的較佳實施例，本發(fā)明并不限于列舉上述實施例，應當說明的是，任何熟悉本領域的技術人員在本說明書的指導下，所做出的所有等同替代、明

顯變形形式，均落在本說明書的實質范圍之內，理應受到本發(fā)明的保護。