張昱,張明魁

(1.北京建筑大學(xué)電氣與信息工程學(xué)院,建筑大數(shù)據(jù)智能處理方法研究北京市重點(diǎn)實(shí)驗(yàn)室,北京 100044;2.中國(guó)礦業(yè)大學(xué)(北京),深部巖土力學(xué)與地下工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100083)

巖爆屬于突發(fā)性的地質(zhì)災(zāi)害,在短時(shí)間內(nèi)產(chǎn)生極大的破壞性[1-2],其嚴(yán)重影響了工程進(jìn)度,對(duì)工人的人身安全造成威脅[3],為精準(zhǔn)預(yù)測(cè)巖爆烈度等級(jí),國(guó)內(nèi)外學(xué)者做了眾多相關(guān)工作[4-5]。

在巖爆烈度等級(jí)預(yù)測(cè)的相關(guān)工作中,國(guó)內(nèi)外眾多學(xué)者主要使用單一指標(biāo)預(yù)測(cè)法和綜合指標(biāo)預(yù)測(cè)法兩種方法進(jìn)行研究。單一指標(biāo)預(yù)測(cè)法主要包括E.Hoek方法、Russense判據(jù)和陶振宇判據(jù)[6-8],但是單一指標(biāo)預(yù)測(cè)法存在預(yù)測(cè)結(jié)果不準(zhǔn)確的弊端。綜合指標(biāo)預(yù)測(cè)法主要是針對(duì)巖爆成因機(jī)制復(fù)雜提出的研究方法,其預(yù)測(cè)效果優(yōu)于單一指標(biāo)預(yù)測(cè)法。近年來(lái)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法被廣泛應(yīng)用到巖爆烈度等級(jí)預(yù)測(cè)的工作中[9-10],張鈞博等[11]采用基于交叉驗(yàn)證的XGBoost(eXtreme Gradient Boosting)算法解決因樣本數(shù)據(jù)較少產(chǎn)生的預(yù)測(cè)結(jié)果不準(zhǔn)確的問(wèn)題。田睿等[12]構(gòu)建基于dropout和改進(jìn)的基于Adam的深度神經(jīng)網(wǎng)絡(luò)模型,避免了指標(biāo)權(quán)重的確定問(wèn)題,減少了預(yù)測(cè)時(shí)人為因素產(chǎn)生的影響。楊小彬等[13]提出基于SOFM(self-organizing feature map)神經(jīng)網(wǎng)絡(luò)模型的巖爆烈度等級(jí)預(yù)測(cè)方法,簡(jiǎn)化了巖爆烈度等級(jí)預(yù)測(cè)指標(biāo)體系,從而提高了預(yù)測(cè)準(zhǔn)確率。劉曉悅等[14]建立AdaBoost-BAS-SVM(AdaBoost-beetle antennae search-support vector machine)模型來(lái)解決巖爆等級(jí)預(yù)測(cè)過(guò)程中單一分類器不穩(wěn)定問(wèn)題。Guo等[15]建立了標(biāo)準(zhǔn)差權(quán)重組合的BP-SVM(back propagation-support vector machine)模型,其預(yù)測(cè)效果優(yōu)于傳統(tǒng)的單一機(jī)器學(xué)習(xí)方法。劉劍等[16]運(yùn)用修正散點(diǎn)圖矩陣分析數(shù)據(jù),用優(yōu)化后隨機(jī)森林模型進(jìn)行預(yù)測(cè)。

在上述巖爆烈度等級(jí)預(yù)測(cè)方法中,都取得了較好的成果,但也都存在著準(zhǔn)確率不高、訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。為了解決上述兩個(gè)問(wèn)題,現(xiàn)提出并建立基于梯度下降算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的[17-18]的梯度下降-深度神經(jīng)網(wǎng)絡(luò)(gradient descent-deep neural network,GD-DNN)巖爆烈度等級(jí)預(yù)測(cè)模型,再對(duì)模型進(jìn)行訓(xùn)練和測(cè)試,最后在秦嶺隧道、大相嶺隧道、通渝隧道和馬路坪礦井4個(gè)實(shí)際工程中檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果。

1 GD-DNN模型

1.1 模型架構(gòu)

本文中提出的GD-DNN模型,其架構(gòu)主要包括數(shù)據(jù)處理、模型建立和模型預(yù)測(cè)三部分,如圖1所示。

圖1 模型架構(gòu)

該模型架構(gòu)中數(shù)據(jù)處理部分主要是從輸入的訓(xùn)練樣本中選取最優(yōu)的巖爆預(yù)測(cè)指標(biāo)并進(jìn)行數(shù)據(jù)歸一化處理;模型建立部分主要是建立GD-DNN模型并訓(xùn)練,然后通過(guò)計(jì)算出準(zhǔn)確率和損失值兩項(xiàng)評(píng)估指標(biāo)來(lái)判斷模型是否滿足評(píng)價(jià)標(biāo)準(zhǔn),若不滿足則重新訓(xùn)練模型并計(jì)算評(píng)估指標(biāo);模型預(yù)測(cè)部分主要是將待測(cè)試的數(shù)據(jù)輸入到通過(guò)不斷訓(xùn)練得到的最優(yōu)模型中,然后輸出巖爆烈度等級(jí)。

1.2 模型原理

GD-DNN模型主要包含五部分,分別為輸入、DNN層、優(yōu)化層、Softmax層、輸出。其原理如圖2所示。

圖2 模型原理

由于巖爆樣本數(shù)據(jù)的數(shù)據(jù)量較小,所以建立的GD-DNN模型在深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上使用梯度下降算法進(jìn)行優(yōu)化,加快了模型尋找最優(yōu)值的速度;然后在Softmax層使用交叉熵?fù)p失函數(shù)加快模型收斂速度;最后采用分層10折交叉驗(yàn)證法來(lái)選擇最優(yōu)的模型參數(shù)并輸出最終的預(yù)測(cè)結(jié)果,各部分的具體原理如下。

(1)輸入:將選取的三類巖爆預(yù)測(cè)指標(biāo)應(yīng)力指數(shù)(σθ/σc)、脆性指數(shù)(σc/σt)、巖石彈性能量指數(shù)(Wet)作為模型的輸入,其中σθ為硐壁圍巖最大切向應(yīng)力;σc為巖石單軸抗壓強(qiáng)度;σt為巖石單軸抗拉強(qiáng)度。然后對(duì)數(shù)據(jù)進(jìn)行歸一化處理,已達(dá)到在訓(xùn)練模型時(shí)加快模型收斂速度的目的,具體公式為

(1)

式(1)中:x為原始數(shù)據(jù);x′為歸一化后的數(shù)據(jù);xmax和xmin分別為原始數(shù)據(jù)集的最大值和最小值。

(2)DNN層:在DNN層中,各層之間的線性關(guān)系z(mì)為

z=∑wixi+b

(2)

式(2)中:wi為層與層之間的線性關(guān)系系數(shù);xi為輸入值向量;b為偏倚參數(shù)。此層選取的激活函數(shù)是f(z),隱含層和輸出層的值為a,則有

(3)

由式(3)可知,第l層的輸出al為

al=f(Wlal-1+Bl)

(4)

式(4)中:Wl為第l層的線性系數(shù)wi組成的權(quán)重系數(shù)矩陣;Bl為第l層的偏倚參數(shù)b組成的偏倚向量。然后將輸出層的數(shù)據(jù)傳輸?shù)教荻认陆祪?yōu)化器中進(jìn)一步處理。

(3)優(yōu)化層:為了更快地更新參數(shù)并達(dá)到收斂的目的,設(shè)計(jì)了梯度下降優(yōu)化器來(lái)不斷地對(duì)訓(xùn)練的參數(shù)進(jìn)行調(diào)整。首先確定當(dāng)前損失函數(shù)的梯度,表達(dá)式為

(5)

式(5)中:W、B分別代表DNN層中傳輸過(guò)來(lái)的權(quán)重系數(shù)和偏倚向量。然后通過(guò)對(duì)學(xué)習(xí)率α的不斷調(diào)整來(lái)更新W和B,即

(6)

(7)

通過(guò)重復(fù)更新W和B,使得損失函數(shù)的值越來(lái)越小,直至數(shù)值收斂。

(4)Softmax層:模型中使用的是交叉熵?fù)p失函數(shù),將數(shù)據(jù)的真實(shí)分布和模型預(yù)測(cè)分布的差異進(jìn)行比較,交叉熵?fù)p失函數(shù)越小,差異越小,模型預(yù)測(cè)的準(zhǔn)確率就越高。交叉熵的定義為

(8)

式(8)中:p(xi)為隨機(jī)變量X等于xi的真實(shí)概率,來(lái)源于已標(biāo)注的樣本數(shù)據(jù);q(xi)為模型得出的隨機(jī)變量X等于xi的概率。

(5)輸出:在輸出層為了提高模型預(yù)測(cè),采取分層10折交叉驗(yàn)證法將巖爆樣本數(shù)據(jù)隨機(jī)分為十部分,其中九部分為訓(xùn)練,一部分作為驗(yàn)證。訓(xùn)練和驗(yàn)證過(guò)程執(zhí)行十次。最后,以10次預(yù)測(cè)結(jié)果的最優(yōu)值作為衡量模型預(yù)測(cè)效果的指標(biāo)。

由模型原理可以得出GD-DNN模型求解運(yùn)算步驟,具體步驟如圖3所示。

圖3 模型求解運(yùn)算步驟

2 實(shí)驗(yàn)與分析

2.1 巖爆預(yù)測(cè)指標(biāo)的選取

由于影響巖爆發(fā)生因素眾多且成因機(jī)制復(fù)雜,導(dǎo)致巖爆烈度等級(jí)判據(jù)尚無(wú)統(tǒng)一標(biāo)準(zhǔn),目前在相關(guān)研究中常用的巖爆烈度等級(jí)判據(jù)如表1所示[19]。

表1 巖爆烈度等級(jí)判據(jù)

由表1可知,以上判據(jù)均為單一指標(biāo),其預(yù)測(cè)效果并不理想。由于巖爆發(fā)生機(jī)制復(fù)雜,影響因素較多,為了提高巖爆烈度等級(jí)預(yù)測(cè)的準(zhǔn)確率,本文使用斯皮爾曼系數(shù)法進(jìn)行相關(guān)性分析[20],最終選取兩兩之間相關(guān)性最低的應(yīng)力指數(shù)(σθ/σc)、脆性指數(shù)(σc/σt)、巖石彈性能量指數(shù)(Wet)作為預(yù)測(cè)巖爆烈度等級(jí)的巖爆預(yù)測(cè)指標(biāo)。

2.2 數(shù)據(jù)預(yù)處理

搜集國(guó)內(nèi)外67組巖爆樣本數(shù)據(jù)[15],如表2所示。其中巖爆烈度分為4個(gè)等級(jí):無(wú)巖爆、輕微巖爆、中等巖爆、強(qiáng)烈?guī)r爆,分別用數(shù)字1、2、3、4來(lái)表示。

表2 巖爆樣本數(shù)據(jù)

在所搜集的樣本數(shù)據(jù)中,包含無(wú)巖爆10例、輕微巖爆18例、中等巖爆28例、強(qiáng)烈?guī)r爆11例,各類別樣本所占比例如圖4所示。

為進(jìn)一步分析巖爆樣本數(shù)據(jù),將巖爆預(yù)測(cè)指標(biāo)應(yīng)力指數(shù)(σθ/σc)、脆性指數(shù)(σc/σt)、巖石彈性能量指數(shù)(Wet)的異常值進(jìn)行數(shù)據(jù)可視化處理,如圖5～圖7所示。

圖5 應(yīng)力指數(shù)箱線圖

圖6 脆性指數(shù)箱線圖

圖7 巖石彈性能量指數(shù)箱線圖

由圖5～圖7可知,三類巖爆預(yù)測(cè)指標(biāo)中都含有異常值,數(shù)據(jù)中異常值的產(chǎn)生與復(fù)雜的巖爆成因機(jī)制相關(guān)。傳統(tǒng)的預(yù)測(cè)方法中都將異常值從樣本數(shù)據(jù)中刪除,但在本文研究中并未將異常值從巖爆樣本數(shù)據(jù)中刪除,而是將異常值數(shù)據(jù)同巖爆樣本數(shù)據(jù)一起輸入到模型中進(jìn)行訓(xùn)練和測(cè)試。

2.3 模型評(píng)估與分析

為了驗(yàn)證GD-DNN模型在巖爆烈度等級(jí)預(yù)測(cè)方面的有效性,在實(shí)驗(yàn)中將準(zhǔn)確率、精確率、召回率和F1作為模型性能的評(píng)估指標(biāo),隨后將KNN、SVM、DNN和GD-DNN模型分別在測(cè)試集上進(jìn)行實(shí)驗(yàn)并對(duì)比分析,結(jié)果如表3所示。

表3 模型預(yù)測(cè)結(jié)果對(duì)比

由表3可知,本文提出的GD-DNN模型預(yù)測(cè)巖爆烈度等級(jí)的準(zhǔn)確率達(dá)到95.8%,相比于傳統(tǒng)的機(jī)器學(xué)習(xí)算法KNN、SVM和深度學(xué)習(xí)算法DNN的預(yù)測(cè)效果,在準(zhǔn)確率上分別提高了45.8%、38.7%和8.3%,同時(shí)精確率、召回率和F1均優(yōu)于其他模型。

另外,由模型預(yù)測(cè)結(jié)果可知,深度學(xué)習(xí)模型相比于機(jī)器學(xué)習(xí)模型在各項(xiàng)指標(biāo)上都有明顯的提升。在解決了準(zhǔn)確率不高的問(wèn)題后,將DNN模型和GD-DNN模型進(jìn)一步分析對(duì)比,結(jié)果發(fā)現(xiàn)在訓(xùn)練時(shí)GD-DNN模型的準(zhǔn)確率、損失值和訓(xùn)練時(shí)間均優(yōu)于DNN模型,證明GD-DNN模型收斂速度更快,訓(xùn)練時(shí)間更短,其對(duì)比結(jié)果如圖8所示。

圖8 模型分析結(jié)果對(duì)比

3 工程檢驗(yàn)

為進(jìn)一步檢驗(yàn)GD-DNN模型的可行性,使用文獻(xiàn)[21]中秦嶺隧道、大相嶺隧道、通渝隧道和馬路坪礦井的5組實(shí)際工程數(shù)據(jù),如表4所示。然后將這些工程數(shù)據(jù)作為KNN、SVM、DNN和GD-DNN模型的輸入,最后對(duì)比各模型的預(yù)測(cè)結(jié)果,其預(yù)測(cè)結(jié)果如表5所示。

表4 工程數(shù)據(jù)

表5 預(yù)測(cè)結(jié)果

由表5可知,建立的GD-DNN模型100%預(yù)測(cè)出5個(gè)實(shí)際工程的巖爆烈度等級(jí),利用GD-DNN模型,可以精準(zhǔn)預(yù)測(cè)巖爆烈度等級(jí)。另外,新的巖爆數(shù)據(jù)可以加入到巖爆樣本數(shù)據(jù)庫(kù)中進(jìn)行訓(xùn)練并不斷優(yōu)化模型,以達(dá)到提高模型泛化能力的目的。

4 結(jié) 論

(1)綜合考慮礦山工程中的巖爆發(fā)生機(jī)制,本文創(chuàng)造性地選取應(yīng)力指數(shù)(σθ/σc)、脆性指數(shù)(σc/σt)、巖石彈性能量指數(shù)(Wet)作為巖爆預(yù)測(cè)指標(biāo),解決了單一指標(biāo)預(yù)測(cè)法準(zhǔn)確率較低的問(wèn)題。

(2)提出并建立了一種基于梯度下降算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的GD-DNN巖爆烈度等級(jí)預(yù)測(cè)模型,極大地提高了巖爆烈度等級(jí)預(yù)測(cè)的準(zhǔn)確率。

(3)最后在實(shí)際工程中檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果,結(jié)果表明GD-DNN模型預(yù)測(cè)的準(zhǔn)確率為100%,證明了本文模型在礦山工程中的可行性。