期刊文章详细信息
基于深度神经网络的岩爆烈度分级预测 ( EI收录)
Prediction of intensity classification of rockburst based on deep neural network
文献类型:期刊文章
TIAN Rui;MENG Haidong;CHEN Shijiang;WANG Chuangye;ZHANG Fei(Institute of Mining Engineering,Inner Mongolia University of Science and Technology,Baotou 014010,China)
机构地区:[1]内蒙古科技大学矿业研究院,内蒙古包头014010
基 金:国家自然科学基金资助项目(51564038,51464036);内蒙古自治区自然科学基金资助项目(2018MS05037)
年 份:2020
期 号:S01
起止页码:191-201
语 种:中文
收录情况:BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊
摘 要:岩爆是大型地下岩土和深部资源开采工程中面临的关键问题之一。为准确可靠地预测岩爆灾害,本研究提出一种基于Dropout与改进的Adam的深度神经网络(DNN)岩爆预测模型(DA-DNN)。根据岩爆的影响因素、特点及成因,选取硐壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数构成岩爆预测指标体系。在国内外岩爆研究成果的基础上,搜集289组岩爆工程实例数据,并以此作为岩爆预测的样本数据,然后采用深度学习技术建立基于DA-DNN岩爆预测模型。DA-DNN模型避开了指标权重确定问题,完全由数据驱动,减少了人为因素影响,可实现不完全、不精确并带有噪声的有限数据集中复杂且微妙的深层关系的学习。考虑到岩爆样本数据量有限,根据深度学习领域常用的数据集划分方法,即训练集、验证集、测试集按照6∶2∶2划分。先从样本数据中随机抽取58组作为测试集(预测样本),在模型最终训练完成后,评估其泛化能力,测试其真正的预测准确率。剩余的231组样本数据作为DA-DNN模型的学习样本,在训练过程中随机采样,抽取学习样本的80%作为训练集,20%作为验证集。当训练次数(epochs)取60时,学习样本为231组时,预测样本的预测准确率达到了98.3%。锦屏二级水电站、秦岭隧道和冬瓜山铜矿岩爆预测等3个工程应用实例来自于预测样本中,预测结果验证了DA-DNN岩爆预测模型的有效性与正确性。
关 键 词:岩爆 烈度分级 神经网络 深度学习 DROPOUT ADAM
分 类 号:TU45]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...