基于人工智能专家系统的岩爆烈度分级预测研究
发布时间：2019-08-03 19:09
【摘要】：岩爆是岩石的一种复杂动力失稳破坏。由于影响岩爆发生的因素众多,因此很难做到对其发生的可能性及烈度进行准确预测。本文基于人工智能专家系统方法,针对岩爆预测过程中出现的模糊性和随机性特点,建立了岩爆烈度分级模糊综合预测模型。通过岩爆烈度分级预测的知识获取,首先选取岩石脆性系数σ_c/σ_t、岩石应力系数σ_θ/σ_c、初始应力水平σ_1/σ_c、弹性能量指数W_(et)及岩石脆性指数Is五个因素作为岩爆评价指标,采用模糊数学方法确定各指标的模糊隶属函数及权重;然后以规则编程的形式对所获取的知识进行表示,建立了岩爆烈度分级预测专家系统的知识库,并编制了相应的分析和计算程序;最后利用国内外岩爆工程实例对所提方法进行验证,预测结果与实际情况相吻合,从而为岩爆的预测提供了一种新的有效途径。
【图文】：
。首先将人工智能方法与模糊数学方法相结合，采用模糊数学方法确定各影响因素的模糊隶属函数及权重，通过知识获取建立岩爆烈度分级的预测评价指标体系;然后以面对对象的知识表示方法建立岩爆烈度分级预测的知识树层次结构，对知识树层次结构中结点进行知识的编程，构建岩爆烈度分级预测专家系统;最后利用国内外隧道工程中岩爆典型案例对所提方法的可行性和有效性进行验证。1岩爆烈度分级预测专家系统构建1．1专家系统与模糊数学方法专家系统的基本结构主要包括知识库、数据库、推理机、解释机、知识获取和人机接口(图1)，除此6个组成部分外，还包括一个模型库。模型库可以针对不同的应用领域，利用相应的理论建立评价模型，最后归纳到库中。图1专家系统的基本结构Fig．1Thebasicstructureoftheexpertsystem1．2岩爆烈度分级模糊预测方法通过模糊隶属度可以将岩爆发生的模糊性转化为确定性，其取值范围［0，1］对应某一因素对岩爆烈度等级影响的大校假设岩爆烈度评价目标D的评价指标集为P={P1，P2…Pn}，各指标对应的权重集为W={w1，w2…wn}T，则模糊综合评价模型为:D=P×W(1)式中，D为综合评判值矩阵;P为评判因素的模糊隶属度矩阵;权重矩阵W中元素wi≥0(权重集合各因素的和为1)。评价指标的权重可以采用层次分析法(AHP)确定，Saaty［8］建议根据表1对判断矩阵A［aij］赋值。在表中，Pi和Pj相比得aij，而Pj与Pi相比则得到aji=1/aij。由此可见，A是评价者主观判断的定量描述。当某一层次n个元素的权重排序确定后，需对其进行一致性检验［8］，方法如下:CＲ=CI/ＲI(2)式中，CI=(λmax－n)/(n－1)，可见CI与矩阵最大特征值λmax和阶数n
跫鋔囗虼吮?文选取这5个因素作为评价指标来对岩爆烈度进行分级预测。根据现有研究成果［3，6-7，9-10］，可以得到岩爆烈度与各评价指标的关系(表3)。表3岩爆烈度与各评价指标的关系Table3Therelationshipbetweenrockburstintensityandevaluationindexes岩爆等级P1P2P3P4P5Ⅰ≥40≤0．3≤0．2≤2≤3．5Ⅱ(26．7，40］(0．3，0．5］(0．2，0．3］(2，3．5］(3．5，5．5］Ⅲ(14．5，26．7］(0．5，0．7］(0．3，0．55］(3．5，5］(5．5，7］Ⅳ＜14．5＞0．7＞0．55＞5＞7采用层次分析法可得到图2所示的岩爆烈度分级预测评价指标体系。图2岩爆烈度分级预测评价指标体系Fig．2Thepredictiveevaluationindexsystemofrockburstintensityclassification在岩爆烈度分级预测评价指标体系建立后，指标的模糊隶属函数及其权重的确定成为岩爆烈度分级评价准确度的关键［11］。1)评价指标的模糊隶属函数根据表3中给出的岩爆烈度与各评价指标的关系，构建了各个评价指标的模糊隶属函数。例如，，P1的隶属函数如下(图3):U1(x)=1(x＜14．5)40－x40－14．5(14．5≤x＜40)0(x≥40{)(3)同理，可采用相同方法构建另外4个评价指标的隶属函数(限于篇幅未给出)。2)评价指标权重根据现有岩爆分析初始数据［3，6-7，9-10］，5个评价指标中P1与P4相比，基本处在同等重要的位置;P1比P3稍微重要点，P2比P1稍微重要点，P1比P5明显重要。因此，基于前述表1中的标度方法，可建立各评价指标的判断矩阵(表4)。图3P1的隶属函数图Fig．3ThemembershipfunctionchartofP1表4D-P判断矩阵Table4D-PdiscriminationmatrixDP1P2P3P4P5P111
【作者单位】： 北京交通大学;
【基金】：国家重点基础研究发展计划(2014CB046906)
【分类号】：TU45
本文编号：2522736
【图文】：
。首先将人工智能方法与模糊数学方法相结合，采用模糊数学方法确定各影响因素的模糊隶属函数及权重，通过知识获取建立岩爆烈度分级的预测评价指标体系;然后以面对对象的知识表示方法建立岩爆烈度分级预测的知识树层次结构，对知识树层次结构中结点进行知识的编程，构建岩爆烈度分级预测专家系统;最后利用国内外隧道工程中岩爆典型案例对所提方法的可行性和有效性进行验证。1岩爆烈度分级预测专家系统构建1．1专家系统与模糊数学方法专家系统的基本结构主要包括知识库、数据库、推理机、解释机、知识获取和人机接口(图1)，除此6个组成部分外，还包括一个模型库。模型库可以针对不同的应用领域，利用相应的理论建立评价模型，最后归纳到库中。图1专家系统的基本结构Fig．1Thebasicstructureoftheexpertsystem1．2岩爆烈度分级模糊预测方法通过模糊隶属度可以将岩爆发生的模糊性转化为确定性，其取值范围［0，1］对应某一因素对岩爆烈度等级影响的大校假设岩爆烈度评价目标D的评价指标集为P={P1，P2…Pn}，各指标对应的权重集为W={w1，w2…wn}T，则模糊综合评价模型为:D=P×W(1)式中，D为综合评判值矩阵;P为评判因素的模糊隶属度矩阵;权重矩阵W中元素wi≥0(权重集合各因素的和为1)。评价指标的权重可以采用层次分析法(AHP)确定，Saaty［8］建议根据表1对判断矩阵A［aij］赋值。在表中，Pi和Pj相比得aij，而Pj与Pi相比则得到aji=1/aij。由此可见，A是评价者主观判断的定量描述。当某一层次n个元素的权重排序确定后，需对其进行一致性检验［8］，方法如下:CＲ=CI/ＲI(2)式中，CI=(λmax－n)/(n－1)，可见CI与矩阵最大特征值λmax和阶数n
跫鋔囗虼吮?文选取这5个因素作为评价指标来对岩爆烈度进行分级预测。根据现有研究成果［3，6-7，9-10］，可以得到岩爆烈度与各评价指标的关系(表3)。表3岩爆烈度与各评价指标的关系Table3Therelationshipbetweenrockburstintensityandevaluationindexes岩爆等级P1P2P3P4P5Ⅰ≥40≤0．3≤0．2≤2≤3．5Ⅱ(26．7，40］(0．3，0．5］(0．2，0．3］(2，3．5］(3．5，5．5］Ⅲ(14．5，26．7］(0．5，0．7］(0．3，0．55］(3．5，5］(5．5，7］Ⅳ＜14．5＞0．7＞0．55＞5＞7采用层次分析法可得到图2所示的岩爆烈度分级预测评价指标体系。图2岩爆烈度分级预测评价指标体系Fig．2Thepredictiveevaluationindexsystemofrockburstintensityclassification在岩爆烈度分级预测评价指标体系建立后，指标的模糊隶属函数及其权重的确定成为岩爆烈度分级评价准确度的关键［11］。1)评价指标的模糊隶属函数根据表3中给出的岩爆烈度与各评价指标的关系，构建了各个评价指标的模糊隶属函数。例如，，P1的隶属函数如下(图3):U1(x)=1(x＜14．5)40－x40－14．5(14．5≤x＜40)0(x≥40{)(3)同理，可采用相同方法构建另外4个评价指标的隶属函数(限于篇幅未给出)。2)评价指标权重根据现有岩爆分析初始数据［3，6-7，9-10］，5个评价指标中P1与P4相比，基本处在同等重要的位置;P1比P3稍微重要点，P2比P1稍微重要点，P1比P5明显重要。因此，基于前述表1中的标度方法，可建立各评价指标的判断矩阵(表4)。图3P1的隶属函数图Fig．3ThemembershipfunctionchartofP1表4D-P判断矩阵Table4D-PdiscriminationmatrixDP1P2P3P4P5P111
【作者单位】： 北京交通大学;
【基金】：国家重点基础研究发展计划(2014CB046906)
【分类号】：TU45
【相似文献】
相关硕士学位论文 前4条
1 池佐华;高应力隧洞岩爆倾向性预测与预防措施研究[D];西安科技大学;2017年
2 汤世铖;双轴受压花岗岩触发型岩爆试验研究[D];广西大学;2017年
3 李燕芳;高温后花岗岩岩爆的声发射特征研究[D];广西大学;2017年
4 李燕楠;不同中间主应力下应变型岩爆声发射特征研究[D];广西大学;2017年
本文编号：2522736
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/2522736.html
