基于深度神经网络的岩爆烈度分级预测 论文

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