一种施工隧道撑子面涌水量预测方法及装置的制造方法
【技术领域】
[0001]本发明涉及隧道施工数据处理领域，具体涉及一种施工隧道撑子面涌水量预测方法及装置。
【背景技术】
[0002]近年来，随着我国经济的不断发展，以隧道缩短里程的方式越来越普遍，在隧道开挖过程中对施工撑子面涌水量的准确预测对于安全生产具有重要意义。
[0003 ]撑子面也程掌子面，又称碡子面，是坑道施工领域术语，具体指开挖坑道(采煤、采矿或隧道工程中)不断向前推进的工作面。影响撑子面涌水量大小的因素很多，其中很多具有不确定性，且各个因素之间的关系复杂。目前，预测隧道涌水量的方法逾十余种，其中尤以均衡法和地下水动力学法应用最为广泛。然而，地下水系统受很多非确定性因素影响，致使常规预测方法在实际使用时受到局限。且多数涌水量预测方法均以隧道全部贯通为预测情景，不能动态指导隧道安全施工，难以满足长大隧道动态设计需要。因此，本发明旨在提供一种综合考虑多种因素的、动态的估计施工隧道撑子面涌水量的方案，以对隧道施工安全生产提供数据支持。
【发明内容】
[0004]为解决上述问题，本发明提供一种施工隧道撑子面涌水量预测方法，包括如下步骤:获取施工隧道所在区域的距预测目标日前N日的降雨量数据;利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据，计算所述撑子面在预测目标日的涌水量数据，其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
[0005]优选地，在所述获取施工隧道所在区域的距预测目标日前N日的降雨量数据之前，所述方法还包括:获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据，对所述神经网络模型进行训练，直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
[0006]优选地，所述神经网络模型为BP神经网络模型。
[0007]优选地，所述BP神经网络模型的隐层为单层。
[0008]优选地，N的取值范围为I SNS 6。
[0009]相应地，本发明提供一种施工隧道撑子面涌水量预测装置，包括:获取单元，用于获取施工隧道所在区域的距预测目标日前N日的降雨量数据;预测单元，用于利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据，计算所述撑子面在预测目标日的涌水量数据，其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
[0010]优选地，所述装置还包括:训练样本获取单元，用于获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;模型训练单元，用于将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据，对所述神经网络模型进行训练，直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
[0011 ] 优选地，所述神经网络模型为BP神经网络模型。
[0012]优选地，所述BP神经网络模型的隐层为单层。
[0013]优选地，N的取值范围为I ^ NS 6。
[0014]本发明技术方案，具有如下优点:
[0015]根据本发明技术方案，由于隧道施工过程中各类水文、地质信息获取难度较大，同时，有些因素带有模糊性，而人工神经网络的后天学习能力使之能够随环境的变化而不断学习，能够从未知模式的大量复杂数据中发现规律，与传统的评价方法相比，表现出更强的功能，本发明只需获取预测日前若干日的降雨量，并利用神经网络模型预测涌水量，克服了传统分析过程的复杂性及选择适当模型函数形式的困难，提供了一种自然的非线性建模过程，无需分清存在何种非线性关系，给建模与分析带来极大的方便，进而为隧道施工安全生产提供了参考价值极高的数据支持。
【附图说明】
[0016]为了更清楚地说明本发明【具体实施方式】或现有技术中的技术方案，下面将对【具体实施方式】或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本发明提供的施工隧道撑子面涌水量预测方法流程图；
[0018]图2为本发明提供的施工隧道撑子面涌水量预测方法所使用的神经网络模型结构示意图；
[0019]图3是神经网络模型训练过程中的数据统计图；
[0020]图4是神经网络模型训练过程中的检验标准数据统计图。
[0021]图5为本发明提供的施工隧道撑子面涌水量预测装置的框架图。
【具体实施方式】
[0022]下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0023]本发明实施例提供一种施工隧道撑子面涌水量预测方法，如图1所示，该包括如下步骤:
[0024]SI，获取施工隧道所在区域的距预测目标日前N日的降雨量数据，每日I个降水量数据，则有N个降雨量数据。其中，根据实验数据可知，距离预测目标日前过长日期的降雨量，对最终所要预测的涌水量的影响较小，因此N的取值可以优选为I <N<60
[0025]假设需要预测当前日的涌水量数据，即当前日为预测目标日，那么应当获取当前日前N日的降雨量数据，降雨量为气象数据，可通过多种渠道获得，甚至可以在施工区域实际测量得到。在此假设情形中，前N日是已经度过的时间，前N日的降水量则是实际的降雨量。但是本发明不限于预测当前日的涌水量，将未来某日作为预测目标日也是可行的，只要能获得预测日前若干日的降雨量即可，对于预测未来某日的涌水量的情形，可通过气象预报得到相应的预计降雨量数据。
[0026]S2，利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据，计算所述撑子面在预测目标日的涌水量数据。本实施例采用BP神经网络模型对涌水量进行预测，BP神经网络(Back-Propagat1n Network)是RumeIhart等在1986年提出的一种多层前馈神经网络。图2是一个典型的3层(单隐层)前馈型BP神经网络的学习算法结构，包括输入层、隐含层(中间层)和输出层，上下层之间实现全连接而每层神经元之间无连接。
[0027]BP人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有记忆、辨识能力，完成各种信息处理功能。虽然现今的BP神经网络还是一个黑箱模型，其参数没有水文物理意义，但从结构上分析，涌水过程与神经网络的结构具有相似性。对于一个岩溶水系统，在一次降水之后，水流通过下渗进入到地下，经过多个裂隙、溶隙、管道，最后汇集到隧道突水点，在这过程中，各个裂隙、溶隙、管道都有其相应的蓄水容量等阈值，降水是其输入，涌水量是其输出，这类似于人工神经元模型中的阈值、激活值、输出等器件。
[0028]由于BP神经网络算法(或误差逆向传播算法)的原理是当给网络提供一对学习样本，神经元的激活值从输入层经隐含层向输出层传播，在输出层的各神经元获得网络的输入响应;然后，按照减少目标输出和实际误差的方向，从输出层经中间各隐含层逐层修正各连接权值，最后回到输入层。因此，本发明所使用的神经网络模型必须是利用预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的，经过训练后的神经网络模型，其输出值与实际值的误差应当小于预定阈值。并且，对于经过训练的模型而言，后续的每一次预测也同时可以作为训练过程，关于对本发明所使用的神经网络模型进行训练的过程将在下文进行详细介绍。
[0029]根据上述方案，由于隧道施工过程中各类水文、地质信息获取难度较大，同时，有些因素带有模糊性，而人工神经网络的后天学习能力使之能够随环境的变化而不断学习，能够从未知模式的大量复杂数据中发现规律，与传统的评价方法相比，表现出更强的功能。本发明只需获取预测日前若干日的降雨量，并利用神经网络模型预测涌水量，克服了传统分析过程的复杂性及选择适当模型函数形式的困难，提供了一种自然的非线性建模过程，无需分清存在何种非线性关系，给建模与分析带来极大的方便，进而为隧道施工安全生产提供了参考价值极高的数据支持。
[0030]下文将结合一个实际案例对本发明所使用的神经网络模型的训练过程进行详细介绍。
[0