(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利專利權(quán)人中鐵十八局集團有限公司何瑞江張宗謙郭可策程寧孔德浩李晨睿楊卓而有限公司11678GO6F30/13(2020.0GO6F30/27(2020.0一種融合多因素智能優(yōu)化的隧道爆破振速一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測XGBoost初始超參數(shù)(學(xué)習率、迭21.一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法，其特征在于，該方法包括以下S1,采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，爆破參數(shù)包括最大單段裝藥量、爆心距、鉆孔深度及巖石抗壓強度；S2,對數(shù)據(jù)進行歸一化處理，構(gòu)建包含多因素特征的數(shù)據(jù)集，該數(shù)據(jù)集包括訓(xùn)練集、驗S3,初始化XGBoost超參數(shù)，利用SSA算法對XGBoost超參數(shù)進行迭代優(yōu)化，完成SSA-S4,輸入訓(xùn)練集數(shù)據(jù)以訓(xùn)練優(yōu)化后的SSA-XGBoost模型，利用測試集驗證模型性能并對比傳統(tǒng)模型預(yù)測性能；S5,根據(jù)預(yù)測值實時動態(tài)調(diào)整單段藥量參數(shù)，結(jié)合安全閾值生成風險預(yù)警，實現(xiàn)爆破設(shè)計的閉環(huán)優(yōu)化；XGBoost的目標函數(shù)由損失函數(shù)和正則化項組成，公式為：引入彈性網(wǎng)絡(luò)正則化ElasticNet,結(jié)合L1與LL1正則化自動篩選爆破參數(shù)中的爆心距、最大裝藥量特征，L2正則化防止模型過擬合；式中，yt為第t步的目標函數(shù)值，y(t-1)為前t-1棵樹的預(yù)測值之和，ft(xi)為回歸樹的預(yù)測值；定義XGBoost模型優(yōu)化的參數(shù)，包括迭代次數(shù)n_estimators、最大深度max_depth、學(xué)習率learning_rate;發(fā)現(xiàn)者位置更新的計算公式為：3式中，X,為第i個麻雀在第j維中的位置信息，exp()為指數(shù)函數(shù)，t為迭代次數(shù)；α當R?<ST時，表示發(fā)現(xiàn)者處于安全位置進行搜索；2.根據(jù)權(quán)利要求1所述的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法，其特征在于，在步驟S1中，采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，包括：在多源數(shù)據(jù)采集中爆破振動監(jiān)測，采用爆破測振儀同時測定質(zhì)點振動相互垂直的三個分量，將三個方向的振動速度分量進行矢量合成得到總振速Vtotal,作為模型訓(xùn)練的輸出變量，計算公式為：3.根據(jù)權(quán)利要求1所述的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法，其特征在于，追隨者位置更新的計算公式為：4.根據(jù)權(quán)利要求1所述的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法，其特征在于，警戒者位置更新的計算公式為：fi為當前麻雀個體的適應(yīng)度值，fg和fw分別為當前全局最佳和最差適應(yīng)度值，ε為最小常48.一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測系統(tǒng)，其特征在于，該系統(tǒng)實施如權(quán)多源數(shù)據(jù)采集模塊(1),用于采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，爆破參數(shù)包括最大單數(shù)據(jù)預(yù)處理模塊(2),用于對數(shù)據(jù)進行歸一化處理，構(gòu)建模型訓(xùn)練及驗證模塊(4),用于輸入訓(xùn)練集數(shù)據(jù)以訓(xùn)練優(yōu)化后的SSA-XGBoost模型，利工程應(yīng)用模塊(5),用于根據(jù)預(yù)測值實時動態(tài)調(diào)整單段藥量參數(shù)，結(jié)合安全閾值生成風5技術(shù)領(lǐng)域[0001]本發(fā)明屬于智能隧道工程技術(shù)領(lǐng)域，尤其涉及一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法及系統(tǒng)。背景技術(shù)[0002]在隧道工程領(lǐng)域，爆破振速控制是確保施工安全、周邊建筑物結(jié)構(gòu)穩(wěn)定以及影響周邊居民生活質(zhì)量的核心環(huán)節(jié)，其中對振速峰值的有效預(yù)測更是重中之重。過去用到的預(yù)測方法主要依靠傳統(tǒng)經(jīng)驗公式-薩道夫斯基公式或單一的機器學(xué)習模型，易造成參數(shù)泛化性差及多因素耦合影響無法體現(xiàn)等問題，除此之外還有通過數(shù)值模擬計算進行預(yù)測，該方法復(fù)雜度高、計算耗時長，難以適應(yīng)實際工程的需要。近來，機器學(xué)習技術(shù)逐步應(yīng)用于工程領(lǐng)域，例如BP神經(jīng)網(wǎng)絡(luò)、支持向量機等，但其預(yù)測精度往往受限于模型結(jié)構(gòu)單一、參數(shù)優(yōu)化不足，尤其在多因素耦合下的動態(tài)關(guān)聯(lián)性分析不足，未能充分利用智能算法優(yōu)化模型性能，從而導(dǎo)致過擬合或欠擬合現(xiàn)象。[0003]XGBoost算法憑借其梯度提升決策樹的集成優(yōu)勢，在非線性數(shù)據(jù)建模中表現(xiàn)出卓越的預(yù)測效率與精度。但該模型的性能很大程度上取決于超參數(shù)的設(shè)置，傳統(tǒng)的超參數(shù)優(yōu)化方法難以找到全局最優(yōu)解，而麻雀搜索算法(SSA)作為一種新型群體智能優(yōu)化算法，通過模擬生物群體覓食行為構(gòu)建的啟發(fā)式搜索策略，具備強大的全局搜索能力與快速收斂特性，能夠有效優(yōu)化XGBoost模型的超參數(shù)。該融合策略不僅顯著降低人為調(diào)參偏差，更為爆破振動控制提供了高精度的智能決策支持。發(fā)明內(nèi)容[0004]為克服相關(guān)技術(shù)中存在的問題，本發(fā)明公開實施例提供了一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法及系統(tǒng)。具體涉及一種基于SSA優(yōu)化的XGBoost隧道爆破振速峰值智能預(yù)測方法及系統(tǒng)。[0005]所述技術(shù)方案如下：一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法，包括以[0006]S1,采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，爆破參數(shù)包括最大單段裝藥量、爆心距、鉆孔深度及巖石抗壓強度；[0007]S2,對數(shù)據(jù)進行歸一化處理，構(gòu)建包含多因素特征的數(shù)據(jù)集，該數(shù)據(jù)集包括訓(xùn)練[0008]S3,初始化XGBoost超參數(shù)，利用SSA算法對XGBoost超參數(shù)進行迭代優(yōu)化，完成[0009]S4,輸入訓(xùn)練集數(shù)據(jù)以訓(xùn)練優(yōu)化后的SSA-XGBoost模型，利用測試集驗證模型性能并對比傳統(tǒng)模型預(yù)測性能；[0010]S5,根據(jù)預(yù)測值實時動態(tài)調(diào)整單段藥量參數(shù)，結(jié)合安全閾值生成風險預(yù)警，實現(xiàn)爆破設(shè)計的閉環(huán)優(yōu)化。6[0011]在步驟S1中，采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，包括：在多源數(shù)據(jù)采集中爆破振動監(jiān)測，采用爆破測振儀同時測定質(zhì)點振動相互垂直的三個分量，將三個方向的振動速度分量進行矢量合成得到總振速Vtotal,作為模型訓(xùn)練的輸出變量，計算公式為：[0015]XGBoost的目標函數(shù)由損失函數(shù)和正則化項組成，公式為：函數(shù)；[0021]L1正則化自動篩選爆破參數(shù)中的爆心距、最大裝藥量特征，L2正則化防止模型過回歸樹的預(yù)測值。學(xué)習率learning_rate;[0028]發(fā)現(xiàn)者位置更新的計算公式為：7[0030]式中，為第1個麻雀在第j維中的位置信息，exp()為指數(shù)函數(shù)，t為迭標準正態(tài)分布的隨機數(shù)，L是值為1的1×d維矩陣；ST為安全閾值，ST∈[0.5,1];發(fā)現(xiàn)者目前所在最佳位置；A+為d×d維的向量，每個元素的值都是隨機的-1或1;[0036]當時，代表第個追隨者覓食情況不理想，需要更新位置；[0040]式中，為當前最佳位置，β為服從標準正態(tài)分布的隨機數(shù)；K為隨機數(shù)，K∈[0,1];fi為當前麻雀個體的適應(yīng)度值，fg和fw分別為當前全局最佳和最差適應(yīng)度定系數(shù)R2進行評估。[0042]在步驟S5中，安全閾值通過引入地質(zhì)特征變量并結(jié)合薩道夫斯基經(jīng)驗公式來確定爆破振速的安全閾值，安全閾值公式如下：8[0048]本發(fā)明的另一目的在于提供一種融合多因素智能優(yōu)化的隧道爆破振速預(yù)測系[0055]本發(fā)明中的SSA-XGBoost模型在不同數(shù)據(jù)量和數(shù)據(jù)分布下均表現(xiàn)出良好的魯棒向量使其適用于不同地質(zhì)條件下的振速安全控制。結(jié)合安全閾值以及SSA-9成實時風險預(yù)警，通過動態(tài)調(diào)整爆破參數(shù)，實現(xiàn)爆破設(shè)計的閉環(huán)優(yōu)化，在確保施工安全的同時還提高了施工效率。[0057]本發(fā)明有效提高施工安全及效率，利用SSA-XGBoost可以實現(xiàn)爆破振速預(yù)測的高精度預(yù)測，可以動態(tài)調(diào)整單段藥量等參數(shù)，降低振速超限風險，減少對周邊建筑物及居民的影響，節(jié)省潛在賠償成本；相較于傳統(tǒng)的數(shù)值模擬，該系統(tǒng)工作效率顯著提升，可以縮短爆破設(shè)計周期并降低人力成本；商業(yè)價值適用于隧道工程和礦山開采等爆破場景，有明確的市場需求。結(jié)合智能預(yù)警與閉環(huán)優(yōu)化可以開發(fā)相關(guān)硬件集成系統(tǒng)，具備高附加值。[0058]在現(xiàn)有研究中，SSA-XGBoost在力學(xué)、醫(yī)學(xué)等多領(lǐng)域有所嘗試，但在隧道爆破振速預(yù)測中，首次結(jié)合多源數(shù)據(jù)(地質(zhì)、裝藥量、爆心距等)與動態(tài)閉環(huán)優(yōu)化機制，解決了傳統(tǒng)薩道夫斯基公式無法量化多因素耦合影響的問題；本發(fā)明的“預(yù)測-監(jiān)測-反饋”閉環(huán)機制，實現(xiàn)從靜態(tài)預(yù)測到動態(tài)控制的跨越，填補了工程實踐的技術(shù)空白。[0059]薩道夫斯基公式依賴經(jīng)驗系數(shù)，無法反映多因素耦合的影響(如地質(zhì)條件、裝藥量、爆心距等)。本發(fā)明考慮多因素融合解決了參數(shù)泛化性差的問題。而傳統(tǒng)模型(如BP神經(jīng)網(wǎng)絡(luò))在數(shù)據(jù)稀缺時易過擬合(測試集MAE達5.112),本發(fā)明通過數(shù)據(jù)歸一化與SSA優(yōu)化，使該模型即使在小樣本或非均衡數(shù)據(jù)中仍保持高精度(R2>0.97)[0060]雖然SSA-XGBoost在其他領(lǐng)域已有應(yīng)用，但在隧道爆破振速預(yù)測領(lǐng)域應(yīng)用較少且效果較差，本發(fā)明通過特殊化超參數(shù)優(yōu)化(如引入爆心距、巖石強度等特征),驗證了其可行附圖說明[0061]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理；[0062]圖1是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)原理圖；[0063]圖2是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法流程[0064]圖3是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)訓(xùn)練集中密度圖；[0065]圖4是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)訓(xùn)練集結(jié)果圖；[0066]圖5是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)測試集密度圖；[0067]圖6是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)測試集結(jié)果圖；[0068]圖7為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的BP模型測試集密度圖；[0069]圖8為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的BP-PSO模型測試集密度圖；[0070]圖9為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的XGBoost模型測試集密度圖；[0071]圖10為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的BP模型訓(xùn)練集密度結(jié)果圖；[0072]圖11為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的BP-PSO模型訓(xùn)練集密度結(jié)果圖；[0073]圖12為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的XGBoost模型訓(xùn)練集密度結(jié)果圖；[0074]圖13是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測系統(tǒng)示意具體實施方式[0076]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖對本發(fā)明的具體實施方式做詳細的說明。在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以很多不同于在此描述的其他方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似改進，因此本發(fā)明不受下面公開的具體實施的限制。[0077]本發(fā)明的創(chuàng)新點在于：本發(fā)明將麻雀搜索算法(SSA)融入XGBoost模型，利用其全局搜索能力優(yōu)化XGBoost的超參數(shù)(迭代次數(shù)、學(xué)習率等),從而提高預(yù)測精度；通過多源數(shù)據(jù)采集(爆破參數(shù)、地質(zhì)條件、振動監(jiān)測數(shù)據(jù))和歸一化處理，構(gòu)建高泛化性數(shù)據(jù)集，解決了在多因素耦合影響下的參數(shù)泛化性差問題。SSA-XGBoost模型在小樣本或非均衡數(shù)據(jù)中仍保持低誤差(MAE僅2.419),魯棒性優(yōu)于傳統(tǒng)模型；引入地質(zhì)特征變量并結(jié)合薩道夫斯基經(jīng)驗公式來改進安全閾值，將預(yù)測結(jié)果與安全閾值相結(jié)合，實時生成風險預(yù)警，動態(tài)調(diào)整單段藥量等參數(shù)，并反饋監(jiān)測數(shù)據(jù)迭代優(yōu)化模型，形成爆破設(shè)計-預(yù)測-監(jiān)測-反饋的閉環(huán)控制，提高施工效率的同時注重施工安全。[0078]實施例1,如圖1所示，本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法原理。[0079]具體的，如圖2所示，本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)[0080]S1,采集爆破參數(shù)及歷史振動監(jiān)測數(shù)據(jù)，爆破參數(shù)包括最大單段裝藥量、爆心距、鉆孔深度及巖石抗壓強度；[0081]S2,對數(shù)據(jù)進行歸一化處理，構(gòu)建包含多因素特征的數(shù)據(jù)集，該數(shù)據(jù)集包括訓(xùn)練[0082]S3,初始化XGBoost超參數(shù)，利用SSA算法對XGBoost超參數(shù)進行迭代優(yōu)化，完成[0083]S4,輸入訓(xùn)練集數(shù)據(jù)以訓(xùn)練優(yōu)化后的SSA-XGBoost模型，利用測試集驗證模型性能并對比傳統(tǒng)模型預(yù)測性能；等)和決定系數(shù)(R2);集=8:1:1;[0093]式中，y(x)為XGBoost的目標函數(shù)，L()為模型偏差的損失函數(shù)，yi為實際值，[0097]L1正則化可自動篩選爆破參數(shù)中的關(guān)鍵特征(如爆心距、最大裝藥量等),L2正則[0101]定義XGBoost模型優(yōu)化的參數(shù)，如迭代次數(shù)(n_estimators)、最大深度(max_[0114]警戒者位置更新的計[0116】式中，為當前最佳位置，β為服從標準正態(tài)分布的隨機數(shù)；K為隨機數(shù)，訓(xùn)練集測試集[0125]其中，圖3是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法[0126]圖5是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)測試集密度圖；圖6是本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破集密度圖；圖9為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速振速預(yù)測方法(SSA-XGBoost模型)做對比的BP模型訓(xùn)練集密度結(jié)果圖；圖11為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-XGBoost模型)做對比的BP-PSO模型訓(xùn)練集密度結(jié)果圖；圖12為與本發(fā)明融合多因素智能優(yōu)化的隧道爆破振速預(yù)測方法(SSA-[0129]式中，Vs為振速安全閾值，K,α為根據(jù)地質(zhì)條件和爆破經(jīng)驗確定的系數(shù)，Q為單數(shù)(如裂隙密度等);計算任選其一。建筑物名稱最大單段藥量/kg安全閾值/cm/s簡房麥島海岸小區(qū)錦園小區(qū)南區(qū)麥島家園小區(qū)雨水管線燃氣管線表3爆區(qū)不同巖性的值巖性Kα堅硬巖石中硬巖石軟巖石[0137]實施例2,如圖13所示，本發(fā)明實施例提供的融合多因素智能優(yōu)化的隧道爆破振速預(yù)測系統(tǒng)包括：[0138]多源數(shù)據(jù)采集模塊1,用于采集爆破參數(shù)(最大單段裝藥量、爆心距、鉆孔深度及巖石抗壓強度)及歷史振動監(jiān)測數(shù)據(jù)；[0139]數(shù)據(jù)預(yù)處理模塊2,用于對數(shù)據(jù)進行歸一化處理，構(gòu)建包含多因素特征的數(shù)據(jù)集，[0140]SSA-XGBoost模型搭建模塊3,用于初始化XGBoost超參數(shù)及利用SSA算法對XGBoost超參數(shù)進行迭代優(yōu)化；[0141]模型訓(xùn)練及驗證模塊4,用于輸入訓(xùn)練集數(shù)據(jù)以訓(xùn)練優(yōu)化后的SSA-XGBoost模型，利用測試集驗證模型性能并對比傳統(tǒng)模型預(yù)測性能(如：傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、BP-PSO模型及未[0142]工程應(yīng)用模塊5,用于根據(jù)預(yù)測值實時動態(tài)調(diào)整單段藥量等參數(shù)，結(jié)合安全閾值(如：改進薩道夫斯基公式限值)生成風險預(yù)警，實現(xiàn)爆破設(shè)計的閉環(huán)優(yōu)化。[0143]以上所述，僅為本發(fā)明較優(yōu)的具體的實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。開始開始訓(xùn)練集測試集XGBoost初始超參數(shù)(學(xué)習率、迭結(jié)束件?度)及歷史振動監(jiān)測數(shù)據(jù)圖2SSA-XGBoost訓(xùn)練集密度圖HL實際振速峰值圖33/8頁3/8頁SSA-XGBoost訓(xùn)練集結(jié)果1-+一真實值10