工程3（2017）552研究深部矿产资源的有效开采-文章数据挖掘技术在岩爆危险性评价中Luis Ribeiro e Sousaa，*，Tiago Mirandab，Rita Leal e Sousac，Joaquim Tinocob中国矿业大学（北京）地质力学与深部地下工程国家重点实验室，北京100083b葡萄牙吉马良斯4800-058，Campus de Azurém，米尼奥大学土木工程系，结构工程可持续性与创新研究所c阿联酋阿布扎比马斯达尔市马斯达尔科技学院ARt i clEINf oA b s tRAC t文章历史记录：2017年4月28日收到2017年7月6日修订2017年7月7日接受2017年7月31日在线提供关键词：岩爆数据挖掘贝叶斯网络现场数据库岩爆是影响世界各地许多深部地下矿山的重要现象对这一现象的理解与此类事件的管理相关，这可以节省成本和生命。室内实验是深入了解岩爆机理的一种方法在这些作者的先前研究中，建立了岩爆实验室试验数据库;此外，利用数据挖掘（DM）技术，开发了预测岩爆最大应力和岩爆危险指数的模型本文通过对现场岩爆实例数据库的分析，建立了岩爆影响图，列出了岩爆发生过程中相互作用的因素，并了解了这些因素之间的关系现场岩爆数据库进行了进一步分析，使用不同的DM技术，从人工神经网络（ANN）的朴素贝叶斯分类器。其目的是预测岩爆的类型，即岩爆水平，基于地质和矿山或隧道的施工特点文章最后给出了结论© 2017 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版这是CC BY-NC-ND下的开放获取文章许可证（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍事故和相关问题经常发生在深地下矿井和其他地下结构中。因此，必须制定和实施风险分析程序，以最大限度地减少其发生。风险具有复杂的性质，是两组因素结合的结果：第一，事件及其影响;第二，决定事件产生某种影响或后果的概率的脆弱性因素[1许多研究人员收集、分析并发表了隧道施工和勘探期间发生的事故案例报告[2，4]。岩爆是隧道掘进过程中可能发生的事故之一。它是岩体或完整脆性岩石的过度应力的结果，并且当应力超过材料的抗压强度时发生。岩爆的影响范围从剥落到岩体的突然和剧烈破坏。深度是发生这种现象的一个重要因素，因为施加在岩石上的应力随着深度而增加。在采矿活动中，还确定了其他类型的事件经确认和分类，如热危害和其他与爆破空腔有关的事件。爆炸、瓦斯爆炸和火灾是中国最常见的危险事件。在深部开采活动中，主要问题还与岩体的大变形和过度应力有关，这是由大深度开挖引起的，并且可能导致岩爆。因此，深部采矿力学的全面阐述具有很大的意义[5]。风险评估可以管理的目的是避免问题，在地下施工。风险管理程序可以通过在项目的整个生命周期中使用系统化的技术来显著改进。通过使用该等技术，可清楚识别潜在问题，从而可及时实施适当的风险因此，在20世纪90年代后期，风险管理成为大多数地下建筑项目的组成部分[1，2，6]。在中国锦屏二级水电站的一些地下结构的施工过程中，工程师们面临着几次岩爆的发生[7因此，当局进行了一项大型研究，以评估事故* 通讯作者。电子邮件地址：sousa-scu@hotmail.comhttp://dx.doi.org/10.1016/J.ENG.2017.04.0022095-8099/© 2017 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。 这是CC BY-NC-ND许可证下的开放获取文章（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engL.R. Sousa等人/工程3（2017）552553并就容易发生岩爆的情况，制订缓解措施和施工指引。这项研究包括建立一个包含有关岩爆信息和已发生事件描述的数据库，并导致使用数据挖掘（DM）技术来确定岩爆发生的概率及其特征（即，类型、位置、深度和宽度以及时间延迟）[10我们分析了这些事件，并得出结论，岩爆的主要机制通常与局部地下几何形状（如支柱和开口）以及地面条件有关[15，16]。岩爆分为应变型岩爆、柱型岩爆或断层滑动型岩爆[17，18]。它们通常发生在采矿作业期间;然而，它们也可能发生在民用地下结构（例如深隧道）的施工期间。在这些情况下，最常见的现象是应变破裂，尽管也可能发生屈曲和面压溃。此外，对于应力和变形较小的岩层，应考虑由爆破、崩落和邻近隧道掘进造成的本文的重点是岩爆风险评估，不同类型的岩爆事件，以及它们对地下采矿和建筑的后果。两个岩爆数据库，这些作者组装进行了讨论。第一部分包括在北京地质力学与深部地下工程国家重点实验室（SKL-GDUE）进行的岩爆实验室实验的集合，这些实验是《工程地质》杂志上关于地质和岩土灾害的出版物的对象[6]。第二部分是世界范围内在采矿和深埋地下工程中发生的岩爆现场案例对后者的数据库进行了分析，并确定了一系列相互作用和影响岩爆发生的因素，以及这些因素之间的关系最后，将不同的数据挖掘技术应用于岩爆数据库，建立了岩爆指标和类型的预测模型。第3节和第4节详细介绍了结果，并对不同的技术进行了比较。2. 地质工程中的数据挖掘建模岩土工程中岩土地层特性的预测是复杂的，特别是在采矿工程的开挖过程中。这种复杂性与岩体表征的不确定性有关。在重要的项目中，大量的地质技术数据可以帮助减少有关参数设计值建立的不确定性[19]。在岩爆发生的情况下，这些问题更加难以评估。这些数据可以包含有关趋势和模式的信息，可用于决策和优化流程。因此，有必要定义收集、组织和表示数据的标准方法。DM技术是来自人工智能和模式识别领域的自动工具，能够发现潜在的知识[20数据挖掘是计算机科学的一个领域，它位于统计学、数据管理和数据库、机器学习、人工智能、模式识别和其他领域的交叉点。这种 形式化 的、 完整的 分析过 程称为 从数据 库中发 现知 识（KDD）。KDD建立了将数据转化为知识的主要过程。KDD过程遵循图1 [20]中所示的步骤：收集目标数据集，数据仓库，将数据转换为DM过程的适当形式，选择DM工具，DM的关系识别（类，簇，关联），解释结果，以及巩固发现的知识。存在几种DM技术，每种都有自己的目的和功能。这些包括决策树（DT）和规则归纳，Fig. 1. [20]知识发现的过程。神经网络、模糊建模、支持向量机（SVM）、k-最近邻（k-NN）、贝叶斯网络（BN）、基于实例的算法和学习分类器系统等[24使用正式的KDD框架的研究在岩石力学相关的活动中仍然不常见;然而，当应用时，它们可以提供对岩体行为中最具影响力的参数的重要见解。这种应用的一个重要例子是为位于美国前霍姆斯特克金矿的深层地下科学与工程实验室所做的一项研究[28]。在此，开发了使用不同DM技术的创新回归模型，以分析主岩体的强度和变形性，并确定项目的地质力学指标[29]。KDD过程中最重要的任务之一是DM步骤，包括选择用于训练的学习算法，并最终构建表示数据的模型。一旦训练阶段完成，使用在学习过程中未使用的测试数据集来评估所获得的模型结果由几个不同的模型组成;没有通用的模型可以用来有效地解决所有问题。简要概述了在预处理这里介绍了一些已有的研究。DT是表示用于分类数据的一组规则这些规则可以通过使用类标记的训练数据集来学习[27]。人工神经网络（ANN）是一种深度学习技术，它是根据神经元在人脑中的运作方式建模的[29]。人工神经网络由多层连接的人工神经元组组成;信号从第一层（输入）传播到最后一层（输出），形成类似于大脑神经元的结构。这些网络可以从数据中学习，在复杂的应用程序中特别有用，可以识别模式并预测未来事件。SVM是一种监督学习模型，通常用于数据分类和回归分析。给定分类的训练数据，SVM确定定义决策边界的最佳平面，即类之间的距离[19]。最后，BN是在某些简化假设下某个域的联合概率的图形表示[2，29]。岩爆受多种因素的影响。影响图图2 [2]中列出了影响岩爆概率及其潜在后果的因素。这种影响图在设计用于分析岩爆等事故的DM模型中是非常重要的。在地球工程领域中，已经有DM成功应用于不同类型的问题[19]。关于岩爆现象，DM技术已成功应用于从中国SKL-GDUE的试验中获得的岩爆实验室试验数据库[6]。用于模拟岩爆的已开发三轴岩石试验机如图3所示【6，30】。该设备形成了真三轴试验方案，在试验过程中，试件的一个表面可以立即从真三轴压缩中卸载554L.R. Sousa等人/工程3（2017）552条件通过这种方式，可以模拟地下开挖中自由开挖边界处的岩体应力条件[30]。该数据库包括来自中国、意大利、加拿大和伊朗不同岩石类型的提出并使用了两个指标：岩爆最大应力σRB和岩爆危险性指数IRB这些指数的含义在He等人的出版物中有详细描述。[6]。将数据挖掘技术应用于岩爆数据库中，推导出σRB和IRB指标的预测模型。σRB是岩爆试验中获得的破裂应力，而IRB与岩爆临界深度有关[6]。使用多元回归（MR），人工神经网络和SVM算法建立新的模型。3. 现场岩爆数据库与数据挖掘在隧道施工过程中发生的岩爆的现场图二、岩爆影响图[2]。结构/挖掘是通过广泛的研究收集到文献和报告中，并组织到数据库中。根据岩爆的几何特征、成因和后果对然后将DM技术应用于数据库，目的是开发岩爆预测模型[31]。为了了解岩爆发生的环境、岩爆的强度以及岩爆的不同后果为此，创建了一个包含八个字段的表单，每个字段都有一个或多个变量。这8个领域包括：①岩爆发生，②施工程序，③隧道形状或几何形状，岩石强度，现场存在的应力，岩爆的位置、规模、严重程度和时间延误，以及隧道和相关设备的损坏。该数据库包含60个案例-一个相对较小的数字。然而，我们认为，这是未来开发更复杂模型的重要的第一步。该数据库的一个重要特点是，大多数收集岩爆的情况下（91%）发生在水电地下发电计划的建设。必须强调的是，岩爆发生的大量情况都发生在深埋矿井中。收集的数据仅限于钻爆和隧道掘进机挖掘方法，发生岩爆的情况下，隧道的形状是圆形（67%）或马蹄形（33%）。根据中国锦屏II水电工程的经验，对不同级别的岩爆进行了分类，如表1所示[9]。图4给出了按岩爆类型划分的数据中的情况分布。在该图中，超限情况对应于C级和D级。将DT、k-NN、ANN、SVM等数据挖掘技术应用于数据库，建立了岩爆预测模型。R环境[32]和Cortez[33]开发的rminer包用于实现所有DM图三. 岩爆实验室试验系统。见图4。按岩爆类型划分的病例分布。表1不同等级岩爆的分类。A级B级C级D级描述轻微中度强很强持续时间零星爆炸持续时间长快速突然区块深度（m）<0.5个单位0.5-1.01.0-2.0> 2.0开挖影响小一定影响合理影响大的影响L.R. Sousa等人/工程3（2017）552555技术.为了预测现场岩爆类型，某类的值由下式给出：真阳性被认为：• L：发生长度（m）• TESC：挖掘类型• 支持类型• UCS：无侧限抗压强度（MPa）• E：杨氏精确度=真阳性+假阳性（2）F1分数代表了给定类的查全率和查准率之间的折衷.根据以下表达式，它对应于查准率和查全率的调和平均值：2精确度和召回率• K：水平与垂直应力比K0• 形式：隧道F1得分=精确度+召回率（三）• Deq：等效直径（m）• Req：等效半径（m）该分析的目的是开发模型，在给定与地下工程相关的某些条件和特征的情况下，预测岩爆类型。出于验证目的，在20次运行下应用留一法[34]。留一法包括顺序使用一个案例来测试模型，而其余的案例用于确定模型的结构。因此，所有数据都用于训练和测试。通过使用该方法，拟合N个模型，其中N是可用数据点的数量。通过计算所有N个测试样本的评估指标来评估最终的泛化估计为了评估和比较模型，我们使用了基于混淆矩阵的三个分类度量（图5）：召回率，精度和F1分数。召回率衡量的是模型正确捕获某类案例的换句话说，某个类的召回由以下给出：对于所有三个指标，值越高表示预测越好图6示出并比较了基于召回率、精确度和F1分数的DM模型用于现场岩爆预测的性能。除中度岩爆水平外，所有模型均表现出非常好的响应，F1分数非常接近100%。预测中等阶层的低表现是意料之中的，因为只有一个回忆=真阳性真阳性+假阴性（一）另一方面，精度衡量模型在预测某个类时的正确性。更确切地说，图五、 建立混淆矩阵。图六、基于查全率、查准率和F1评分指标的DM模型现场岩爆预测性能比较。556L.R. Sousa等人/工程3（2017）552数据库中用于模型训练的该类记录很少（约7%，如图11所示）。4）. 然而，我们相信，一旦有更多的此类数据可用，就有可能改善模型应用上述DM技术的另一个结果是通过敏感性分析获得每个模型变量的重要性的可能性[35]。因此，根据人工神经网络模型，相关变量是K，Tcb和L，它们的总影响力约为57%（图11）。 7）。4. 贝叶斯网络分类器的应用BN是在某些简化假设下联合概率分布的图形表示[2，36]，也应用于数据库。所使用的技术包括：朴素贝叶斯分类器，其是基于贝叶斯定理的简单概率分类器，并且其是在预测器之间具有假定独立性的特定类别的BN;树增强朴素贝叶斯（TAN）分类器，其是朴素贝叶斯分类器的扩展，其中每个属性变量在其他属性之间具有一个父变量;以及增强朴素贝叶斯（ANB）分类器，其是半朴素结构。进行了几项敏感性研究，以确定岩爆类型预测中最具影响力的发现这些参数为：①Tcb、②K、③UCS、θDeq和θORIENT（仅适用于朴素贝叶斯模型和TAN模型;注意，ORIENT是指开挖周边的爆破方向）。“最佳”BN分类器如图所示。8.第八条。图7.第一次会议。根据ANN模型的变量的重要性。使用五重交叉验证方法对网络进行验证。不同模型的结果如图9所示。可以观察到，与其他两个模型的应用相比，TAN分类器的应用导致分类略有改善。这是预期的，因为TAN分类器通常具有比标准朴素贝叶斯分类器更好的分类性能。朴素BN是问题的非常简单的表示;尽管这可能是一个优势，但在这些模型中进行的独立性假设通常是不正确和不现实的。TAN是朴素BN的改进版本，它考虑了模型中属性之间的依赖关系;因此它们通常比朴素BN更真实。缺点是为了捕获属性之间的相关性而在变量之间添加依赖关系的过程增加了计算复杂性。最后，给出了朴素贝叶斯模型的混淆矩阵，对于TAN模型（即，“最佳”模型的最低和最高精度可以观察到朴素贝叶斯模型正确地分类了所有过度突破的情况。对强岩爆的正确分类率为83%，对中、轻度岩爆的正确分类率分别为25%和87.5%。TAN模型的表现稍好，在所有情况下都能正确分类超挖和强岩爆然而，像朴素贝叶斯模型一样，该模型不能准确地分类所有的中度和轻度岩爆;它分别正确地分类了80%和87.5%的这些情况。这一结果可能是由于这两类病例数量较少;我们认为，未来扩展数据库可能有助于提高模型的整体准确性。5. 结论目前已有几种有效的设计方法来处理开采沉陷问题。然而，对于岩爆或与地震有关的矿井设计问题，情况并非如此。建模分析已成为评估潜在不良事件的基本工具，其成本仅是挖掘作业潜在效益的一小部分。为了评估岩爆发生的可能性，大量的数值分析方法可以并且已经被应用于地下工程。在深部隧道和采矿活动中监测地震事件和可视化技术是预测潜在危险情况的非常有用的工具，以便及时协助施工队。岩爆是一种从轻微剥落大量的岩石以高能量坠落或喷出，造成毁灭性的后果。这些现象在深地下采矿结构中很常见，但也可能发生在锦屏II水电工程等深隧道中。本文强调了岩爆三轴实验系统对预测这类事件的重要性图8.第八条。 贝叶斯网络分类器。事故类型：岩爆类型;TST：支护类型;K：水平与垂直应力比K0;Deq：隧道等效直径;UCS：无侧限抗压强度;ORIENT：开挖周边爆破方向L.R. Sousa等人/工程3（2017）552557图9.第九条。 朴素贝叶斯分类模型的精度比较。表2朴素贝叶斯模型的混淆矩阵。分类为超挖轻微中度强Real是超挖37000轻微0710中度1310强00210表3TAN模型的混淆矩阵。分类为超挖轻微中度强Real是超挖37000轻微0710中度0140强00012无论是在采矿还是在其他深地下项目中。此外，以前的岩爆试验结果的分析，使这些作者开发预测模型，估计岩爆最大应力和风险指数。一个数据库的岩爆事故发生在矿山和其他地下工程在世界各地，如地下水电系统，是为这项研究。数据分析表明，相当大比例的事故是由于超载造成的，通常发生在1000 m以上的深度。各种DM技术的应用产生了不同的预测模型，侧重于确定岩爆水平，给定的地质和施工相关参数。所有开发的模型表现出很高的准确率，允许参与预测岩爆水平的几个参数的重要性在BN分类器的情况下，模型还允许识别这些变量之间的关系。遵守道德操守准则Luis Ribeiro e Sousa、Tiago Miranda、Rita Leal e Sousa和Joa-quim Tinoco声明他们没有需要披露的利益冲突或财务冲突。引用[1] 爱因斯坦岩土工程风险评估与管理。载于：第八届葡萄牙岩土工程全国大会论文集;2002年4月15-18日;葡萄牙里斯本; 2002年p. 2237-62[2] 苏萨河隧道工程风险分析[学位论文]。剑桥：麻省理工学院，2010.[3] Feng XT，Jiang Q，Sousa LR，Miranda T.地下水力发电计划。In：Sousa LR，Vargas E Jr，Fernandes MM，Azevedo R，编辑Innovative地质力学数值模拟伦敦：CRC出版社; 2012年。p. 13比50[4] 苏萨湖学习与地下工程相关的事故和损坏。In：Matos AC，Sousa LR，KlebergerJ，Pinto PL，编辑岩石隧道中的岩土风险。伦敦：CRC出版社，2006年。p. 7比39[5] 何明，夏宏，贾X，龚伟，赵芳，梁克。岩爆分类、判据及防治研究J Rock MechGeotech Eng 2012;4（2）：97[6] 何M，索萨LR，米兰达T，朱G.岩爆实验室试验数据库-数据挖掘技术的应用。工程地质2015;185：116[7] 唐成，王军，张军。微地震监测技术在锦屏二期工程隧洞岩爆预测中的初步工程应用。J Rock Mech Geotech Eng 2010;2（3）：193[8] Feng XT，Hudson JA.岩石工程设计。伦敦：CRC出版社; 2011年。[9] 王军，曾晓，周军。锦屏二级水电站引水隧洞岩爆防治实践。J Rock Mech GeotechEng 2012;4（3）：258-68.[10] He M.岩爆发生机理及支护对策锦屏二级水电站高覆盖层长隧洞安全快速施工关键技术咨询报告北京：中国岩石力学与工程学会;2009.p. 23比8[11] Hudson J.预测岩爆发生和岩爆脆弱性指数（RVI）的发展。锦屏二级水电站高覆盖层长隧洞安全快速施工关键技术咨询报告。北京：中国岩石力学与工程学会; 2009.p. 25比31[12] 钱其琛控制涌水量的策略。锦屏二级水电站高覆盖层长隧洞安全快速施工关键技术咨询报告。北京：中国岩石力学与工程学会; 2009. p. 15比8[13] 苏萨湖继续进行现场调查和风险评估。锦屏二级水电站高覆盖长大隧洞安全快速施工关键技术咨询报告。北京：中国岩石力学与工程学会; 2009.第1-7页。[14] 冯新，陈斌，李胜，张春，肖勇，冯刚，等。深部巷道岩爆J Rock Mech GeotechEng 2012;4（4）：289[15] 刘丽，王X，张Y，贾Z，段庆.岩爆时空特征及影响因素分析--以锦屏二级水电站输水排水洞为例J Rock Mech Geotech Eng 2011;3（2）：179[16] 作者声明：Dr.隧道和竖井中的岩爆机理。Tunn Undergr Sp Tech 1994;9（1）：59-65.[17] Castro LAM，Bewick RP，Carter TG.深部采矿数值模拟概述。In：Sousa LR，Vargas E Jr，Fernandes MM，Azevedo R，编辑地质力学中的创新数值模拟。伦敦：CRC出版社; 2012年。第393-414页。[18] 何文忠，贾晓宁，龚文龙，刘国健，赵芳.一种改进的真三轴试验系统，允许试样在一个表面上卸载。见：克瓦希涅夫斯基M，李X，高桥M，编辑岩石真三轴试验伦敦：CRC出版社; 2012年。p. 251比66[19] Miranda T，Sousa LR.应用资料探勘技术发展岩体地质力学特性新模式。In：Sousa LR，Vargas E Jr，Fernandes MM，Azevedo R，编辑地质力学中的创新数值伦敦：CRC出版社; 2012年。p. 245比64[20] 数据挖掘在交通工程中的应用。运输2003;18（5）：216-23。[21] Saitta S，Kripakaran P，Raphael B，Smith IF.使用聚类改进系统识别。J ComputCiv Eng 2008;22（5）：292[22] Witten IH，Frank E，Hall MA.数据挖掘：实用的机器学习工具和技术。第3版Burhington：Morgan Kaufman Publishers; 2011.[23] Leskove J，Rajaraman A，Ullman J.海量数据集的挖掘[Internet]。Santa Clara：Stanford University; 2014.可从以下网址获得：http://www.mmds.org/[24] Berthold MR，Hand DJ，编辑。智能数据分析：介绍。第2版。纽约：Springer-Verlag Berlin Heidelberg; 2003年。[25] 张文忠，张文忠.基于知识和数据驱动的岩爆预测模糊建模。Int J Rock Mech Min2013;61：86-95.[26] Chapman P ， Clinton J ， Kerber R ， Khabaza T ， Reinartz T ， Shearer C ，等.CRISP-DM 1.0：分步数据挖掘指南。芝加哥：SPSS公司; 两千[27] 米兰达TFS。地下结构地质力学参数评估：人工智能，贝叶斯概率和逆方法[论文]。吉马良斯：米尼奥大学; 2007年。[28] McPherson B，Elsworth D，Fairhurst C，Keller S，Onstott T，Roggenten W，etal. EarthLab ： A underground laboratory and observatory to study microbiallife，fluid flow，and rock deformation.向国家科学基金会报告。贝塞斯达：地球科学专业服务公司; 2003年。[29] Sousa LR，Miranda TFS，Roggenten W，Sousa RL.使用数据挖掘技术的DUSEL岩 体 结 构 地 质 力 学 特 征 模 型 。 In ： Proceedings of the 46th US RockMechanics/GeomechanicsSymposium2012[CD-ROM];2012Jun24-27;Chicago，IL，USA.亚历山大：美国岩石力学协会：2012年。p. 1-14号。[30] Hei M，Sousa LR.冲击地压及其控制的实验研究。在：AusRock 2014：第三届澳大 利 亚 采 矿 地 面 控 制 会 议 ; 2014 年 11 月 5-6 日 ; 悉 尼 ， 澳 大 利 亚 。 Carlton ：Australasian Institute of Mining and Metallurgy; 2014。第19-31页。[31] Peixoto ASM.[地下工程岩爆预测][学位论文]。波尔图：波尔图大学; 2010年。葡萄牙语。[32] R-Project.org [互联网]。维也纳：R基金会; c2016 [更新2013年7月15日，引用2017年5月15日]。可从以下网址获得：http://www.r-project.org558L.R. Sousa等人/工程3（2017）552[33] Cortez P. RMiner：使用R.在：Rajesh R，编辑介绍先进的科学软件和工具箱。香港：国际工程师协会，2010年。[34] Hastie T，Tibshirani R，Friedman J.，《统计学习的要素：数据挖掘、推理和预测》。第2版纽约：施普林格科学+商业Media，LLC; 2016.[35] Cortez P，Embrechts MJ.利用敏感性分析和可视化技术打开黑盒数据挖掘模型。Inform Sciences 2013;225：1[36] 赫克曼数据挖掘的贝叶斯网络。Data Min Knowl Disc 1997;1（1）：79-119.
我的内容管理
展开
