申请/专利权人：国网湖北省电力有限公司经济技术研究院;国网经济技术研究院有限公司;中国水利水电科学研究院;国网新源控股有限公司;三峡大学

申请日：2024-01-15

公开（公告）日：2024-04-16

公开（公告）号：CN117574781B

主分类号：G06F30/27

分类号：G06F30/27;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：一种抽水蓄能电站地下厂房围岩安全风险智能预测方法，包括：获取抽水蓄能电站地下厂房围岩的时序监测数据；将所述时序监测数据代入到修正后的LSTM‑CNN神经网络模型中进行围岩形变量预测，得到围岩形变量预测结果；根据围岩形变量预测结果与围岩稳定性评价指标进行围岩稳定性分析，得到围岩稳定性分析数据。本设计提前预测抽水蓄能电站地下厂房围岩安全风险，提高风险预测的前瞻性，极大的规避了可能出现的安全问题。

主权项：1.一种抽水蓄能电站地下厂房围岩安全风险智能预测方法，其特征在于，包括：获取抽水蓄能电站地下厂房围岩的时序监测数据；将所述时序监测数据代入到修正后的LSTM-CNN神经网络模型中进行围岩形变量预测，得到围岩形变量预测结果；根据围岩形变量预测结果与围岩稳定性评价指标进行围岩稳定性分析，得到围岩稳定性分析数据；通过围岩稳定性分析数据进行围岩安全风险预测；所述时序监测数据包括开挖进度、围岩形变量、围岩岩性、岩体强度和围岩质量评分；将所述时序监测数据代入到修正后的LSTM-CNN神经网络模型中进行围岩形变量预测，得到围岩形变量预测结果，包括：建立一个LSTM-CNN神经网络模型，所述LSTM-CNN神经网络模型的结构是在TextCNN模型结构的embedding层与CNN层之间插入一层LSTM层；以预处理后的时序监测数据中连续P个时间步的监测数据为输入、以第P+1个时间步的围岩形变量为输出，训练所述LSTM-CNN神经网络模型，并通过指数分布优化算法和卷积优化算法组成的混合优化算法来优化LSTM-CNN神经网络模型的参数，得到围岩形变量预测模型，用于预测围岩未来的形变量；所述通过指数分布优化算法和卷积优化算法组成的混合优化算法来优化LSTM-CNN神经网络模型的参数具体为：在解空间内随机初始化指数分布优化算法的N个初始解决方案，解的维度为D；以LSTM-CNN神经网络模型的均方误差最小为适应度函数，计算当前各个解的适应度值并排序；以随机概率r∈0，1进入指数分布优化算法的开发阶段，基于适应度值排序结果计算引导解，并基于引导解得到新的解决方案；以随机概率1-r进入指数分布优化算法的探索阶段，基于当前解的平均值得到新的解决方案；计算当前各个新的解决方案的适应度值，并筛选出最优解；在指数分布优化算法中引入卷积优化算法的解质量增强机制，对最优解的D维搜索空间逐维进行带非惯性权重的高斯变异，得到最优解；更新全局最优解，并进入下一次迭代，直到达到LSTM-CNN神经网络模型的均方误差最小；所述基于引导解得到新的解决方案的公式为： 其中，为第i个解决方案的新解，为引导解，λ＝2×rand-1，rand为0,1之间的随机数，是第i个个体的记忆矩阵，为第i个解决方案的历史最优解，σ是[0,1]之间的随机数；所述基于当前解的平均值得到新的解决方案的公式为： 其中，为第i个解决方案的新解，为第i个解决方案的历史最优解，代表第t次迭代时N个解决方案的平均值； 其中，为从当前解中随机选出的两个解；所述对最优解的D维搜索空间逐维进行带非惯性权重的高斯变异，得到最优解的公式为： 其中，分别为第t次迭代中变异前、变异后最优解的第d维的位置向量，ω＝1-tT2，其中，T为最大迭代次数，f为适应度函数，为更新后的最优解，randn为满足标准正态分布的随机数，为历史最优解的第d维的位置向量；所述根据围岩形变量预测结果与围岩稳定性评价指标进行围岩稳定性分析具体包括：将围岩形变量预测结果作为围岩稳定性评价指标之一，结合温度、湿度、压力、地下涌水量影响、围岩裂隙开度、实际开挖宽度和实际硐室高度的指标，通过层次分析法建立围岩稳定性分析模型，进行围岩稳定性评价。

全文数据：

权利要求：

百度查询： 国网湖北省电力有限公司经济技术研究院;国网经济技术研究院有限公司;中国水利水电科学研究院;国网新源控股有限公司;三峡大学 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD