(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111439427.8 (22)申请日 2021.11.30 (71)申请人 黄河勘测规划设计 研究院有限公司 地址 450003 河南省郑州市金 水区金水路 109号 (72)发明人 谢遵党　杨顺群　邹红英　王楠　 翟利军　吕明昊　文喜雨　许合伟　 梁成彦　李嘉生　 (74)专利代理 机构 郑州异开专利事务所(普通 合伙) 41114 代理人 韩鹏程 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01)G06F 119/14(2020.01) (54)发明名称 基于大数据技术的大跨度地下洞室支护设 计方法 (57)摘要 本发明公开了一种基于大数据技术的大跨 度地下洞室支护设计方法,收集已建工程中大跨 度地下洞室的数据资料， 以多元影 响因子为自变 量， 目标支护参数为变量， 通过机器学习算法得 到最优混合模型， 基于最优混合模型， 输出目标 支护参数， 对偏差较大的目标支护参数进行人工 修正后， 进一步优化最优混合模型； 针对新建工 程的多元影 响因子， 通过最优混合模 型即可输出 目标支护参数， 获得机器设计方案， 用于指导工 程设计。 本发 明优点在于提高大跨度地下洞室支 护设计效率， 缩短设计周 期的同时， 将工程经验 进行积累和总结， 使设计方案更贴近实际情况， 保证地下洞室支护结构的安全性和经济性。 权利要求书2页 说明书5页 附图2页 CN 114139260 A 2022.03.04 CN 114139260 A 1.一种基于大 数据技术的大跨度地下洞室支护设计方法， 其特 征在于： 包括以下步骤： S1， 收集已建工程中大跨度地下洞室的数据资料； S2， 构建支护设计训练数据库； S3， 以多元影响因子为自变量， 目标支护参数为变量， 通过机器学习算法训练所述支护 设计训练数据库， 确定最优混合模型； S4， 基于S3步确定的所述 最优混合模型， 输出 所述目标支护参数， 得到 机器设计方案； S5， 对所述机器设计方案偏差较大的目标支护参数进行 人工修正； S6， 将S5步中人工修正后的设计方案插入到支护设计训练数据库， 重 复执行S3至S5步， 进一步优化最优混合模型； S7， 输入新建工程的所述多元影响因子， 通过最优混合模型输出目标支护参数， 获得机 器设计方案， 用于指导工程设计。 2.根据权利要求1所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： S2步具体包括以下步骤： S2.1， 从S1步收集的所述数据资料中筛选出已建工程中大跨度地下洞室的设计方案满 足设计要求， 并发挥最大工程效益的优质工程； S2.2， 利用逆向设计法， 对所述优质工程的设计资料、 围岩稳定专题报告进行数据梳 理， 将梳理后的数据进行汇总整理、 归纳、 入库， 构建所述支护设计训练数据库。 3.根据权利要求2所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： S2.2步中， 所述优质工程须包 含三维模型。 4.根据权利要求1所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： S3步具体包括以下步骤： S3.1， 以所述多元影响因子为自变量， 所述目标支护参数为变量， 通过所述机器学习算 法训练所述支护设计训练数据库， 获得混合模型； S3.2， 采用随机搜索法， 通过调整构成所述混合模型所使用的机器学习算法和机器学 习算法的算法参数， 计算混合模型的平均绝对误差、 均方误差、 均方根误差、 决定系数、 精 度、 准确率和召回率； S3.3， 取混合模型整体误差最小所对应的机器学习算法和所述算法参数为最优机器学 习算法和最优算法参数； S3.4， 以多元影响因子为自变量， 目标支护参数为变量， 使用最优机器学习算法和最优 机器学习算法的最优算法参数， 重新训练支护设计训练数据库， 确定所述 最优混合模型。 5.根据权利要求4所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： S3.1步中， 所述多元影 响因子， 包括设计单位、 工程所在位置的围岩 类别、 地应力量级、 地下 洞室埋深、 地下洞室跨度、 地下洞室高度、 相邻地下洞室间距； 所述目标支护参数， 包括喷层参数 （厚度， 等级） 、 挂网参数 （直径、 间距） 、 锚杆参数 （直 径、 长度、 间距） 、 锚索参数 （吨位、 深度、 间距） ； 所述机器学习算法， 包括多元线性回归、 决策树、 随机森林、 K临近、 神经网络、 伯努利朴 素贝叶斯和支持向量机； 所述混合模型， 包括多元输出回归 模型和多元分类回归 模型； 所述多元输出回归模型， 是指通过多元线性回归、 决策树、 随机森林、 K临近等所述机器权　利　要　求　书 1/2 页 2 CN 114139260 A 2学习算法生成的， 用于预测所述目标支护参数中的数值型参数； 所述多元分类回归模型， 是指通过神经网络、 伯努利朴素贝叶斯、 支持向量机等机器学 习算法生成的， 用于预测目标支护参数中的文本类参数。 6.根据权利要求5所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： 所述数值型参数， 是指能够使用任意数字表达的参数； 所述文本类参数， 是指需按照规范 标准进行 特定表达的参数。 7.根据权利要求1所述基于大数据技术的大跨度地下洞室支护设计方法， 其特征在于： S1步中， 所述已建工程包括国内有影响力的设计院设计的工程案例， 也包括在设计报告和 期刊上公开的其 他工程案例； 所述数据资料， 包括工程设计单位、 工程所在位置的围岩类别、 地应力量级、 地下洞室 埋深、 地下洞室跨度、 地下洞室高度、 相邻地下洞室 间距、 喷层参数、 挂网参数、 锚杆参数、 锚 索参数。权　利　要　求　书 2/2 页 3 CN 114139260 A 3