一种基于决策树的隧道全断面爆破方案的推理方法

摘要

本发明公开了一种基于决策树的隧道全断面爆破方案的推理方法，具体方法步骤包括获取爆破数据集并进行预处理；基于C4.5算法计算数据集的期望信息、信息增益，以及信息增益率；根据数据集的计算结果构建决策树并进行验证；根据构建的决策树的节点信息，利用编程语言开发决策树的推理程序模块；根据构建的决策树和推理程序模块，对爆破方案进行逻辑分析和自动化推理，得到最终推理方案。本发明通过获取数据集基于C4.5算法构建决策树，并对决策树及推理程序模块进行建立后，进行逻辑分析和自动化推理，从而得到用户需要的理想的爆破方案。

说明书

技术领域

本发明涉及隧道爆破方案推理技术领域，特别涉及一种基于决策树的隧道全断面爆破方案的推理方法。

背景技术

近些年来，随着国内外铁路、公路和城市轨道交通等基础设施建设行业的高速发展，隧道工程开挖建设的任务愈发繁重。目前，在许多隧道开挖掘进的工程中，钻爆法扮演着非常重要的角色，因此，钻爆法施工的爆破设计工作成为了制约其发展的重要因素。

现有技术的不足之处在于，在隧道爆破方案的设计中，存在一些比较突出的问题，如：爆破方案仅凭经验设计，因设计人员的经验程度不同而有比较大的误差；对于一些新手，缺少一些辅助性的工具来进行爆破方案设计；爆破方案设计计算工作量非常大，设计速度和效率很低等。因此亟需一种便捷高效的爆破方案自动化推理方案，基于专家系统的决策树可以很好的解决这一问题。专家系统作为一种智能计算机程序系统，通过应用人工智能和计算机技术，根据某一领域的一个或多个专家提供的理论知识或生产经验，对特定领域内的实际生产问题进行逻辑分析和判断，以求解决只有人类专家才能解决的问题。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于决策树的隧道全断面爆破方案的推理方法，以解决上述背景技术中提出的问题。

一种基于决策树的隧道全断面爆破方案的推理方法，具体步骤包括：

获取爆破数据集并进行预处理；

基于C4.5算法计算数据集的期望信息、信息增益，以及信息增益率；

根据数据集的计算结果构建决策树并进行验证；

根据构建的决策树的节点信息，利用编程语言开发决策树的推理程序模块；

根据构建的决策树和推理程序模块，对爆破方案进行逻辑分析和自动化推理，得到最终推理方案。

作为本发明的进一步的方案：所述获取爆破数据集并进行预处理的具体方法是，通过对采集的数据集按照不同的属性和类别进行整理，并根据实际需要输出对应的文件格式。

作为本发明的进一步的方案：所述基于C4.5算法计算数据集的期望信息、信息增益，以及信息增益率的具体步骤包括：

首先获取数据集D及其第k类样本所占的比例p

其中，Ent(D)为信息熵，表示信息熵越小，数据集D的纯度越高；

再利用数据集D中获取的属性a∈{a1,a2,a3,...,ax}进行划分，得到x个分支节点，根据信息熵公式分别算出不同的分支的信息熵Ent(D

根据信息增益公式计算样本数多的分支占有比例比重，所述信息增益公式为：

其中，D

再利用由信息增益公式得到的信息增益高的属性，根据信息增益率进行判别选择；

所述信息增益率公式为：

其中，

作为本发明的进一步的方案：所述根据数据集的计算结果构建决策树并进行验证的具体步骤包括：

首先比较计算得到的数据集各项属性的信息增益值，将信息增益值最大的属性作为根节点；

再按照根节点的属性值计算分类下的各个数据集的信息增益率，将信息增益率最大的属性作为下一级节点；

重复上述步骤直至该节点的信息增益值为零时，将该节点作为叶节点，构建完成；

最后对决策树后剪枝处理进行验证。

作为本发明的进一步的方案：所述根据构建的决策树的节点信息，利用编程语言开发决策树的推理程序模块的具体步骤包括：

获取决策树各个节点的属性值、属性名称、判别号码，以及子节点信息；

根据上述信息利用编程语言建立基于决策树的推理程序模块；

根据得到的推理程序模块将决策树的信息进行输出，生成当前的决策树。

作为本发明的进一步的方案：所述根据构建的决策树和推理程序模块，对爆破方案进行逻辑分析和自动化推理，得到最终推理方案的具体步骤包括：

根据决策树和推理程序模块，对当前爆破方案的所有信息依次进行推理程序模块的程序操作，并依次输出决策树各个阶段的信息进行逻辑分析和自动化推理，直至得到符合用户要求的爆破方案。

与现有技术相比，本发明存在以下技术效果：

采用上述的技术方案，通过数据集的期望信息、信息增益，以及信息增益率的计算构建决策树，并进行验证。再利用基于决策树的节点信息开发推理程序模块，从而对现实产生的实际活动问题进行逻辑分析和推理，得到基于专家思想的最优化的方案。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开的一些实施例的隧道全断面爆破方案的推理方法的步骤示意图；

图2为本申请公开的一些实施例的决策树生成流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

请参考图1和图2，本发明实施例中，一种基于决策树的隧道全断面爆破方案的推理方法，具体步骤包括：

S1、获取爆破数据集并进行预处理；

具体方法是，通过对采集的数据集按照不同的属性和类别进行整理，并根据实际需要输出对应的文件格式。

S2、基于C4.5算法计算数据集的期望信息、信息增益，以及信息增益率；

本实施例中，通过下表1中的天气与运动之间关系数据集进行计算说明；

表1天气与运动之间关系数据集

如上表1所示，在天气和运动之间的关系中，天数就是一个数据集，而天气、温度、湿度和风则是各个属性，而是否会运动则是最后的结论。结论根据是或否分为两类，结论是由前面的属性决定的。决策树就是通过前面的属性值的不断决策，得到最后的结论。但需要考虑的问题是，将哪个属性放到最开始决策是最效的，通过以下步骤进行确认。

具体步骤包括：

计算信息增益：信息增益作为属性选择度量，同时也是度量数据集最常用的一种指标。

首先获取数据集D及其第k类样本所占的比例p

其中，Ent(D)为信息熵，表示信息熵越小，数据集D的纯度越高；

再利用数据集D中获取的属性a∈{a1,a2,a3,...,ax}进行划分，得到x个分支节点，根据信息熵公式分别算出不同的分支的信息熵Ent(D

具体的，设定属性a有x个不同的取值a1，a2，a3，…，ax，利用属性a来对数据集D进行划分，就会产生x个分支节点，每一个分支节点都是取值相同的样本的集合。根据信息熵公式可以分别算出不同的分支的信息熵Ent(D

根据信息增益公式计算样本数多的分支占有比例比重，所述信息增益公式为：

其中，D

通常，信息增益越大就表示用该属性作为节点分裂属性的效果越好。仅仅将信息增益作为属性选择度量也存在着缺点，在决策树分支过程中偏向于具有大量值的属性。即某一个属性中所有的不同值的个数越多，那么这个属性越有可能被拿来作为分裂属性。

由于仅仅将信息增益作为属性选择度量的缺点，可基于信息增益率作为判别分裂属性的方法来选择。

再利用由信息增益公式得到的信息增益高的属性，根据信息增益率进行判别选择；

所述信息增益率公式为：

其中，

需要注意的是，信息增益率在对属性进行判断分析时对取值数目较少的属性有所偏向。因此C4.5算法也不是直接选择信息增益率作为属性选择度量，而是先在待划分属性中挑选出信息增益较高的属性，再从挑选出的属性中根据信息增益率进行判别选择。

S3、根据数据集的计算结果构建决策树并进行验证，具体步骤包括：

首先比较计算得到的数据集各项属性的信息增益值，将信息增益值最大的属性作为根节点；

再按照根节点的属性值计算分类下的各个数据集的信息增益率，将信息增益率最大的属性作为下一级节点；

重复上述步骤直至该节点的信息增益值为零时，也就是只有一个类别，将该节点作为叶节点，构建完成；

最后对决策树后剪枝处理进行验证。

S4、根据构建的决策树的节点信息，利用编程语言开发决策树的推理程序模块，具体步骤包括：

获取决策树各个节点的属性值、属性名称、判别号码，以及子节点信息；

根据上述信息利用编程语言建立基于决策树的推理程序模块；

具体实施方式中，编程语言可采用C、C++等语言，用于编程模块；

根据得到的推理程序模块将决策树的信息进行输出，输出可为TXT格式文本，最终生成当前的决策树。

S5、根据构建的决策树和推理程序模块，对爆破方案进行逻辑分析和自动化推理，得到最终推理方案，具体步骤包括：

根据决策树和推理程序模块，对当前爆破方案的所有信息依次进行推理程序模块的程序操作，并依次输出决策树各个阶段的信息进行逻辑分析和自动化推理，直至得到符合用户要求的爆破方案。

爆破方案自动化推理：

本实施例中，以关于倾斜掏槽的具体掏槽形式选择为例，在实际的工程中，如果已知隧道水平掘进，岩体为水平节理，需要确定倾斜掏槽的具体掏槽形式，则只需选择该决策树。例如，在第一个属性“是否向下掘进”中，选择“否”，点击下一步，再在第二个属性“岩体是否为水平节理”的属性中选择“是”，点击下一步，则可以出现推理结论：采用垂直楔形掏槽的形式。从后面的决策树表征图上可以直观的看到每一步的属性选择分支和结果。

最终形成决策树，如下表2所示，一共程序中一共生成了12棵决策树，左侧列表示决策树能实现的功能，右侧列表示需要参考的属性。分别是：

第一棵决策树“隧道开挖方法的确定”，根据围岩、隧道断面面积，隧道长度、围岩等级，可以确定隧道开挖的基本方法。

第二棵决策树“基于循环进尺确定楔形掏槽的形式”，在确定楔形掏槽的前提下可以基于岩性和循环进尺确定楔形掏槽的级数。

第三棵决策树“基于气腿式凿岩机确定炮孔深度”，在使用气腿式凿岩机进行掘进的前提下可以根据岩石坚固性系数和掘进断面积对炮孔深度范围进行确定。

第四棵决策树“基于岩石坚固性系数确定楔形掏槽的参数”，在确定楔形掏槽的前提下根据岩石坚固性系数可以确定楔形掏槽的炮孔数目、炮孔与工作面的夹角以及两排炮孔的距离。

第五棵决策树“关于倾斜掏槽的具体掏槽形式的选择”，在基于确定使用倾斜掏槽的前提下可以确定具体的掏槽形式。

第六棵决策树“光爆中基于岩石坚固性系数确定孔底超出轮廓线距离”可以根据岩石的坚固性系数对孔底超出轮廓线的距离做出查询。

第七棵决策树“基于围岩级别确定中空大直径直眼掏槽参数”在基于直孔掏槽的前提下根据围岩级别可以给出关于空孔的具体参数。

第八棵决策树“基于围岩等级确定洞口边坡、仰坡控制高度”可以根据围岩等级和坡度得出具体的控制高度。

第九棵决策树“凿岩机噪声规定限值”可以基于凿岩机类型和质量给出关于噪声最高限值的查询。

第十棵决策树“填塞长度的确定”可以推理出炮孔中炮泥的填塞长度。

第十一棵决策树“基于岩石坚固系数确定锥形掏槽孔参数”在确定使用锥形掏槽的前提下根据岩石的坚固性系数可以得出掏槽孔的炮孔适宜倾角和孔底间距。

第十二棵决策树“基于马鞍山矿山研究院确定光爆参数”可以根据岩体情况跨度确定光爆孔的具体数据。

表2决策树汇总

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。