基于改进的RS-TOPSIS模型的岩爆倾向性预测
Rock-burst Proneness Prediction Based on Improved RS-TOPSIS Model
收稿日期: 2017-12-31 修回日期: 2018-03-12 网络出版日期: 2019-03-11
基金资助: |
|
Received: 2017-12-31 Revised: 2018-03-12 Online: 2019-03-11
作者简介 About authors
关键词:
Keywords:
本文引用格式
王旷, 李夕兵, 马春德, 顾合龙.
WANG Kuang, LI Xibing, MA Chunde, GU Helong.
目前应用比较广泛的粗糙集理论中的属性重要性可划分为两类:信息观和代数观。基于代数观的属性重要性,其标准是过于“粗糙”的,基于信息观的属性重要性,其标准是过于“细致”的,在某些实际应用方面甚至会出现不同结果[14],因此仅使用某一种属性重要性确定权重存在一定的不足。鉴于此,提出基于粗糙集代数观与信息观属性重要性所确定的权重,将二者进行有机结合,得到各属性的最优权重,结合逼近理想解(TOPSIS)法,建立岩爆倾向性预测模型,并进一步运用于玲珑金矿等实际工程中。
1 粗糙集理论确定最优权重
1.1 基于代数观的属性权重
(1)粗糙集代数观的定义。定义1:称
定义2:给定知识库
(2)代数观属性重要性。设决策信息系统
定义对于任意属性子集
当
当
1.2 基于信息观的属性权重
(1) 粗糙集信息观的定义。
定义3:设决策信息系统
式中:
属性集C的信息熵H(C)和属性集D相对于属性集C的条件熵H(D|C)分别为
式中:
(2) 信息观属性重要性。
条件属性集C=
对于决策信息系统S,
1.3 基于代数观和信息观的属性最优解
设决策信息系统中
式中:
定理 上述最优函数模型在可行域
证明:作拉格朗日函数
令
对上述方程组求解可得:
2 改进的RS-TOPSIS综合评判模型
逼近理想解(TOPSIS)法的基本原理是检测有限个评价对象与正、负理想解的距离,并对该有限个评价对象进行排序[16]。运算步骤为:(1)建立初始评价指标矩阵;(2)标准化决策矩阵;(3)加权标准化决策矩阵;(4)计算理想点贴近度。
2.1 初始评价矩阵
设P=
2.2 标准化决策矩阵
对于“效益型”指标,有
对于“成本型”指标,有
对于“区间型”指标,有
式中:
2.3 加权标准化决策矩阵
将B的列向量与改进的粗糙集算法所确定的最优权重
2.4 计算理想点贴近度
加权标准化决策矩阵C的正、负理想解
评判对象与正理想解(
式中:
通过评判对象与理想解的距离
2.5 改进的粗糙集—理想点法处理流程
综上所述,改进的粗糙集—理想点法处理流程如图1所示。以工程岩爆数据建立 TOPSIS 的目标属性矩阵与改进的粗糙集处理所需的信息表,并对数据分别进行处理:一方面基于改进的粗糙集方法,将数据离散化后进行属性约简,并分别计算基于代数观和信息观下的属性权重,进而得到属性最优权重;另一方面采用TOPSIS方法处理,将决策矩阵进行量纲归一化处理后,与确定的最优权重相乘,进而计算正、负理想解和它们之间的距离,最后计算得出相对贴近度,对其进行排序,即得到其岩爆倾向性预测结果。
图1
3 改进的RS-TOPSIS岩爆倾向性预测模型
3.1 岩爆评价指标的选取
表1 国内外若干工程岩爆数据
Table 1
编号 | 岩爆倾向性 | |||
---|---|---|---|---|
1 | 13.2 | 0.58 | 6.3 | 强岩爆 |
2 | 17.5 | 0.45 | 5.1 | 中等岩爆 |
3 | 20.9 | 0.39 | 4.6 | 中等岩爆 |
4 | 41.0 | 0.20 | 1.7 | 无岩爆 |
5 | 13.2 | 0.66 | 6.8 | 强岩爆 |
6 | 17.5 | 0.38 | 4.5 | 弱岩爆 |
7 | 29.7 | 0.41 | 3.3 | 无岩爆 |
8 | 31.2 | 0.11 | 3.7 | 无岩爆 |
9 | 27.8 | 0.23 | 3.9 | 无岩爆 |
10 | 15.0 | 0.53 | 6.5 | 中等岩爆 |
11 | 21.7 | 0.42 | 4.5 | 中等岩爆 |
12 | 21.7 | 0.39 | 5.0 | 中等岩爆 |
13 | 23.0 | 0.10 | 4.7 | 无岩爆 |
14 | 26.9 | 0.44 | 5.5 | 中等岩爆 |
15 | 18.5 | 0.81 | 3.8 | 中等岩爆 |
16 | 29.4 | 0.41 | 7.3 | 弱岩爆 |
17 | 22.9 | 0.59 | 5.0 | 弱岩爆 |
18 | 17.5 | 0.54 | 6.6 | 弱岩爆 |
19 | 19.7 | 0.38 | 5.0 | 中等岩爆 |
20 | 28.4 | 0.38 | 5.0 | 弱岩爆 |
表2 岩爆倾向性分级标准
分级标准 | |||
---|---|---|---|
无岩爆 | >40.0 | <0.3 | <2.0 |
弱岩爆 | 40~26.7 | 0.3~0.5 | 2.0~3.5 |
中等岩爆 | 26.7~14.5 | 0.5~0.7 | 3.5~5.0 |
强岩爆 | <14.5 | >0.7 | >5.0 |
3.2 各指标最优权重
表3 岩爆倾向性预测的知识表达系统
Table 3
样本编号 | 单项指标确定的岩爆等级 | D | ||
---|---|---|---|---|
C1 | C2 | C3 | ||
1 | 4 | 3 | 4 | 4 |
2 | 3 | 2 | 4 | 3 |
3 | 3 | 2 | 3 | 3 |
4 | 1 | 1 | 1 | 1 |
5 | 4 | 3 | 4 | 4 |
6 | 3 | 2 | 3 | 2 |
7 | 2 | 2 | 2 | 1 |
8 | 2 | 1 | 3 | 1 |
9 | 2 | 1 | 3 | 1 |
10 | 3 | 3 | 4 | 3 |
11 | 3 | 2 | 3 | 3 |
12 | 3 | 2 | 3 | 3 |
13 | 3 | 1 | 3 | 1 |
14 | 2 | 2 | 4 | 3 |
15 | 3 | 4 | 3 | 3 |
16 | 2 | 2 | 4 | 2 |
17 | 3 | 3 | 3 | 2 |
18 | 3 | 3 | 4 | 2 |
19 | 3 | 2 | 3 | 3 |
20 | 2 | 2 | 3 | 2 |
(1) 基于代数观的属性权重
条件属性集C及决策属性D对论域U的划分为
从条件属性集C中约减C1、C2、C3得到新的划分:
由此可计算出C的D正域:
同理:
由上述可知,C1、C2、C3在C中相对于D是不可约减属性。由式(1)和式(3)可求得:
由式(4)求得C1、C2、C3的属性权重
(2)基于信息观的属性权重
条件属性C1、C2、C3及决策属性D对论域U的划分为
由式(7)、式(8)可求得:
由式(9)可求得:
由式(10)进而求得基于信息观的属性权重
由式(12),
综上,可得到基于代数观和信息观下的属性权重与最优权重,结果见表4。
表4 属性最优权重
Table 4
属性 | 基于代数观属性权重 | 基于信息观属性权重 | 最优权重 |
---|---|---|---|
C1 | 0.2667 | 0.362625 | 0.2955 |
C2 | 0.4667 | 0.407608 | 0.4489 |
C3 | 0.2667 | 0.229767 | 0.2556 |
3.3 理想点法求解
表5 修正的岩爆倾向性分级标准
Table 5
分级标准 | |||
---|---|---|---|
无岩爆 | 40.00~46.65 | 0.20~0.30 | 1.25~2.00 |
弱岩爆 | 26.70~40.00 | 0.30~0.50 | 2.00~3.50 |
中等岩爆 | 14.50~26.70 | 0.50~0.70 | 3.50~5.00 |
强岩爆 | 8.40~14.50 | 0.70~0.80 | 5.00~5.75 |
根据修正的岩爆倾向性分级标准,对于无岩爆和强岩爆,采用“近似理想点”近似代替真实理想点以契合理想点法的求解,取其上下限值作为理想点,对于弱岩爆和中等岩爆,取其区间上下限平均值作为理想点,得到3项评判指标各岩爆等级理想点:
通过式(16)、式(17)、式(18)构建标准化决策矩阵,并结合改进的粗糙集求得的最优权重,得到加权规范化矩阵Q:
由式(20)可以解得D的正、负理想解分别为
通过式(21)、式(22)可以求得样本与正、负理想解的距离
表6 改进的RS-TOPSIS岩爆倾向性模型预测结果
Table 6
样本编号 | 预测等级 | 实际等级 | ||||
---|---|---|---|---|---|---|
改进的RS-TOPSIS | RS-TOPSIS | |||||
1 | 0.155905 | 0.452106 | 0.743582 | 4 | 4 | 4 |
2 | 0.255711 | 0.355161 | 0.581400 | 3 | 3 | 3 |
3 | 0.304717 | 0.331268 | 0.520874 | 3 | 2* | 3 |
4 | 0.517380 | 0.079146 | 0.132579 | 1 | 1 | 1 |
5 | 0.103998 | 0.497110 | 0.826990 | 4 | 2* | 4 |
6 | 0.304711 | 0.321016 | 0.486971 | 2 | 3* | 2 |
7 | 0.345825 | 0.167859 | 0.326794 | 1 | 1 | 1 |
8 | 0.500033 | 0.158115 | 0.240242 | 1 | 1 | 1 |
9 | 0.421390 | 0.201238 | 0.323208 | 1 | 1 | 1 |
10 | 0.187302 | 0.427662 | 0.695426 | 3 | 3 | 3 |
11 | 0.292151 | 0.311351 | 0.515908 | 3 | 3 | 3 |
12 | 0.300856 | 0.309631 | 0.507187 | 3 | 3 | 3 |
13 | 0.475709 | 0.233724 | 0.329452 | 1 | 1 | 1 |
14 | 0.284490 | 0.318952 | 0.528554 | 3 | 3 | 3 |
15 | 0.167192 | 0.510306 | 0.753221 | 4* | 3 | 3 |
16 | 0.300465 | 0.290731 | 0.491768 | 2 | 4* | 2 |
17 | 0.203318 | 0.182864 | 0.473518 | 2 | 2 | 2 |
18 | 0.186971 | 0.152908 | 0.449890 | 2 | 2 | 2 |
19 | 0.301622 | 0.315892 | 0.511555 | 3 | 3 | 3 |
20 | 0.327457 | 0.276257 | 0.457596 | 2 | 2 | 2 |
注:X*表示第X组数据误判 |
对修正的岩爆倾向性等级计算其贴近度,结果如表7所示。
表7 岩爆倾向性等级贴近度
Table 7
岩爆倾向性等级 | 岩爆倾向性等级 | ||
---|---|---|---|
无岩爆 | 0~0.370541 | 中等岩爆 | 0.506471~0.740015 |
弱岩爆 | 0.370541~0.506471 | 强岩爆 | 0.740015~1.000000 |
4 工程应用
为验证模型在实际工程中应用的可行性,选取玲珑金矿、小秦岭金矿、冬瓜山铜矿和平煤集团的岩爆实测数据作为样本,运用改进的RS-TOPSIS岩爆预测模型对样本进行分析并预测其岩爆倾向性,预测结果见表8。
由表8可知,改进的粗糙集—理想点法岩爆倾向性预测模型对玲珑金矿、小秦岭金矿等的岩爆预测结果与实际情况相吻合,表明模型对岩爆倾向性的预测是可靠的。
表8 国内若干工程岩爆倾向性预测结果
工程名称 | 岩性或位置 | 实际情况 | 预测结果 | |||
---|---|---|---|---|---|---|
玲珑金矿 | 花岗岩 | 31.7 | 0.31 | 6.41 | 强岩爆 | 强岩爆 |
小秦岭金矿 | 888坑38号SM6200段 | 12.2 | 0.542 | 4.89 | 中等岩爆 | 中等岩爆 |
888坑38号SM4740段 | 30.7 | 0.409 | 7.30 | 弱岩爆 | 弱岩爆 | |
888坑38号SM4320段 | 29.8 | 0.461 | 5.30 | 弱岩爆 | 弱岩爆 | |
冬瓜山 | 矽卡岩 | 11.1 | 0.554 | 3.97 | 中等岩爆 | 中等岩爆 |
平煤集团 | 某矿三水平大巷岩爆位置 | 15.3 | 0.560 | 3.30 | 中等岩爆 | 中等岩爆 |
5 结论
(1)通过有机结合粗糙集代数观和信息观确定的权重,在理想点法中采用“近似理想点”和“区间型”指标对理想点进行优化,克服了采用单一代数观或信息观确定权重的不足以及无岩爆和强岩爆对应的理想点区间范围过大的缺陷,建立了改进的RS-TOPSIS综合评判模型。
(2)以国内外20组典型岩爆为样本,结合改进的RS-TOPSIS综合评判模型,建立改进的RS-TOPSIS岩爆倾向性预测模型,其预测精度达95%,较改进前精度(80%)有了一定提高,证明该模型具有较高的准确度。
(3)基于玲珑金矿等工程实际,运用改进的RS-TOPSIS岩爆倾向性预测模型对其进行预测,预测结果与实际情况相吻合,表明该模型具有一定的实用价值和良好的应用前景。
参考文献
岩爆模拟试验及岩爆机制研究
[J].
Simulation testing and mechanism studies on rockburst
[J].
岩石动力学基础与应用
[M].
Rock Dynamics Fundamentals and Application
[M].
深井硬岩矿山岩爆预测研究
[J].
Research on prediction of rockburst in deep hard rock mines
[J].
岩爆预测的模糊数学综合评判方法
[J].
Method of fuzzy comprehensive evaluations for rockburst prediction
[J].
Seepage force in a drained circular tunnel:An analytical approach
[J].
基于AHP-TOPSIS评判模型的岩爆倾向性预测
[J].
Rockburst tendency prediction based on AHP-TOPSIS evaluation model
[J].
基于AHP和物元TOPSIS法的层状岩体巷道冒顶风险评价
[J].
Risk assessment of bedded rock roadway roof fall based on AHP and Matter-Element TOPSIS method
[J].
Prediction of rockburst by artificial neural network
[J].
基于先验知识的岩爆预测研究
[J].
Study on rockburst prediction method based on the prior knowledge
[J].
岩爆发生和烈度分级预测的距离判别方法及应用
[J].
A distance discriminant analysis method for prediction of possibility and classification of rockburst and its application
[J].
岩爆等级判定的距离判别分析方法及应用
[J].
Method of distance discriminant analysis for determination of classification of rockburst
[J].
未确知测度模型在岩爆烈度分级预测中的应用
[J].
Application of unascertained measurement model to prediction of classification of rock-burst intensity
[J].29(Supp
.
Rough sets
[J].
一种改进的粗糙集属性约简启发式算法
[J].
A modified heuristic algorithm of attribute reduction in rough set
[J].
优势决策信息系统规则获取方法及应用
[J].
Rule acquisition method and application of dominance decision-making information system
[J].
多属性决策的理论与方法
[M].
Multiple Attribute Decision Making Theory and Methods
[M].
基于AHP和TOPSIS的充填方案综合评判优选
[J].
Syntheic judgement for filling scheme optimization based on AHP and TOPSIS methods
[J].
深部岩体工程围岩质量评价的IRMR法研究
[J].
IRMR method for evaluation of surrounding rock quality in deep rock mass engineering
[J].
基于变权重理论和TOPSIS的尾砂浓密装置优选
[J].
Concentration equipment optimization based on variable weight theory and TOPSIS
[J].
/
〈 |
|
〉 |
