本发明涉及爆破施工，具体涉及一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法。
背景技术：
1、钻爆法是当前岩体开挖工程中应用最有效、最广泛的破岩手段，同时钻爆法也是边坡爆破施工常用的开挖方式。随着光面爆破技术及爆破振动控制技术的发展，越来越多的岩质路堑边坡也将钻爆法作为主要的施工方法，然而在岩质路堑边坡施工过程中，由于爆破设计方案中设置的爆破参数不合理，会直接导致爆破施工质量和成本控制效果差，增大超欠挖量和围岩的累计损伤，同时还增加边坡支护材料消耗和减少钻爆施工成本。
2、因此，需要构建一种高效的边坡爆破预测模型，通过设置合理的爆破参数，主动控制完成边坡爆破预期效果，改善上述边坡爆破出现的问题。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷，提供一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法。
2、本发明提供了一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，包括如下步骤：
3、步骤s1，通过随机森林法对爆破控制参数进行筛选，获取爆破控制参数数据集，将所述爆破控制参数数据集划分为训练集和测试集；
4、步骤s2，基于自适应策略对训练集和测试集均进行归一化处理，获取初始化训练集和测试集；
5、步骤s3，利用改进鲸鱼优化算法对极限学习机模型进行改进，优化训练集的寻优效果，获取最优参数结果；
6、步骤s4，通过测试集对最优参数结果进行统计，统计后对最优参数结果进行验证评价；
7、步骤s5，根据验证的最优参数结果建立爆破效果预测模型。
8、进一步，爆破控制参数数据集包含抗拉强度、爆破抵抗线、台阶破面角、炸药单耗、孔距、排距参数以及爆破块度平均尺寸。
9、进一步，在步骤s1中，利用随机森林法对爆破控制参数进行筛选的过程包括：
10、步骤s1.1.基于rf随机森林方法，设置随机森林有n棵决策树，某个变量的重要性i为：
11、
12、其中，r1为使用袋外数据计算的袋外误差，r2为随机变换袋外数据中某个变量的顺序后再次计算的袋外误差；
13、步骤s1.2.在计算出每个变量的重要性程度后，计算不同变量组合时的均方误差，并将最终将筛选后的爆破控制参数作为极限学习机模型和改进鲸鱼优化算法的输入变量；
14、
15、其中，yi为第i个样本的观测值，为第i个样本的预测值，n为对应样本的样本容量。
16、进一步，基于自适应策略对训练集和测试集均进行归一化处理过程包括：
17、步骤s2.1.统一各输入特征xj的量纲，对输入训练集样本数据x＝[x1,x2,…xj,…,xn]t进行归一化处理：
18、
19、式中：α＝0.95；β＝0.05；xmax、xmin分别为输入特征向量x中的最大值和最小值；
20、步骤s2.2.对测试集预测样本数据xⅱ归一化，计算过程如下：
21、
22、式中，为预测样本；为网络输出归一化值；blast,1为隐藏层第一个神经元阈值；wlast,1为权值；vlast为层间权值；r为激活函数r(x)＝max(0，x)，u1为矩阵第一层；
23、步骤s2.3.对训练集样本x1和预测样本xⅱ反归一化，反归一化公式为：
24、
25、
26、式中，yⅰ,max＝tmax；yⅰ,min＝tmin；α＝0.95；β＝0.05。
27、进一步，利用改进鲸鱼优化算法对极限学习机模型进行改进，优化训练集寻优的过程包括：
28、首先，将归一化处理的训练集输入到改进改进鲸鱼优化算法中获取最优训练集；
29、极限学习机模型包括输入层、隐藏层和输出层，其中，输入层设置有n个神经元，隐藏层设置有l个神经元，输出层设置有m个神经元，输入层：用于负责接收输入样本向量x，输出样本特征；隐藏层：包含j个隐含节点，每个隐含节点的输出为一个加权和；输出层:输出层的神经元数等于样本类别数；
30、其次，设置最优训练集为{xi，ti|xi∈rd，ti∈rm，i＝1，2，…，n}；
31、其中，xi表示第i个数据示例，ti表示第i个数据示例对应的标记，n表示训练样本的数量；
32、对于n个离散训练样本输入层中输入训练样本数据为xi＝[xi1，xi2，…，xin]t∈rn，训练集目标的输出数据为ti＝[ti1，ti2，…，tim]t∈rm；
33、隐藏层中每个隐含节点的输出为一个加权和为：
34、
35、其中，l是隐藏单元的数量；b是第j个隐藏层和输出之间的权重向量；g是激活函数；b是偏置向量；x是输入向量；βj＝[βj1，βj2，…，βjm]t∈rm为第j个隐藏层神经元的输出权重；g(·)为激励函数；ωj＝[ωj1，ωj2，…，ωjn]t∈rn为第j个隐藏层神经元的输入权重；
36、输出层输出yi，yi＝[yi1，yi2，…，yim]t∈rm为第i个训练样本的输入x经极限学习机模型处理后的输出；
37、由于极限学习机模型以极小误差逼近训练样本，因此，训练集目标输出为：
38、
39、最后，将极限学习机模型矩阵形式为：
40、t＝hβ
41、其中，t∈rn×m是训练集目标输出矩阵；h∈rn×l隐藏层输出矩阵；β∈rl×m隐藏层输出权重矩阵；
42、当隐藏层输入权重值和偏置值后，h为常数矩阵，β解为下式线性系统的最小二乘特解，即优化寻找的最优解：
43、hβ*-t＝minβ||hβ-t||
44、由于h是可逆的，β的最小二乘解β*表示为：
45、
46、进一步，在步骤s3中，建立改进鲸鱼优化算法过程包括：
47、步骤s3.1，设置鲸鱼数量n和算法的最大迭代次数tmax，初始化位置信息；
48、步骤s3.2，计算每条鲸鱼的适应度，找到当前最优鲸鱼的位置并保留；
49、步骤s3.3，计算参数a、p和系数向量a、c，判断概率p是否小于50％，是则直接转入步骤3.2，否则采用气泡网捕食机制，按下式进行位置更新；
50、x(t+1)＝d'×ebl×cos(2πl)+x*(t)
51、d'＝|x*(t)-x(t)|
52、
53、其中：d'当前搜索个体与当前最优解的距离；b螺旋形状参数；l值域为[-1,1]均匀分布的随机数；p捕食机制概率，值域为[0,1]的随机数；随着迭代次数t的增加，参数a和收敛因子a逐渐减小，若|a|<1，则各鲸鱼逐渐包围当前最优解；
54、步骤s3.4，判断系数向量a的绝对值是否小于1，是则包围猎物：按式更新位置：
55、d＝|c·x*(t)-x(t)
56、x(t+1)＝x*(t)-a·d
57、其中：t表示当前迭代次数；a和c是系数向量；x*(t)是目前得到的最佳解的位置向量；x(t)向量是位置向量，||是绝对值，·是逐元素相乘；在每次迭代中更新x*(t)；
58、其中，向量a和c的计算方式如下：
59、
60、在整个迭代过程中a由2线性降到0；r1和r2是[0，1]中的随机向量；
61、否则全局随机搜索猎物，按下式更新位置：
62、d”＝|c·xrand(t)-x(t)
63、x(t+1)＝xrand(t)-a·d
64、其中：d”为当前搜索个体与随机个体的距离；xrand(t)为当前随机个体的位置；
65、步骤s3.5，位置更新结束，计算每条鲸鱼的适应度，并与先前保留的最优鲸鱼的位置比较，若优于，则利用新的最优解替换；
66、步骤s3.6，判断当前计算是否达到最大迭代次数，如果是，则获得最优解，计算结束，否则进入下一次迭代，并返回步骤s3.3。
67、进一步，通过测试集对最优参数结果进行统计，统计后对最优参数结果进行评价，统计过程包括：计算测试集的mape、mae、mse；
68、mape、mae、mse分别对应的表达式为：
69、
70、
71、
72、其中，m、n均表示测试集中样本数量，yi为第i个样本的爆破效果评价实际值，为第i个样本经过计算的爆破效果评价预测值。
73、与现有技术相比，本发明的有益效果在于：
74、本发明通过rf随机森林方法获取爆破参数数据集，爆破参数数据集包括抗拉强度、爆破抵抗线、台阶破面角、炸药单耗、孔距、排距参数以及爆破块度平均尺寸，爆破参数这7个特征作为评价爆破效果综合指标，同时通过在爆破方案中利用改进鲸鱼优化算法(woa)对极限学习机模型进行改进，优化训练集的寻优效果，获取最优参数结果，根据最优参数结果建立爆破效果预测模型，通过该预测模型获取爆破方案中合理的爆破参数设置，通过合理的爆破参数设置主动控制完成边坡爆破预期效果，减少负面效应对既有结构的影响。
1.一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
3.根据权利要求1所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
4.根据权利要求2所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
5.根据权利要求1所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
6.根据权利要求5所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
7.根据权利要求1所述的一种基于rf-woa-elm模型的边坡爆破预测模型的建立方法，其特征在于，
