1.一种基于随钻探测技术的隧道支护模式选型实时预测方法，其特征在于，包括如下步骤：

第一步：样本数据采集

选定地质条件复杂的隧道项目，随着隧道开挖掘进的同时，对隧道工作面前方围岩进行超前钻探，并采集整条隧道施工时的超前钻进参数和选定的支护模式作为样本；选定的支护模式以阿拉伯数字序号表示，对于区段内相同的支护模式，只需记录一次；

所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量；其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为： 其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；

第二步：样本数据预处理

对步骤一采集到的支护模式序号数据进行编码，按矩阵[0 0 1 0 0…]中数字1从左至右所处的位数对应支护模式的序号进行编号，一组钻进参数和一个支护模式编码构成一个数据集，所有的数据集构成样本数据库，将样本数据库中的6个钻进参数归一化到[0‑1]数值；

第三步：确定最优预测模型及参数

将采集到的样本数据库分别按80％和20％的比例划分为训练集和测试集，并用钻进参数作为预测模型的输入，支护模式作为预测模型的输出，具体确定过程如下：第3.1步：采用多元线性回归模型对支护模式进行预测对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的支护模式预测值，根据支护模式预测值和实际值分别计算得到最优的模型评价指标值‑预测正确率；

第3.2步：采用神经网络模型对支护模式进行预测，得到最优的模型评价指标值‑预测正确率，从而确定神经网络模型的主要参数，具体包括以下过程：

3.2.1：采用试错法确定最优的神经网络的学习率、动量系数、激活函数；

3.2.2：设置对照试验，将神经网络的输入维度分别设置为1至6，神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值，也就是预测正确率；分别对训练集和测试集得到的模型评价指标值进行排序，排序原则为，越大的预测正确率获得的排序序号值越大，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；

3.2.3：设置对照试验，设置不同的隐含层节点数量，将步骤3.2.2中确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，然后对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤3.2.2中的排序原则，得到最优的模型评价指标值，同时确定最优的隐含层节点数，进而确定最优的神经网络模型参数；

第3.3步：采用遗传算法优化的神经网络模型对支护模式进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，得到最优的模型评价指标值‑预测正确率，具体包括以下过程：

3.3.1：采用试错法确定最优的变异概率和交叉概率参数；

3.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的种群数量；

3.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的支护模式预测值，根据训练集的支护模式预测值和实际值计算它的模型评价指标值‑预测正确率值，对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为遗传算法最优的最大迭代次数；

3.3.4:采用步骤3.3.1、3.3.2和3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；

第3.4步：采用种群算法优化的神经网络模型对支护模式进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，从而确定种群算法的主要参数，得到最优的模型评价指标值‑预测正确率，具体包括以下过程：

3.4.1：采用试错法确定最优的自适应参数c1,c2和惯性因子参数；

3.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、

350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的种群数量；

3.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、

200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的支护模式预测值，根据训练集支护模式预测值和实际值计算它的模型评价指标值‑预测正确率，对于所有的种群数量相应的预测正确率不再继续升高的最大迭代次数即为种群算法最优的最大迭代次数；

3.4.4：采用步骤3.4.1、3.4.2和3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值‑预测正确率；

第3.5步：采用帝国竞争算法优化的神经网络模型对支护模式进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤

3.2中确定的最优的参数，从而确定种群算法的主要参数，得到最优的模型评价指标值‑预测正确率；具体过程如下：

3.5.1：采用试错法确定最优的的神经网络模型随机数β、偏移方向θ和殖民地影响因子ξ参数；

3.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、

350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤

3.2.2中的排序原则，确定最优的总国家数量；

3.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、

300、350、400、450、500、550、600，总国家数量设置为b中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的帝国主义国家数量；

3.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、

200、250、300、350、400、450、500、550、600，帝国主义数量设置为c中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的支护模式预测值，根据训练集的支护模式预测值和实际值计算它的模型评价指标值‑预测正确率，对于所有的总国家数量相应的预测正确率不再继续升高的最大迭代次数即为帝国竞争算法最优的最大迭代次数；

3.5.5：采用步骤3.5.1、3.5.2、3.5.3和3.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的支护模式预测值，根据训练集和测试集的支护模式预测值和实际值分别计算它们的模型评价指标值‑预测正确率，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；

3.6步：对步骤3.1到步骤3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值进行对比，同样利用步骤3.2.2中中的排序原则，最终确定最优的模型评价指标值‑预测正确率，进而确定最优的预测模型及参数；

第四步：支护模式选型快速实时预测

在其他隧道项目开挖施工时，在超前钻进时，仅记录钻机钻进参数，不记录支护模式，采集的钻机钻进参数经过预处理后，利用步骤3.6中最优的支护模式预测模型对预处理后的钻进参数进行分析，最终预测出支护模式选型。