科研之友
微信
新浪微博
Facebook
分享链接
摘要
地下洞室有害气体浓度与开挖方案、地质条件等密切相关，开展施工-地质影响下的有害气体浓度精准预测对于施工安全管理具有重要意义。然而，有害气体监测数据有用信息难被提取，爆破参数、基岩类别等特征与有害气体浓度间存在非线性耦合，基于此，本研究提出融合沙普利加性解释（SHAP）理论的集成学习有害气体浓度智能预测方法。通过主成分分析（PCA）进行特征预处理，运用树结构贝叶斯优化（TPE）算法迭代寻求CatBoost有害气体浓度预测模型最优超参数组，引入SHAP解释框架，探寻有害气体排放浓度重要影响因子。以金沙江旭龙水电站导流洞工程为例，研究结果表明：对比CatBoost、TPE-XGBoost以及TPE-LightGBM模型，TPE-CatBoost模型均方根误差（RMSE）分别降低了48.9%、40.2%、36.8%，具有更高预测精度；融合SHAP理论发现PM10、PM2.5浓度与爆破方案关联更为密切，CO、CO2浓度受地下水状态等地质条件影响更大。
-
单位三峡大学; 国家能源投资集团有限责任公司
