基于机器学习的铁路隧道施工碳排放预测模型研究

作者：曾弘锐; 孙文昊; 何卫; 郭亚林; 郭春^*

来源：现代隧道技术, 2023, 60(06): 29-39.

DOI：10.13807/j.cnki.mtt.2023.06.004

• 铁路隧道
• 施工碳排放
• 机器学习
• 回归预测
• 重要性评价

为构建适用于铁路隧道施工建设阶段碳排放预测的算法模型，以某铁路隧道建设工程为研究案例，首先基于碳排放计算体系量化得到案例隧道的施工碳排放量与各子阶段碳排放占比；然后采用多种机器学习算法构建不同预测模型，结合动物优化算法对预测模型进行参数调优，选用R2、MAE、MSE、RMSE、MAPE、SMAPE等评价指标对比分析拟合效果，筛选最佳预测模型，并基于SHAP值分析各参数变量的重要性程度。结果显示：建材生产阶段对隧道施工碳排放的贡献最大，建材运输阶段的碳排放最小；BP神经网络相对随机森林、LightGBM、SVR、极限学习机等算法的回归效果更好，并且通过对比使用PSO算法、WOA算法和SSA算法优化后的回归预测模型，WOA-BP算法的拟合效果最好；基于SHAP算法的分析，各参数变量的特征重要性排名依次为：开挖面积>围岩等级>开挖工法>埋深。

• 单位
  中铁第四勘察设计院集团公司; 土木工程学院; 西南交通大学