基于4种超参数优化算法及随机森林模型预测TBM掘进速度

作者：仉文岗; 唐理斌; 陈福勇^*; 杨甲锋

来源：应用基础与工程科学学报, 2021, 29(05): 1186-1200.

DOI：10.16058/j.issn.1005-0930.2021.05.009

• TBM掘进速度
• 机器学习
• 超参数优化
• 随机森林
• 粒子群优化
• 遗传算法
• 差分进化
• 贝叶斯优化

为控制项目成本及规划施工流程,需对隧道掘进机(Tunnel boring machine, TBM)的掘进速度(Rate of penetration, ROP)提供可靠的预测模型.为解决这一问题,大量经验公式或者数值模型已被广泛应用于理论研究和实际工程.虽然其中一些方法具有一定的实用性,但其适用范围限制了相关研究的进一步发展.基于纽约Queens区输水隧道收集的数据,本文提出了一种基于随机森林(Random forest, RF)的预测模型,并结合4种常见的超参数优化算法,即粒子群优化算法(Particle swarm optimization, PSO)、遗传算法(Genetic algorithm, GA)、差分算法(Differential evolution, DE)、贝叶斯优化(Bayesian optimization, BO),在模型开发过程中对超参数进行调整.此外,本文还进行了敏感性分析,以调查每个输入变量的相对重要性.结果表明:BO-RF模型能以最短的耗时及最高的精度完成对ROP的预测;PSO-RF及GA-RF模型性能基本一致,前者耗时更少;DE-RF模型耗时最多,但没有显著改善模型的性能.敏感性分析结果表明,各输入参数对TBM掘进速度的影响不同,岩石的强度特性是影响最大的因素.

• 单位
  重庆大学; 土木工程学院