土方开挖过程中钻进效率预测的Stacking集成学习模型（英文）

作者：吕菲; 余佳^*; 张君; 俞澎; 佟大威; 吴斌平

来源：Journal of Zhejiang University-Science A(Applied Physics & Engineering), 2022, 23(12): 1027-1047.

• 钻进效率
• 预测
• 土方开挖
• Stacking集成学习
• 改进的布谷鸟搜索算法

目的:对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型,存在参数敏感性和过拟合等问题,且往往忽略了环境因素和人员操作因素的影响。针对这些问题,本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。创新点:1.建立一种基于Stacking集成学习的钻进效率预测模型;2.定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响;3.提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ,优化模型关键参数。方法:1.通过多次对比实验,最终选择极值梯度提升(XGBoost)、随机森林(RF)和反向传播神经网络(BPNN)三个模型作为基学习器,支持向量回归(SVR)作为元学习器进行集成。2.建立基于自适应步长策略的改进布谷鸟搜索优化算法,对集成模型的Max＿depth等超参数进行优化。3.将钻进效率值及相关影响因素的样本数据输入到每个基学习器中,得到相应的输出结果,再将预测结果作为元学习器的输入值,得到最终的预测结果。4.以中国西南地区某土石方工程为例,通过五折交叉验证方法,验证模型的鲁棒性,并采用五个常用评价指标评价模型的精度和泛化性能。结论:工程应用结果表明,相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型,本文所提方法的平均绝对百分比误差(MAPE)分别提高了16.43%和4.88%。

• 单位
  水利工程仿真与安全国家重点实验室; 天津大学