基于集成学习与贝叶斯优化的岩石抗压强度预测
吴禄源1
李建会1
马丹2
王自法3
张建伟1
袁超4
冯义5
李辉5
1.河南大学土木建筑学院,河南开封 4750042.中国矿业大学煤炭资源与安全开采国家重点实验室,江苏徐州 2211163.中国地震局工程力学研究所,黑龙江哈尔滨 150080;中震科建(广东)防灾减灾研究院,广东韶关 5120264.西安科技大学建筑与土木学院,陕西西安 7100545.中铁第一 勘察设计院集团有限公司,陕西西安 710043
摘要：岩石抗压强度是评估岩体工程稳定性的重要力学参数,传统统计回归方法对于岩石抗压强度预测存在一定的局限性.为此,提出了一种利用简单岩石力学参数实现岩石抗压强度智能预测的方法,首先收集了620组含不同类型岩石的三轴试验数据,然后分别采用随机森林(Random Forest,RF)、极限梯度提升树(XGBoost,XGB)和轻量梯度提升机(LightGBM,LGB)3种主流的集成学习算法建立了岩石抗压强度预测模型,使用贝叶斯优化算法在模型训练过程中进行超参数优化,最后利用决定系数(R2)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)对优化后模型的泛化能力进行了综合评估和对比分析.此外,利用LGB模型对输入特征进行重要性分析,以评估不同输入特征对模型泛化性能的影响重要程度.研究结果表明:所建立的 3 种模型对岩石抗压强度均取得了较好的预测结果,其中LGB模型泛化性能优于另外两种模型(R2=0.978,RMSE=5.58,MAPE=9.70％),且运行耗时相对最少.弹性模量(E)、围压(σ3)和密度(ρ)对模型的泛化性能影响较大,泊松比(v)影响较小.提出的预测模型对于岩石抗压强度预测有良好的适用性,为机器学习与岩土工程的结合提供了新的思路.
关键词：岩石强度集成学习贝叶斯优化随机森林极限梯度提升树轻量梯度提升机工程地质
分类号：P64(水文地质学与工程地质学)
资助基金：国家自然科学基金(Nos.41977238)国家自然科学基金(51978634)河南省自然科学基金青年基金项目(No.232300421331)河南省高等学校重点科研项目(No.23A440005)
论文发表日期：2023-05-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1686-1695 )
英文信息