基于贝叶斯集成学习算法的土体先期固结压力预测模型
李超1
汪磊1
陈洋2
李天义1
1.上海工程技术大学城市轨道交通学院,上海 2016202.上海交通大学船舶海洋与建筑工程学院,上海 200240
摘要：准确评估土体的先期固结压力(PS)是岩土工程实践中的一个重要问题.采用集成学习算法(XGBoost、RF)来捕捉各个土体参数之间的关系,建立先期固结压力预测模型.使用贝叶斯优化方法来确定模型的最优参数,并通过与SVR、KNN和MLP三种非集成算法进行对比,统计分析了不同模型在相关系数R2、均方根误差RMSE和绝对平均误差 MAPE 三种误差指标下的表现;最后在 5 折交叉验证下,评估各个模型的预测精度及泛化性.结果表明基于XGBoost的预测精度最高,其RMSE及MAPE分别为 20.80 kPa和 18.29％;其次是RF,分别为 24.532 kPa和 19.15％.同时在PS作为回归变量的情况下,其特征重要性为:USS>VES>w>LL>PL.因此,在小规模数据集情况下,集成学习算法在预测精度及泛化性上要优于其他算法,且可作为岩土参数敏感性分析的有效方法.
关键词：先期固结压力集成学习贝叶斯优化5折交叉验证XGBoost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(No.12172211)国家重点研发计划(No.2019YFC1509800)
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：13( 1780-1792 )
英文信息