基于NRBO-XGBoost和ABKDE融合可解释模型的TBM掘进速度预测
杨腾杰1
高新强1
杨志国2
孔超3
董北毅1
李铁峰2
朱正国1
1.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,河北石家庄 050043;石家庄铁道大学土木工程学院,河北石家庄 0500432.中铁十八局集团有限公司,天津 3002223.西南科技大学土木工程与建筑学院,四川绵阳 621000
摘要：精准可靠的隧道掘进机(TBM)掘进速度预测对于提升施工效率、保障施工安全具有重要工程价值.针对现有TBM掘进速度预测模型精度较差和对施工时不确定性考虑不足的局限,提出了一种基于机器学习的可解释性TBM掘进速度区间预测方法.首先,收集国内多组TBM隧道工程数据,选取岩石单轴抗压强度(UCS)、岩体完整性系数(Kv)、推力(TF)与刀盘转速(RPM)作为输入特征,构建基于牛顿拉弗森优化(NRBO)算法与交叉验证策略协同优化的极端梯度提升(XGBoost)点预测模型,并引入可解释性(SHAP)框架解析特征参数对预测结果的贡献度.进而,采用自适应带宽核密度估计(ABKDE)方法对点预测结果进行不确定性量化,实现掘进速度的区间预测.最后,通过伊朗克尔曼输水隧洞工程案例验证模型有效性.研究结果表明:与未采用NRBO算法的XGBoost模型相比,NRBO-XGBoost模型的预测误差均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别降低了 13.9％、19.1％和0.7％,决定系数R2提高了0.015 1;特征重要性排序为 UCS(0.415 6)＞TF(0.155 4)＞RPM(0.104 5)＞Kv(0.004 7),揭示岩石强度为掘进速度的主导影响因素;所提模型在区间预测性能上超越了自适应提升(AdaBoost)和随机森林(RF)模型,NRBO-XGBoost、AdaBoost和RF模型的预测区间覆盖概率(PICP)分别达到92.1％、88.4％和90.2％,具备更优的不确定性量化能力;工程实例验证中,点预测R2达0.967 6且预测区间完全覆盖实测值,证实模型具有良好工程适用性.
关键词：隧道掘进机掘进速度区间预测融合模型机器学习NRBO算法可解释性
分类号：U455(隧道工程)
资助基金：国家自然科学基金(52478406)河北省自然科学基金(E202310057)河北省科技计划项目(225676162GH)中国铁建股份有限公司科技重大专项(2019-A05)
论文发表日期：2025-08-25
在线出版日期：2025-09-16（本平台首次上网日期，不代表文献的发表时间）
页数：15( 73-87 )
英文信息