基于高斯精英变异增强型金仓鼠优化器的TBM隧道围岩分类预测研究

《Applied Sciences》:Rock Mass Classification Prediction Model Based on an Improved Caterpillar Fungus Optimization Algorithm: A Case Study of TBM Water Conveyance Tunnel in Shiyan

【字体: 大 中 小 】 时间:2026年10月21日 来源:Applied Sciences 2.5

编辑推荐:

   摘要

  

摘要

准确的识别隧道周围围岩条件对TBM掘进至关重要,可防止过度变形和TBM卡机等灾害,这些灾害会严重影响工程进度。为缓解机器学习超参数搜索过程中松露优化器(CFO)的过早收敛和局部搜索不充分问题,开发了一种高斯精英变异增强型CFO(GCFO);将其应用于优化多种机器学习模型的超参数——包括随机森林、支持向量机、极端梯度提升、门控循环单元和卷积神经网络——以对比选择一种精确的预测模型用于TBM隧道围岩分类。首先,基于贯入深度、扭矩、总推力、刀盘转速和盾靴夹紧力均不为零的条件,从掘进循环中提取稳定数据,计算其均值和标准差,形成表征岩机相互作用过程的数据变量。构建了包含6719个样本的数据集。然而,由于IV类围岩样本较少,应用了SMOTE技术将数据集扩展至10059个样本。然后,使用GCFO和CFO算法构建优化后的机器学习模型,同时引入SSA算法对比前两种算法的优化性能。比较后发现,SMOTE可以明显提升IV类岩体样本的模型预测精度,最终开发了GCFO-RF用于隧道岩体预测,取得了优异性能(训练集:ACC = 0.99652,F1-score = 0.99696;验证集:ACC = 0.89741,F1-score = 0.90112;测试集:ACC = 0.82292,F1-score = 0.74402)。最后,利用SHAP(Shapley加性解释)框架进行特征重要性分析,确定盾靴夹紧力均值为模型最具影响力的变量。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号