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
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。
生物通微信公众号
生物通新浪微博
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