[發明專利]基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法

有效

• 申請號: 202110673385.8
• 申請日: 2021-06-17
• 公開（公告）號: CN113326660B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 彭浩;梁銘;朱孟龍;宋冠先;解威威;馬文安;馬必聰;周邦鴻;鐘華;楊康;張亞飛
• 申請（專利權）人: 廣西路橋工程集團有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/12;G06N20/20
• 代理公司: 四川力久律師事務所 51221
• 代理人: 任曉揚

1.一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，其特征在于，包括以下步驟：

步驟一，獲取待測隧道的工程數據，所述工程數據包括隧道埋深H、隧道直徑D、隧道質量指標Q值、支護剛度K；

步驟二，將所述工程數據輸入到預先搭建的GA-XGBoost模型；所述預先搭建的GA-XGBoost模型是采用GA遺傳算法對XGBoost模型訓練優化以后得到的模型；

步驟三，GA-XGBoost模型根據所述待測數據輸出預測結果為隧道圍巖無大變形、輕微大變形或中等及以上大變形；

其中，搭建所述GA-XGBoost模型具體包括以下步驟：

S1，獲取樣本數據；所述樣本數據的特征包括隧道埋深H、隧道直徑D、隧道質量指標Q值、支護剛度K；

S2，對樣本數據依次進行缺失值填充、標準化處理，以及分類標簽設置，建立訓練數據集；

S3，將訓練數據集輸入XGBoost模型，并通過GA遺傳算法對所述XGBoost模型進行模型訓練，確定XGBoost模型的最佳參數組合，得到GA-XGBoost模型；

S3中通過GA遺傳算法對所述XGBoost模型進行模型訓練具體包括以下步驟：

S31，選取XGBoost模型超參數，設置超參數的取值范圍，另外，還設置GA算法迭代參數；

S32，使用均勻交叉的方法進行種群迭代，根據適應度值保留最優個體，并從前代中篩選適應度值最高的個體共同組成新的種群；迭代過程中隨機選擇參數進行突變；

S33，計算fit(n)_max與fit(n-1)_max之間的差值，記為第一差值，計算fit(n-1)_max與fit(n-2)_max之間的差值，記為第二差值，其中fit(n)_max為第n次迭代后種群中最優個體的適應度值，fit(n-1)_max為第n-1次迭代后的種群中最優個體的適應度值，fit(n-2)_max為第n-2次迭代后的種群中最優個體的適應度值，如果所述第一差值或第二差值不等于預設閾值，則繼續執行步驟S32；如果第一差值和第二差值都等于所述預設閾值，則輸出第n代的該最優個體中所攜帶的染色體信息，作為XGBoost最優超參數組合，并將具有最優超參數組合的XGBoost模型輸出為最終的GA-XGBoost模型。

2.如權利要求1所述的一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，其特征在于，根據應變百分比ε設置所述分類標簽，具體設置為：

ε1％時分類標簽為“無大變形”，編碼為0；

1％≤ε≤2.5％時分類標簽為“輕微大變形”，編碼為1；

ε＞2.5％時分類標簽為“中等及以上大變形”，編碼為2。

3.如權利要求1所述的一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，其特征在于，所述預設閾值設為0。

4.如權利要求1所述的一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，其特征在于，所述GA算法迭代參數中，初始種群數量設置為大于2的整數，突變概率設置為0.1-0.001之間的任意值。

5.如權利要求1所述的一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，其特征在于，S31所述XGBoost模型超參數包括：

學習率learning_rate，取值范圍為0.01～1；

弱評估器數量n_estimators，取值范圍為10～1500的整數，指定增量為25；

樹模型最大深度max_depth，取值范圍為1～10的整數，指定增量為1；

葉子節點二階導數和min_child_weight，取值范圍為0.01～10.0；

隨機抽樣抽取的樣本比例subsample，取值范圍為0.01～1.0；

隨機抽取特征的比例colsample_bytree，取值范圍為0.01～1.0。