[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

本發明涉及隧道變形監測技術領域，公開了一種基于GA?XGBoost模型的隧道圍巖擠壓變形預測方法，為了實現該方法，提出了一種科學合理的指標體系，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；方法包括步驟一，獲取待測隧道的工程數據，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，將工程數據輸入到預先搭建的GA?XGBoost模型；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。對比其它模型，GA?XGBoost模型的模型復雜程度和模型性能具有足夠的先進性；對比其它調參方法，GA調參在效率與準確度兩個方面效果更佳。

技術領域

本發明涉及隧道變形監測技術領域，特別涉及一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法。

背景技術

隧道圍巖擠壓變形是發生在隧道掌子面后方的一種與時間相關的非線性變形行為，在工程實踐過程中表現為隧道圍巖向已開挖空間侵入顯著，隧道擠壓變形問題，嚴重制約隧道施工進度，增加施工成本,甚至威脅隧道施工安全。因此，為了可靠、有效的對隧道擠壓變形預測，需要借助機器學習模型優異的數據分析能力來進行隧道擠壓變形的預測與分類。在隧道圍巖擠壓變形分類方面，決策樹(DT)、貝葉斯網絡(BN)、二元邏輯回歸BLR、神經網絡ANN、支持向量機SVM等機器學習模型都在隧道擠壓變形方面進行了應用研究，驗證了機器學習方法可能是解決隧道擠壓變形預測的有用工具，而機器學習預測模型受限于預測模型的自身缺陷，如神經網絡結構易使結果易陷入局部極小值的缺陷，支持向量機不能為給定的模式提供后驗概率，可能會導致結果的準確率極低等，一些更為先進的機器學習模型如極限梯度提升算法XGBoost，借助自身處理速度快、內置交叉驗證、控制過擬合效果好等優點，逐漸在各行業領域取得了成功應用。但是，XGBoost模型缺點在于超參數過多，人為調參很大程度上不是最優解，因此如何正確的設置超參數成為了發揮XGBoost模型上限亟待解決的問題。

發明內容

本發明的目的在于克服應用于隧道圍巖擠壓變形預測領域時XGBoost模型缺超參數過多、人為調參不準確的不足，提出了借助遺傳算法實現對XGBoost模型超參數自動尋優的方法，提供了一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法。

一種基于GA-XGBoost模型的隧道圍巖擠壓變形預測方法，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、隧道圍巖輕微大變形或隧道圍巖中等及以上大變形；

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。

優選的，根據應變百分比ε設置所述分類標簽，具體設置為：

ε＜1％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；