基于集成学习与贝叶斯优化的岩石抗压强度预测

Prediction for Rock Compressive Strength Based on Ensemble Learning and Bayesian Optimization

摘要

岩石抗压强度是评估岩体工程稳定性的重要力学参数，传统统计回归方法对于岩石抗压强度预测存在一定的局限性.为此，提出了一种利用简单岩石力学参数实现岩石抗压强度智能预测的方法，首先收集了620组含不同类型岩石的三轴试验数据，然后分别采用随机森林（Random Forest，RF）、极限梯度提升树（XGBoost，XGB）和轻量梯度提升机（LightGBM，LGB）3种主流的集成学习算法建立了岩石抗压强度预测模型，使用贝叶斯优化算法在模型训练过程中进行超参数优化，最后利用决定系数（R ²）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）对优化后模型的泛化能力进行了综合评估和对比分析.此外，利用LGB模型对输入特征进行重要性分析，以评估不同输入特征对模型泛化性能的影响重要程度.研究结果表明：所建立的3种模型对岩石抗压强度均取得了较好的预测结果，其中LGB模型泛化性能优于另外两种模型（R ²=0.978， RMSE=5.58，MAPE=9.70%），且运行耗时相对最少.弹性模量（E）、围压（σ ₃）和密度（ρ）对模型的泛化性能影响较大，泊松比（v）影响较小.提出的预测模型对于岩石抗压强度预测有良好的适用性，为机器学习与岩土工程的结合提供了新的思路.

关键词

岩石强度 / 集成学习 / 贝叶斯优化 / 随机森林 / 极限梯度提升树 / 轻量梯度提升机 / 工程地质

Key words

rock strength / ensemble learning / Bayesian optimization / random forest / XGBoost / LightGBM / engineering geology

基金资助

国家自然科学基金项目(41977238;51978634)

河南省自然科学基金青年基金项目(232300421331)

河南省高等学校重点科研项目(23A440005)