基于PSO-KELM-AdaBoost模型的边坡稳定性预测

摘要

为提高边坡安全系数预测精度，本文提出一种基于粒子群优化核极限学习机结合AdaBoost算法（particle swarm optimization-kernel extreme learning machine-adaptive boosting, PSO-KELM-AdaBoost）的边坡稳定性预测模型。该模型通过粒子群算法优化核极限学习机的核参数和正则化系数，并结合AdaBoost（adaptive boosting）算法增强模型的泛化能力，进而提升预测精度。本文收集并处理173组边坡数据，边坡稳定性特征指标包括坡体重度、黏聚力、内摩擦角、边坡角、边坡高度和孔隙压力比，以边坡安全系数作为预测模型的输出指标，用于训练和测试本文模型。研究结果显示，本文模型的平均绝对误差（mean absolute error, MAE）、均方根误差（root mean square error, RMSE）和判定系数R²分别为0.080 9、0.107 7和0.803 0,其性能指标上优于核极限学习机（kernel extreme learning machine, KELM）、极限梯度提升（extreme gradient boosting, XGBoost）、核极限学习机-AdaBoost算法（KELM-AdaBoost）和粒子群优化-支持向量机（particle swarm optimization-support vector machine, PSO-SVM）4种模型，证明该模型在降低误差和提高预测精度方面的优势。该模型可对不同地质条件下的边坡安全系数进行准确预测，最大误差为4.67%,最小误差为0.08%,可为边坡设计和风险管理提供可靠的参考依据。

关键词

边坡稳定性 / 安全系数 / 粒子群优化 / 核极限学习机 / AdaBoost算法