基于集成树算法的岩石黏聚力和内摩擦角预测方法

摘要

岩石的黏聚力（c）和内摩擦角（φ）是岩石工程设计及稳定性评价的重要参数，其直接测量需通过多组三轴或剪切试验，耗时多且成本高。基于4个易获取的岩石物理力学参数（纵波波速VP、密度ρ、单轴抗压强度UCS和巴西抗拉强度BTS），构建了用于预测c和φ值的智能模型。共收集了199组含不同岩石类型的数据，采用5种集成树算法开发预测模型，使用贝叶斯优化算法对模型的超参数进行优化。模型评估结果表明：构建的模型均具有较好的预测性能，其中极端随机树模型表现最佳（测试R²>0.97）。敏感性分析表明：VP、UCS和BTS对c值的预测结果影响较大，ρ对φ值的预测结果影响较大。研究成果已成功应用于金川矿区，验证了模型的实用性，开发的图形用户界面便于工程技术人员使用。

关键词

黏聚力 / 内摩擦角 / 机器学习 / 集成树算法 / 贝叶斯优化 / 智能预测