基于改进XGBoost算法的深部巷道松动圈智能预测研究

摘要

深部巷道爆破开挖后由于爆炸冲击和原位应力动态卸载耦合作用，围岩内不可避免地产生松动圈，进而影响结构的稳定性，因此对松动圈厚度进行超前预测显得非常重要。依托多座地下矿山松动圈测试作为研究对象，共获取300组有效数据样本。采用4种主流的超参数优化算法，即遗传算法（GA）、灰狼优化算法（GWO）、粒子群优化算法（PSO）和樽海鞘算法（SSA）对XGBoost算法进行优化，并以此构建4种松动圈预测混合模型。采用R²、RMSE、MAE和MAPE指标对预测模型的性能进行对比分析，并开展松动圈厚度参数的敏感性分析。最后，将最优的PSO-XGBoost模型应用于地下矿山运输巷道进行工程验证。结果表明：在群体规模分别为90、70、60和100时，GA-XGBoost、GWO-XGBoost、PSO-XGBoost和SSA-XGBoost模型取得了最佳的预测表现。其中，PSO-XGBoost模型在训练集和测试集中的相关系数分别为0.9244和0.8787，具有最佳的预测性能。相比基准模型（XGBoost、RF、SVM和LightGBM），优化后模型松动圈的预测精度和性能均得到显著提升。巷道当量直径（TD）和围岩地质强度指标（GSI）对松动圈厚度的影响最为显著，垂直主应力也具有明显的影响。优化后的XGBoost模型在实际工程中的应用结果显示实测值与预测值误差在10%以内，PO-XGBoost具有工程应用价值。

关键词

松动圈 / 深部巷道 / 机器学习 / 人工智能 / 地应力 / 优化XGBoost算法