基于EO-LightGBM融合模型的边坡稳定性预测方法研究

摘要

边坡稳定性预测是确保边坡工程安全、经济和环保的关键环节。通过一系列数据对边坡的稳定性状态进行预测，不仅避免了进行复杂的计算，还能更好地了解边坡的稳定情况。基于此，本文提出了一种基于EO-LightGBM模型的边坡稳定性预测方法，并通过学习边坡的重度、内聚力、摩擦角、边坡角、边坡高度、孔隙压力比这6个特征和稳定性状态之间的关系，实现对边坡稳定性的预测。此外，通过与其他模型的对比研究，验证了本文所提出的EO-LightGBM模型的可靠性。研究结果表明：使用EO优化后的LightGBM模型误判率更低，具有更高的准确性，可以更好地预测边坡的稳定性状态；同时也将为建立基于数据驱动的边坡稳定性智能决策控制平台提供参考。

关键词

边坡稳定性 / 融合模型 / 机器学习 / 智能预测 / 数据驱动

基金资助

国家自然科学基金(编号：42167052)