基于4种超参数优化算法及随机森林模型预测TBM掘进速度

摘要：

为控制项目成本及规划施工流程,需对隧道掘进机(Tunnel boring machine,TBM)的掘进速度(Rate of penetration,ROP)提供可靠的预测模型.为解决这一问题,大量经验公式或者数值模型已被广泛应用于理论研究和实际工程.虽然其中一些方法具有一定的实用性,但其适用范围限制了相关研究的进一步发展.基于纽约Queens区输水隧道收集的数据,本文提出了一种基于随机森林(Random forest,RF)的预测模型,并结合4种常见的超参数优化算法,即粒子群优化算法(Particle swarm optimization,PSO)、遗传算法(Genetic algorithm,GA)、差分算法(Differential evolution,DE)、贝叶斯优化(Bayesian optimization,BO),在模型开发过程中对超参数进行调整.此外,本文还进行了敏感性分析,以调查每个输入变量的相对重要性.结果 表明:BO-RF模型能以最短的耗时及最高的精度完成对ROP的预测;PSO-RF及GA-RF模型性能基本一致,前者耗时更少;DE-RF模型耗时最多,但没有显著改善模型的性能.敏感性分析结果表明,各输入参数对TBM掘进速度的影响不同,岩石的强度特性是影响最大的因素.

关键词：TBM掘进速度;机器学习;超参数优化;随机森林;粒子群优化;遗传算法;差分进化;贝叶斯优化

所属期刊栏目：29

分类号：O319.56(理论力学（一般力学）)

资助基金：国家重点研发计划"重大自然灾害监测预警与防范"重点专项子课题;国家留学基金资助项目;重庆市建设科技计划项目

在线出版日期：2021-10-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1186-1200