基于过采样和客观赋权法的岩爆预测

作     者：汤志立 王雪 徐千军 TANG Zhili;WANG Xue;XU Qianjun

作者机构：北京京投城市管廊投资有限公司北京100027 桂林市水利局桂林541001 清华大学水沙科学与水利水电工程国家重点实验室北京100084 

出 版 物：《清华大学学报（自然科学版）》 (Journal of Tsinghua University(Science and Technology))

年 卷 期：2021年第61卷第6期

页      面：543-555页

核心收录：

学科分类：081406[工学-桥梁与隧道工程] 08[工学] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

基　　金：“十三五”国家重点研发计划(2017YFC0804602) 国家自然科学基金项目(52090084,51879141) 清华大学水沙科学与水利水电工程国家重点实验室自主科研课题(2019-KY-03) 

主　　题：岩爆预测 机器学习 数据不均衡 过采样 客观赋权法 

摘      要：为解决基于机器学习的岩爆预测中存在的数据不均衡问题,提高模型泛化能力,进而提高岩爆预测性能,该文构建了由246组岩爆案例组成的岩爆预测数据集,优选了单轴抗压强度与单轴抗拉强度之比、最大切应力、最大切向应力与单轴抗压强度之比、单轴抗压强度、单轴抗拉强度、弹性能指数6个常用岩爆等级判别特征。通过引入9种经典机器学习算法,建立了9个考虑多因素的岩爆预测模型,研究了5种过采样方法及5种客观赋权方法对模型预测性能的影响。研究结果表明:数据在过采样处理后,模型准确率提高了11.8%~52.3%、宏平均F_(1)值提高了13.0%~50.0%;随机过采样方法对模型性能提升效果最佳,最能解决数据不均衡问题;随机过采样均衡化数据集后,客观赋权作用因模型而异,只能提升基于极限梯度提升算法、随机森林、决策树、极限树构建的模型的准确率(分别提高1.1%、2.1%、10.7%、12.9%)及宏平均F_(1)值(分别提高1.2%、2.3%、11.8%、12.8%);基于随机过采样的多层感知机算法模型是最优的岩爆预测模型,其准确率及宏平均F_(1)值均最高,分别为0.917、0.920。