基于改进XGBoost算法的深部巷道松动圈智能预测研究

作     者：凡兴禹 王雪林 FAN Xingyu;WANG Xuelin

作者机构：核工业井巷建设集团有限公司浙江湖州313000 

出 版 物：《黄金科学技术》 (Gold Science and Technology)

年 卷 期：2024年第32卷第1期

页      面：109-122页

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

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

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。