深埋长大隧道地温预测的机器学习算法对比研究
作者机构:中国地质大学(武汉)地质调查研究院 中铁第一勘察设计院集团有限公司
出 版 物:《安全与环境工程》 (Safety and Environmental Engineering)
年 卷 期:2024年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081406[工学-桥梁与隧道工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程]
主 题:隧道热害 隧道安全 线性回归 随机森林(RF) 支持向量机(SVM) 人工神经网络(ANN) 特征选择
摘 要:地热对隧道施工、工程结构及运营安全等均有较大的危害,随着我国基础设施建设布局西移,隧道建设的地质条件愈发复杂,隧道埋深、长度加大,隧道施工期高温热害问题频发。针对传统地温预测方法中预测精度不高、数据运用不充分,单一机器学习模型解译性差等问题,以A隧道为研究对象,将决策树(decision tree,DT)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)进行耦合,提出了基于DT-SVM-RF模型的深埋隧道地温预测方法。在分析综合测井、航空物探、岩石物理实验数据后,选取深度、声波波速等10个影响因子作为模型的输入,采用随机交叉验证和空间交叉验证对模型的鲁棒性、泛化能力进行检验,构建LASSO回归、随机森林、互信息3种回归模型,分析10个影响因子的特征重要性排列。结果表明:在测试集上多元线性回归、支持向量机、人工神经网络和决策树-支持向量机-随机森林(decision tree - support vector machine - random forest,DT-SVM-RF)模型决定系数(R2)分别为0.76、0.91、0.88、0.93,均方误差MSE分别为17.64、6.25、8.46、5.2,DT-SVM-RF模型具有相对更优的预测性能,深度、岩石导温系数、岩石导热系数、最大水平主应力特征较为重要,说明DT-SVM-RF模型能有效地提高地温预测的准确率。研究结果为类似隧道地温预测提供一种精度更高的可行新思路。