亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        TBM凈掘進(jìn)速率預(yù)測(cè)模型及多指標(biāo)評(píng)價(jià)方法研究

        2021-05-19 01:31:52張全太劉泉聲
        煤炭工程 2021年5期
        關(guān)鍵詞:樣本預(yù)測(cè)融合

        張全太,劉泉聲,黃 興

        (1.武漢大學(xué) 土木建筑工程學(xué)院 巖土與結(jié)構(gòu)工程安全湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430072;2.中國(guó)科學(xué)院武漢巖土力學(xué)研究所 巖土力學(xué)與工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430071;3.盾構(gòu)及掘進(jìn)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,河南 鄭州 450001)

        TBM(全斷面隧道掘進(jìn)機(jī))工法具有“安全、施工速度快、環(huán)保、成本低”等優(yōu)點(diǎn)[1],已成為深埋長(zhǎng)大隧(巷)道施工的首選和發(fā)展方向。TBM工法在水利、交通領(lǐng)域隧道建設(shè)已廣泛應(yīng)用,近年來(lái)正在成為我國(guó)煤礦井巷掘進(jìn)的新模式,已成功應(yīng)用于山西大同塔山煤礦主平硐[2]、神華補(bǔ)連塔煤礦斜井、淮南張集煤礦瓦斯抽采巷等井巷的建設(shè)。TBM掘進(jìn)性能預(yù)測(cè)在TBM可掘進(jìn)性評(píng)價(jià)、施工設(shè)計(jì)指導(dǎo)和工期規(guī)劃中具有重要作用,其中凈掘進(jìn)速率(PR)是指TBM一次連續(xù)掘進(jìn)過(guò)程中挖掘長(zhǎng)度與相對(duì)應(yīng)挖掘時(shí)間的比值,可以直觀地描述TBM的掘進(jìn)效率,對(duì)于合理規(guī)劃施工周期和成本估計(jì)具有重要作用。因此,開(kāi)發(fā)TBM凈掘進(jìn)速率預(yù)測(cè)模型在隧(巷)道開(kāi)挖和設(shè)計(jì)工作的早期階段都具有重要意義。

        國(guó)內(nèi)外學(xué)者基于不同的輸入?yún)?shù)和建模方法,已經(jīng)開(kāi)發(fā)了一些PR預(yù)測(cè)模型。在國(guó)內(nèi),溫森等[3]基于美國(guó)紐約皇后輸水隧洞掘進(jìn)數(shù)據(jù)和巖體參數(shù),采用Monte Carlo-BP神經(jīng)網(wǎng)絡(luò)建立了PR預(yù)測(cè)模型;王健等[4]以基于RMR的巖體質(zhì)量評(píng)價(jià)指標(biāo)為輸入?yún)?shù),通過(guò)統(tǒng)計(jì)回歸分析方法建立了PR預(yù)測(cè)模型;閆長(zhǎng)斌等[5]以圍巖力學(xué)參數(shù)和巖體指標(biāo)參數(shù)為輸入,通過(guò)統(tǒng)計(jì)回歸分析方法建立了TBM凈掘進(jìn)速率預(yù)測(cè)模型。在國(guó)外,美國(guó)科羅拉多礦業(yè)學(xué)院基于室內(nèi)切割試驗(yàn)數(shù)據(jù),采用回歸分析方法開(kāi)發(fā)了CSM模型[6];挪威科技大學(xué)基于大量的TBM隧道施工性能數(shù)據(jù)和地質(zhì)資料,對(duì)巖體參數(shù)和機(jī)器參數(shù)進(jìn)行回歸分析后得到了NTNU模型[7];Yagiz等基于美國(guó)紐約皇后隧道數(shù)據(jù),采用了統(tǒng)計(jì)回歸分析[8]、人工神經(jīng)網(wǎng)絡(luò)[9]、粒子群算法[10]等建立了PR預(yù)測(cè)模型。

        國(guó)內(nèi)外學(xué)者雖然基于不同的輸入?yún)?shù)和建模方法對(duì)PR預(yù)測(cè)進(jìn)行了研究,但仍然存在一些不足,主要表現(xiàn)在:建模方法單一,無(wú)法對(duì)比不同方法建立模型的優(yōu)劣,難以得到最優(yōu)模型;人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)模型超參數(shù)的選取依賴(lài)人為經(jīng)驗(yàn),模型性能優(yōu)劣隨機(jī)性較大;基于人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)建立的模型算法單一,缺乏與其他算法融合優(yōu)化。此外,目前在不同模型的多指標(biāo)綜合評(píng)價(jià)中常用的“排名法”僅能實(shí)現(xiàn)定性比較,無(wú)法實(shí)現(xiàn)更為細(xì)致的定量評(píng)價(jià)。因此,本文基于文獻(xiàn)[11]中馬來(lái)西亞Pahang-Selangor隧洞的樣本數(shù)據(jù),分別采用統(tǒng)計(jì)回歸分析、人工神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)方法建立11個(gè)PR預(yù)測(cè)模型,在人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)方法中融合貝葉斯算法對(duì)模型超參數(shù)進(jìn)行自動(dòng)優(yōu)化選??;然后將人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法與集成學(xué)習(xí)算法融合建立6個(gè)多算法融合的PR預(yù)測(cè)模型。最后提出一種新的歸一多指標(biāo)模型評(píng)價(jià)方法(歸一法),同時(shí)使用已有的排名法和新提出的歸一法對(duì)所有模型進(jìn)行多指標(biāo)綜合評(píng)價(jià),根據(jù)評(píng)價(jià)結(jié)果對(duì)比分析排名法和歸一法的效果。研究成果為合理評(píng)估TBM隧(巷)道施工周期,預(yù)估工程成本提供了理論依據(jù)。

        1 基于SRA的預(yù)測(cè)模型

        1.1 數(shù)據(jù)來(lái)源

        由于TBM掘進(jìn)速度快,監(jiān)測(cè)環(huán)境復(fù)雜,巖體參數(shù)獲取困難、獲取數(shù)據(jù)量有限,而文獻(xiàn)[11]公開(kāi)發(fā)表了詳細(xì)的巖體參數(shù)和TBM掘進(jìn)數(shù)據(jù),因此本研究擬基于文獻(xiàn)[11]公開(kāi)發(fā)表的馬來(lái)西亞Pahang-Selangor隧道數(shù)據(jù)展開(kāi)研究。收集的數(shù)據(jù)分為兩類(lèi):一是從現(xiàn)場(chǎng)測(cè)試和TBM設(shè)備收集,包括巖石質(zhì)量指標(biāo)(Rock Quality Designation,RQD)、巖石質(zhì)量評(píng)級(jí)(Rock Mass Rating,RMR)、巖石風(fēng)化程度(Degree of Rock Weathering,WZ)、TBM推力(Thrust Force,TF)和TBM刀盤(pán)轉(zhuǎn)速(Revolutions Per Minute,RPM);二是實(shí)驗(yàn)室測(cè)試,包括巖石單軸抗壓強(qiáng)度(Uniaxial Compressive Strength,UCS)和巴西劈裂強(qiáng)度(Brazilian Tensile Strength,BTS)。每10m收集一次數(shù)據(jù),共計(jì)100組數(shù)據(jù),其中新鮮巖石53組,輕微風(fēng)化巖石28組,中度風(fēng)化巖石19組,數(shù)據(jù)類(lèi)型覆蓋較全面。在后續(xù)建模過(guò)程中,新鮮、輕微風(fēng)化和中度風(fēng)化巖石分別用1、2和3表示。

        1.2 一元線性回歸預(yù)測(cè)模型

        對(duì)各個(gè)變量與PR進(jìn)行一元回歸分析,得到一元線性回歸模型,見(jiàn)表1。由表1可知,PR與RQD、UCS、RMR和BTS呈負(fù)相關(guān),與WZ、TF和RPM呈正相關(guān),各個(gè)變量與PR的相關(guān)程度由高到低依次為UCS、TF、BTS、RMR、RQD、RPM和WZ。

        表1 一元線性回歸模型

        1.3 多元線性回歸預(yù)測(cè)模型

        為便于進(jìn)行多元線性回歸分析,對(duì)上述7個(gè)參數(shù)進(jìn)行線性化處理[12],即令RQD′=PRRQD、UCS′=PRUCS、RMR′=PRRMR、BTS′=PRBTS、WZ′=PRWZ、TF′=PRTF和RPM′=PRRPM得到線性化后的數(shù)據(jù)。假設(shè)線性化后的各參數(shù)與PR的函數(shù)關(guān)系為:

        PRALL=a0+a1·RQD′+a2·UCS′+a3·RMR′+

        a4·BTS′+a5·WZ′+a6·TF′+a7·RPM′

        (1)

        式中,a0、a1、a2、a3、a4、a5、a6、a7為回歸系數(shù)。

        根據(jù)式(1)對(duì)線性化后的數(shù)據(jù)進(jìn)行擬合,得到多元線性回歸預(yù)測(cè)模型為:

        PRALL=-0.32849+0.18519·RQD′+0.34488·

        UCS′+0.20269·RMR′+0.10743·BTS′-0.20825·

        WZ′+0.41776·TF′+0.0883·RPM′

        (2)

        將表1的線性化變換公式代入式(2)得到多元線性回歸預(yù)測(cè)模型為:

        PRALL=3.34332-0.00296·RQD-0.00458·

        UCS-0.00691·RMR-0.02082·BTS-0.08002·

        WZ+0.00145·TF+0.00363·RPM

        (3)

        基于式(3)得到的PR預(yù)測(cè)值與實(shí)測(cè)值對(duì)比分析,如圖1所示。多元線性回歸模型預(yù)測(cè)值與實(shí)測(cè)值的決定系數(shù)為0.924,相關(guān)系數(shù)為0.961,表明該模型具有良好的預(yù)測(cè)能力。

        圖1 多元線性回歸模型預(yù)測(cè)值與實(shí)測(cè)值統(tǒng)計(jì)分析

        2 基于ANN和ML的預(yù)測(cè)模型

        2.1 模型超參數(shù)的貝葉斯優(yōu)化方法

        超參數(shù)對(duì)人工智能和機(jī)器學(xué)習(xí)模型預(yù)測(cè)性能的優(yōu)劣具有重要影響,且不少超參數(shù)為連續(xù)超參數(shù),通過(guò)人工試算的方法難以選取合適的值。

        目前常用的超參數(shù)優(yōu)化方法有網(wǎng)格搜索法[13]、隨機(jī)搜索法和貝葉斯優(yōu)化。網(wǎng)格搜索法對(duì)所有的超參數(shù)取值組合進(jìn)行測(cè)試,尋找優(yōu)化的超參數(shù),適用于離散超參數(shù)的優(yōu)化;隨機(jī)搜索是在給定搜索空間中隨機(jī)選取超參數(shù)組合進(jìn)行測(cè)試,優(yōu)化得到的結(jié)果隨機(jī)性較強(qiáng);貝葉斯優(yōu)化在給定的搜索空間中先隨機(jī)選擇幾組超參數(shù)進(jìn)行初始測(cè)試,根據(jù)測(cè)試結(jié)果建立超參數(shù)組合與優(yōu)化目標(biāo)的映射關(guān)系,用于指導(dǎo)下一組超參數(shù)的選擇。每一組超參數(shù)測(cè)試結(jié)束后都會(huì)用于修正映射關(guān)系,使得到的下一組超參數(shù)優(yōu)化效果更好。因此本文將貝葉斯算法與人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法融合,優(yōu)化模型超參數(shù)。應(yīng)當(dāng)注意的是,模型超參數(shù)優(yōu)化空間的復(fù)雜度隨優(yōu)化個(gè)數(shù)的增加呈指數(shù)增加。應(yīng)當(dāng)選擇對(duì)模型性能有重要影響的超參數(shù)進(jìn)行優(yōu)化,一般不超過(guò)三個(gè),避免優(yōu)化結(jié)果陷入局部最小值。

        2.2 基于ANN的PR預(yù)測(cè)模型

        ANN是指由大量的處理單元(神經(jīng)元)互相連接而形成的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)[14],對(duì)于復(fù)雜的函數(shù)關(guān)系具有良好的擬合能力。根據(jù)Komogorov定理和Hornik存在性定理,含有一個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)可以精確實(shí)現(xiàn)任意連續(xù)函數(shù),且隱含層個(gè)數(shù)增加容易造成模型過(guò)擬合。因此本文建立一個(gè)三層的ANN模型,輸入層包含7個(gè)神經(jīng)元,輸出層包含1個(gè)神經(jīng)元。ANN中對(duì)模型收斂速度和預(yù)測(cè)效果影響最大的兩個(gè)超參數(shù)是隱含層神經(jīng)元個(gè)數(shù)N和學(xué)習(xí)率lr,對(duì)這兩個(gè)超參數(shù)進(jìn)行優(yōu)化選取,隱含層神經(jīng)元個(gè)數(shù)優(yōu)化空間為[5,20]內(nèi)的整數(shù),學(xué)習(xí)率的優(yōu)化空間為(0,1)。優(yōu)化過(guò)程如圖2所示,最終取得優(yōu)化超參數(shù)N=17,lr=0.061?;谏鲜龀瑓?shù)建立ANN模型。

        圖2 ANN超參數(shù)優(yōu)化過(guò)程

        2.3 基于ML的預(yù)測(cè)模型

        支持向量回歸是在支持向量機(jī)中引入核函數(shù)用來(lái)解決回歸問(wèn)題,該模型可以解決樣本數(shù)量較少時(shí)的機(jī)器學(xué)習(xí)問(wèn)題,且對(duì)于非線性、高維度問(wèn)題具有較好的擬合能力[15]。分類(lèi)與回歸樹(shù)既可用于分類(lèi)問(wèn)題,也可用于回歸問(wèn)題[16],在每個(gè)節(jié)點(diǎn)通過(guò)一個(gè)特征的選擇進(jìn)行分類(lèi)或回歸,計(jì)算復(fù)雜度較低,對(duì)中間缺失值不敏感,且模型的可解釋性較強(qiáng)。

        支持向量回歸中不敏感損失系數(shù)ε決定回歸函數(shù)對(duì)樣本數(shù)據(jù)的不敏感區(qū)域的寬度;懲罰系數(shù)C反映了算法對(duì)超出ε的樣本數(shù)據(jù)的懲罰程度,其值影響模型的復(fù)雜性和穩(wěn)定性。對(duì)上述兩個(gè)超參數(shù)進(jìn)行優(yōu)化選取,優(yōu)化空間均為(0,1)。優(yōu)化過(guò)程如圖3所示,最終取得優(yōu)化超參數(shù)C=0.543,ε=0.278?;谏鲜龀瑓?shù)建立SVR模型。

        圖3 SVR超參數(shù)優(yōu)化過(guò)程

        分類(lèi)與回歸樹(shù)中樹(shù)的最大深度max_depth對(duì)模型的復(fù)雜程度和預(yù)測(cè)精度具有重要影響,對(duì)該參數(shù)進(jìn)行優(yōu)化,優(yōu)化空間為[5,20]內(nèi)的整數(shù)。優(yōu)化過(guò)程如圖4所示,最終取得優(yōu)化超參數(shù)max_depth=8?;谏鲜龀瑓?shù)建立CART模型。

        圖4 CART超參數(shù)優(yōu)化過(guò)程

        2.4 多算法融合模型

        Bagging(套袋算法)通過(guò)平均的思想改善了模型的泛化誤差,使預(yù)測(cè)結(jié)果出現(xiàn)較大誤差的概率降低。該算法以有放回的方法從樣本集中隨機(jī)抽取一定數(shù)量的樣本組成子訓(xùn)練集,用k個(gè)子訓(xùn)練集分別訓(xùn)練得到k個(gè)弱學(xué)習(xí)器,各個(gè)弱學(xué)習(xí)器獨(dú)立預(yù)測(cè),按一定權(quán)重將各個(gè)弱學(xué)習(xí)器預(yù)測(cè)結(jié)果加權(quán)求和得到最終的預(yù)測(cè)結(jié)果。AdaBoost(自適應(yīng)提升算法)通過(guò)在迭代訓(xùn)練過(guò)程中重點(diǎn)學(xué)習(xí)預(yù)測(cè)誤差較大的樣本以提高預(yù)測(cè)精度。該算法在訓(xùn)練過(guò)程中對(duì)于預(yù)測(cè)誤差較大的樣本賦予更大的權(quán)重,使其在下一次訓(xùn)練時(shí)被弱學(xué)習(xí)器給予更多關(guān)注,提高該樣本的預(yù)測(cè)準(zhǔn)確率,最終訓(xùn)練得到多個(gè)弱學(xué)習(xí)器,按一定權(quán)重將各個(gè)弱學(xué)習(xí)器預(yù)測(cè)結(jié)果加權(quán)求和得到最終的預(yù)測(cè)結(jié)果。

        將上述的套袋算法和自適應(yīng)提升算法,分別與ANN、SVR和CART算法融合,建立Bag-ANN、Bag-SVR、Bag-CART、Ada-ANN、Ada-SVR和Ada-CART多算法融合模型,融合模型中弱學(xué)習(xí)器個(gè)數(shù)均設(shè)為10,ANN、SVR和CART的超參數(shù)均采用2.2和2.3節(jié)融合了貝葉斯算法得到的優(yōu)化超參數(shù)。

        3 預(yù)測(cè)模型的多指標(biāo)綜合評(píng)價(jià)及對(duì)比分析

        3.1 預(yù)測(cè)模型測(cè)試及多指標(biāo)綜合評(píng)價(jià)

        本文的樣本集包含100個(gè)樣本,在ANN和ML模型中為保證訓(xùn)練和測(cè)試樣本集不同,且訓(xùn)練集具有足夠的訓(xùn)練樣本,每次將99個(gè)樣本設(shè)為訓(xùn)練集,剩余1個(gè)樣本設(shè)為測(cè)試集,循環(huán)100次,并計(jì)算各個(gè)模型的評(píng)價(jià)指標(biāo)均方誤差(Mean Square Error,MSE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)、平均絕對(duì)百分誤差(Mean Absolute Percentage Error,MAPE)、決定系數(shù)R2和相關(guān)系數(shù)r。

        對(duì)于一個(gè)模型,R2和r越接近1,MSE、MAE和MAPE越小說(shuō)明模型預(yù)測(cè)能力越好,不同指標(biāo)評(píng)價(jià)模型預(yù)測(cè)能力的傾向不一致(傾向性一致是指模型預(yù)測(cè)能力越好,評(píng)價(jià)指標(biāo)越大的傾向),因此本文對(duì)MSE、MAE和MAPE做如下變換:

        回歸模型中不同評(píng)價(jià)指標(biāo)的側(cè)重方面不同,單一指標(biāo)對(duì)不同模型的評(píng)價(jià)缺乏全面性,因此需要對(duì)不同模型進(jìn)行多指標(biāo)綜合評(píng)價(jià)。Zorlu等[17]學(xué)者于2008年提出的排名法是目前常用的多指標(biāo)綜合評(píng)價(jià)方法,其流程為:①對(duì)M個(gè)模型同一評(píng)價(jià)指標(biāo)i分別進(jìn)行排名;②將同一模型的m個(gè)不同評(píng)價(jià)指標(biāo)排名相加作為該模型的多指標(biāo)評(píng)價(jià)排名,如圖5所示。基于排名法得到各個(gè)模型的評(píng)價(jià)結(jié)果見(jiàn)表2。

        圖5 排名法

        表2 排名法評(píng)價(jià)結(jié)果

        3.2 新型歸一多指標(biāo)模型評(píng)價(jià)方法

        對(duì)于排名法,如果模型1的A、B指標(biāo)比模型2的A、B指標(biāo)好,但相差不大,而模型2的C指標(biāo)比模型1的C指標(biāo)好,且相差較大,排名法的結(jié)果為模型1優(yōu)于模型2。但實(shí)際情況,更傾向于模型2優(yōu)于模型1。造成上述問(wèn)題的原因在于排名法僅能考慮同一評(píng)價(jià)指標(biāo)的相對(duì)大小關(guān)系,忽略了同一評(píng)價(jià)指標(biāo)差值大小對(duì)模型評(píng)價(jià)的影響,因此容易造成模型評(píng)價(jià)不準(zhǔn)確。

        圖6 歸一法

        歸一法得到各個(gè)模型的評(píng)價(jià)結(jié)果見(jiàn)表3。對(duì)比表2和表3可以發(fā)現(xiàn),兩種方法對(duì)各個(gè)模型的評(píng)價(jià)排名基本一致,表明本文提出的歸一法是合理的。排名法評(píng)價(jià)結(jié)果(表2)中模型13和16排名均為10,模型7和9排名均為15,表明排名法對(duì)于性能差別不大的模型無(wú)法精確評(píng)價(jià);而歸一法評(píng)價(jià)結(jié)果(表3)中模型13排名為10,模型16排名為11,模型7排名為15,模型9排名16,表明歸一法相較于排名法對(duì)于性能差別不大的模型也可以精確識(shí)別。歸一法優(yōu)于排名法的原因主要在于歸一法不僅考慮了不同模型同一評(píng)價(jià)指標(biāo)的相對(duì)大小關(guān)系,同時(shí)也考慮了同一評(píng)價(jià)指標(biāo)差值大小對(duì)模型評(píng)價(jià)的影響,而排名法僅能考慮前者。因此,歸一法相較于排名法對(duì)各個(gè)模型的多指標(biāo)綜合評(píng)價(jià)更加準(zhǔn)確細(xì)致。

        表3 歸一法評(píng)價(jià)結(jié)果

        3.3 PR預(yù)測(cè)模型對(duì)比分析

        從整體來(lái)看,基于SRA建立的模型具有明確的函數(shù)關(guān)系,屬于“白箱子”模型,易于分析各個(gè)變量對(duì)PR的影響,模型可解釋性較強(qiáng);基于ANN、ML和多算法融合建立的模型屬于“黑箱子”模型,可解釋性較差,但預(yù)測(cè)精度較高。

        基于SRA建立的模型中一元回歸模型的預(yù)測(cè)能力均較低,多元回歸模型比基于RQD、WZ、RPM建立的一元回歸模型預(yù)測(cè)能力好,比基于UCS、RMR、BTS、TF建立的一元回歸模型預(yù)測(cè)能力差。一元線性回歸模型形式簡(jiǎn)單,應(yīng)用要求低,適用于僅獲取了個(gè)別參數(shù)而又需要對(duì)PR進(jìn)行預(yù)測(cè)評(píng)估的情況,但對(duì)于參數(shù)的準(zhǔn)確獲取要求較高,否則容易造成較大誤差;多元回歸預(yù)測(cè)模型需要的參數(shù)較多,但預(yù)測(cè)準(zhǔn)確性及對(duì)單個(gè)變量測(cè)量的容錯(cuò)性均較高。

        基于ANN、ML和多算法融合建立的模型中多算法融合對(duì)于ANN和CART模型預(yù)測(cè)能力均有提升,且對(duì)ANN模型預(yù)測(cè)能力提升明顯,表明多算法融合相較于單一算法具有明顯優(yōu)勢(shì),在應(yīng)用人工智能方法解決土木工程中的問(wèn)題時(shí)應(yīng)注重結(jié)合不同算法的優(yōu)勢(shì),提高應(yīng)用效果。由表2及表3可知,預(yù)測(cè)性能最好的模型為Bag-CART,其次是Ada-CART,第三是CART,表明本文建立的17個(gè)模型中,CART模型和基于CART的多算法融合模型最適合于PR預(yù)測(cè)。

        基于CART模型對(duì)7個(gè)輸入?yún)?shù)的重要性進(jìn)行了打分和排序,將結(jié)果和2.2節(jié)輸入?yún)?shù)相關(guān)性排序列于表4??梢?jiàn),基于統(tǒng)計(jì)回歸分析方法和基于機(jī)器學(xué)習(xí)方法對(duì)輸入?yún)?shù)的重要性排序基本一致。

        表4 CART模型輸入?yún)?shù)重要性打分及排序

        4 結(jié) 論

        基于馬來(lái)西亞Pahang-Selangor隧洞100組巖體和TBM掘進(jìn)參數(shù),采用SRA、ANN、ML和多算法融合方法建立了17個(gè)PR預(yù)測(cè)模型,并提出了一種新的歸一多指標(biāo)綜合評(píng)價(jià)方法用于選擇最優(yōu)模型,主要得到以下結(jié)論:

        1)TBM凈掘進(jìn)速率一元回歸模型預(yù)測(cè)能力由高到低依次為PRUCS、PRTF、PRBTS、PRRMR、PRRQD、PRRPM和PRWZ,但從整體來(lái)看,一元回歸模型的預(yù)測(cè)能力均較低;多元回歸模型比基于RQD、WZ、RPM建立的一元回歸模型預(yù)測(cè)能力好,比基于UCS、RMR、BTS、TF建立的一元回歸模型預(yù)測(cè)能力差。

        2)多算法融合對(duì)于ANN和CART模型預(yù)測(cè)能力均有提升,且對(duì)ANN模型預(yù)測(cè)能力提升較為明顯,但多算法融合也導(dǎo)致SVR模型預(yù)測(cè)能力略微降低;在本文建立的17個(gè)模型中,CART模型和多算法融合模型Bag-CART和Ada-CART的預(yù)測(cè)能力更好,更適用于PR預(yù)測(cè)。

        3)本文提出的歸一法通過(guò)“評(píng)價(jià)指標(biāo)傾向一致性轉(zhuǎn)換、歸一化、求和、排序”等步驟實(shí)現(xiàn)了多模型定量地多指標(biāo)綜合評(píng)價(jià),與Zorlu等提出的排名法相比,不僅考慮了不同模型同一評(píng)價(jià)指標(biāo)的相對(duì)大小關(guān)系,也考慮了同一評(píng)價(jià)指標(biāo)差值大小對(duì)模型評(píng)價(jià)的影響。

        4)本文建立的凈掘進(jìn)速率(PR)預(yù)測(cè)模型對(duì)于TBM掘進(jìn)性能預(yù)測(cè)、合理評(píng)估TBM隧(巷)道施工周期、預(yù)估工程成本具有重要的借鑒和指導(dǎo)意義;提出的歸一法實(shí)現(xiàn)了模型多指標(biāo)綜合評(píng)價(jià)從定性分析到定量分析,對(duì)于準(zhǔn)確細(xì)致識(shí)別不同模型的預(yù)測(cè)性能具有重要意義。

        猜你喜歡
        樣本預(yù)測(cè)融合
        無(wú)可預(yù)測(cè)
        黃河之聲(2022年10期)2022-09-27 13:59:46
        選修2-2期中考試預(yù)測(cè)卷(A卷)
        選修2-2期中考試預(yù)測(cè)卷(B卷)
        村企黨建聯(lián)建融合共贏
        融合菜
        用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
        從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
        《融合》
        推動(dòng)醫(yī)改的“直銷(xiāo)樣本”
        不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
        亚洲国产成人久久精品美女av| 亚洲av无码乱码国产精品fc2| 久久噜噜噜| 一本久久综合亚洲鲁鲁五月夫| av在线免费观看大全| 国产精品刮毛| 欧韩视频一区二区无码| 亚洲国产精品免费一区| 亚洲精品一区二区高清| 国产欧美日韩综合精品一区二区| 国产精品久久国产精麻豆99网站| 日本肥老熟妇在线观看| 风流熟女一区二区三区| 国产免费艾彩sm调教视频| japanesehd中国产在线看| 亚洲最新偷拍网站| 丰满人妻中文字幕乱码| 中文字幕av长濑麻美| 97无码免费人妻超级碰碰夜夜| 欧美性福利| 日韩av一区二区三区在线观看| 狠狠综合久久av一区二区蜜桃| 国产真实夫妇视频| 国产亚洲美女精品久久| 日本在线一区二区免费| 日韩精品中文一区二区三区在线| 玩弄放荡人妻少妇系列视频| 欧美日韩精品一区二区三区高清视频| 亚洲中文字幕乱码免费看| 精品亚洲a∨无码一区二区三区| a级国产乱理论片在线观看| WWW拍拍拍| 婷婷色精品一区二区激情| 免费看美女被靠的网站| 亚洲另类欧美综合久久图片区| 中文字幕亚洲精品综合| 亚洲av香蕉一区区二区三区| 99久久综合狠狠综合久久| 一区二区亚洲 av免费| 亚洲av无码精品无码麻豆| 午夜丰满少妇性开放视频|