[发明专利]一种基于TSP预报数据与XGBoost算法的围岩等级预测方法

说明书

本发明属于隧道TSP超前地质预报技术领域。一种基于TSP预报数据与XGBoost算法的围岩等级预测方法，包括如下步骤：(1)获取围岩等级预测模型所需的样本特征数据；(2)收集样本特征数据，对样本特征数据进行预处理和特征工程构建，输出训练数据集；(3)构建基于XGBoost的围岩等级预测模型，运用XGBoost算法训练，模型调参；(4)模型性能评估：根据检验指标评估模型的准确性；(5)过拟合检验：围岩等级预测模型通过过拟合检验后可进行工程实例应用。本发明以TSP超前地质预报技术探测结果为基础，建立基于XGBoost的围岩等级预测模型，能够实现对超前岩体的围岩等级划分，预测精度高。

技术领域

本发明属于隧道TSP超前地质预报技术领域，具体涉及一种基于TSP预报数据与XGBoost算法的围岩等级预测方法。

背景技术

进入21世纪以来，借助交通运输行业的迅猛发展，隧道的建设规模日益庞大。在这其中，公路隧道由于自身的工程特点，愈发面临项目地点偏远化、地质条件复杂化以及修建距离特长化的趋势。基于以上三点，除设计阶段给出的围岩分级之外，在隧道施工阶段中常常面临围岩动态分级的困难与挑战，而传统的围岩分级方法，如BQ法、RMR法、Q值法等量化分级方法，由于其计算所必需的单轴抗压强度、完整性系数等参数往往需要现场或室内试验来获取，因此在隧道施工阶段进行应用具有较大的局限性。至于一些模糊数学模型，如正态云理论、可拓理论等，虽然在围岩分级方面得到了一定程度的应用，但面临指标权重赋值主观性高、预见性不足等缺点。

随着机器学习在数据分析方面的具有赋值客观、处理高效、使用简便等特点，将其应用于隧道围岩动态分级的研究逐渐成为趋势。但不可避免的，不同机器学习方法同样存在自身的局限性，如神经网络(ANN)训练精度必须基于大样本数据，且容易出现过拟合现象；支持向量机(SVM)虽然可以处理小样本问题，但其本身核函数及其参数等难以确定；而高斯过程常在高维空间失去有效性，当样本特征过多时需要进行降维处理。通过对机器学习向相关算法的分析和筛选，XGBoost机器学习模型展现出较为综合与优异的性能。

XGBoost全称是Extreme Gradient Boosting，可译为极限梯度提升算法，与多年前就已经研发出来的传统算法，比如决策树，支持向量机(SVM)、聚类分析等不同，它是由传统机器学习分类回归树算法(CART)发展演变而来的一种高效率的机器学习算法。作为集成算法中提升法(Boosting)的代表算法，XGBoost通过在数据上逐一构建多个弱评估器，经过多次迭代逐渐累积并汇总多个弱评估器的建模结果，以获取比单个模型更好的回归或分类表现。XGBoost被认为是在分类和回归上都拥有超高性能的先进评估器，且在包括岩土等专业的模糊分类问题上取得了创造性的研究成果，这为其在围岩分级中的应用奠定了充实的科学依据。

机器学习的应用前提，是具备可供学习与训练的大量定量化样本数据，这点与TSP超前地质预报相契合。TSP(Tunnel Seismic Prediction)地震波法，是一种基于地震波反射原理对隧道开挖掌子面前方岩体进行超前地质预报与评估的方法，相比较目前隧道常用的地质雷达法，TSP探测距离较远，通常可达100～150m，不仅能预报掌子面前方及周围岩石构造的变化，如围岩破碎带、裂隙密集带、含水夹泥层、断层、溶洞、暗河等不良地质体，还能评估掌子面前方岩体的力学特性。TSP超前地质预报系统在对收集的数据进行处理后，可提供掌子面前方岩体丰富、可靠的物理力学参数，如波速、杨氏模量、泊松比等。但由于这些定量数据在与特定围岩等级对应时彼此之间非线性相关，因此在TSP预报数据的围岩分级解译过程中，常从某单一指标出发，且分级预报结果较大程度上依赖人为经验判断，无法实现多指标综合性的定量分析。如何运用一种定量数据分析方法对围岩进行正确的等级预测是目前面临的重大难题。

发明内容

本发明的目的在于克服上述技术问题的缺点，结合TSP超前地质预报系统提供超前围岩的定量数据，利用XGBoost机器学习模型提供一种针对隧道施工阶段的围岩等级预测方法，实现对超前岩体的围岩等级划分，预测精度高。

为了实现上述目的，本发明采用如下技术方案：