基于改进XGBoost算法的深部巷道松动圈智能预测研究
Research on Intelligent Prediction of EDZ Around Deep Tunnels Based on Improved XGBoost Algorithm
收稿日期: 2023-08-11 修回日期: 2023-10-31
Received: 2023-08-11 Revised: 2023-10-31
作者简介 About authors
凡兴禹(1995-),男,云南宣威人,高级工程师,从事地下巷道稳定性分析和采矿方法研究
关键词:
Keywords:
本文引用格式
凡兴禹, 王雪林.
FAN Xingyu, WANG Xuelin.
进入21世纪以来,随着社会经济的高速发展,人类对资源的需求量持续增加。然而,浅部矿产资源日益枯竭,迫使采矿工作转向地下深部。与此同时,为了推动经济发展并克服交通限制,全国各地积极推动深埋隧道的建设,这些深部巷道已成为获取地下资源和连接地区发展的至关重要的通道(谢和平等,2015;王勇等,2023;余涛等,2023;唐登志等,2023)。钻爆法施工具有灵活性强、成本低和开挖能力强等优势,仍是当前最主要的硬岩开挖技术。在使用钻爆法开挖深部地下巷道时,爆破荷载和原岩应力卸载的耦合作用会导致巷道围岩内出现开挖损伤区,即松动圈。松动圈的厚度不仅是评估巷道稳定性的重要指标,而且会影响巷道的施工和后续支护工序。
松动圈厚度的预测方法主要包括经验公式(Perras et al.,2016;刘刚等,2021)、原位测量(刘蒙等,2022;王旭等,2023)、数值模拟(Sun et al.,2021)和机器学习预测(胡军等,2014;朱志洁等,2014)。经验公式法是基于现场测试和弹塑性力学分析结果提出的,如:Wang et al.(2019)修正了Hoek-Brown准则并推导出松动圈的理论解析解;Qiao et al.(2021)基于Drucker-Prager屈服准则推导出松动圈厚度的解析解。原位测量方法主要采用声波测试法和钻孔电视全景摄像法,如:Li et al.(2012)成功地应用数字全景钻孔摄像技术获取了锦屏二号水电站地下隧道的围岩松动圈厚度和分布特征;Wang et al.(2015)在国内地下煤矿中同时采用声波测试和数字全景钻孔摄像技术对地下巷道的松动圈进行测量,并根据测量结果重新优化了支护设计,提高了巷道的长期稳定性。数值模拟方法主要使用有限元软件LS-DYNA和离散元软件FLAC3D,如:Yang et al.(2017)采用LS-DYNA模拟了初始应力条件下圆形巷道在爆破荷载作用下松动圈厚度的演化特征;Hong et al.(2023)基于LS-DYNA研究了松动圈厚度与地应力大小、侧压力系数、巷道形状、装药系数与围岩强度之间的关系。理论分析和数值模拟方法均基于一定的假设条件,其结果可靠性难以保证。现场测量方法虽然可靠性较高,但需要耗费大量人力和成本,且周期较长。
相比之下,机器学习技术在解决非线性问题方面具有巨大优势,已被广泛应用于解决工程问题,包括岩爆预测、地下硐室稳定性分析、边坡和尾矿库稳定性分析等。许多学者也开始使用机器学习方法进行松动圈厚度的预测研究。如:Zhou et al.(2011)基于SVM(支持向量机)算法构建了松动圈厚度预测模型,相比回归模型,该模型具有更高的可靠性和精度;Xie et al.(2019)采用随机森林回归模型预测松动圈厚度,该方法也具有较高的可靠性。此外,BPNN(BP神经网络)、SVR(支持向量回归)和GP(高斯回归)算法也被广泛应用于松动圈厚度的预测研究。现有研究表明,机器学习方法在松动圈预测方面具有成本低、耗时少和预测结果可靠等优势。然而,几乎所有的预测模型均忽略了地应力对松动圈厚度的影响,且考虑的影响参数较少。
XGBoost算法是目前主流的机器学习算法,具有高性能和可扩展性。该算法内部集成了正则化技术,支持交叉验证,从而提高了模型的泛化能力并降低了过拟合风险。本文首先基于XGBoost模型构建了松动圈厚度预测模型,并采用GA、GWO、PSO和SSA对模型进行优化,从而进一步提高松动圈厚度的预测精度和可靠性。其次,依托地下矿山爆破开挖工程获取300组有效的松动圈数据样本。基于R2、RMSE、MAE和MAPE模型性能指标对4种混合模型和4种基准模型进行比较分析,并使用XGBoost算法进行松动圈影响参数敏感性分析。最后,将PSO-XGBoost模型用于武山铜矿运输巷道围岩松动圈预测中,从而验证模型在实际工程中的可靠性。
1 松动圈数据
图1
图2
参考已有研究,基于改进XGBoost模型的智能预测包含地质强度指标、岩体单轴抗压强度、垂直主应力和装药系数等在内的8个松动圈厚度影响因素,输出参数为松动圈厚度。松动圈影响参数和厚度数据如表1所示。
表1 松动圈输入和输出参数
Table 1
参数类型 | 参数名称 | 符号 | 单位 | 取值范围 | 均值 | 标准偏差 | P值 |
---|---|---|---|---|---|---|---|
输入参数 | 地质强度指标 | GSI | - | 26.43~77.69 | 53.66 | 13.9 | 0.049 |
单轴抗压强度 | UCS | MPa | 64.91~155.89 | 101.17 | 23.63 | 0.000 | |
垂直主应力 | σv | MPa | 3.75~40.08 | 19.35 | 10.04 | 0.000 | |
侧压力系数 | λ | - | 0.42~2.31 | 1.50 | 0.28 | 0.000 | |
巷道直径 | TD | m | 2.80~8.35 | 4.73 | 1.01 | 0.015 | |
装药系数 | PF | kg/m3 | 1.12~2.00 | 1.58 | 0.18 | 0.000 | |
抵抗线 | B | m | 0.50~1.05 | 0.76 | 0.10 | 0.031 | |
孔间距 | HS | m | 0.66~1.05 | 0.86 | 0.09 | 0.001 | |
输出参数 | 松动圈厚度 | EDZ | cm | 6.7~65.2 | 41.4 | 13.2 | 0.802 |
为了对数据进行可视化分析,将8个输入参数和1个输出参数绘制成小提琴形式,如图3所示。本次样本数据中松动圈厚度集中在30~60 cm之间,整体分布较为均匀。GSI值小提琴图较宽,表明参数值在整个范围内分布很均匀。其他输入参数的小提琴图也较宽,说明数据的分布也很均匀,可靠性较高。需要注意的是,测试地点巷道侧压力系数小于0.5时频次较低,而主要集中在1.5附近。
图3
2 XGBoost及优化算法
2.1 XGBoost算法
XGBoost最初由Chen et al.(2016)提出,是由梯度提升决策树(GBDT)的概念发展而来的一个高度可扩展的机器学习系统。与GBDT相比,XGBoost模型显示出以下优势:(1)有利于惩罚模型的复杂性,避免过拟合;(2)能够以较高的计算速度并行处理海量数据;(3)允许用户定义目标函数,只要其二阶可微;(4)有效处理涉及缺失值的数据集。因此,XGBoost算法已被广泛应用于许多领域,具有优异的性能。
XGBoost算法的计算流程如图4所示。XGBoost中的算法复杂性作为目标函数的一部分被优化,该目标函数的表达式如下:
式中:l为损失函数;Ω为正则项函数。
图4
图4
XGBoost算法智能预测结构示意图
Fig.4
Schematic diagram of intelligent prediction structure by XGBoost algorithm
由于
然后,通过3个步骤对目标函数进行优化,目标函数的最终形式如
式中:
2.2 GA算法
GA(遗传算法)是由Holland(1992)首次提出并发展的。该算法的工作原理是维持一个候选解决方案的群体,被称为个体或染色体,代表手头问题的潜在解决方案。群遗传算法模仿自然选择的过程,在几代的时间里反复演化这个群体,它由初始化、评估、选择、繁殖和替换5个关键步骤组成(Yang,2021),其获取最优值的流程如图5所示。
图5
通过连续几代,遗传算法倾向于提高种群的整体适配性,向更好的问题解决方案靠拢。通过探索不同的基因组合并对其进行逐渐完善,该算法能够为广泛的复杂问题找到最佳或接近最佳的解决方案。
2.3 GWO算法
GWO(灰狼优化算法)是Mirjalili et al.(2014)提出的一种基于蜂群的新型算法。GWO形成了一个严格的等级结构,其灵感来自于狼的狩猎和社会行为,不同的狼在灰狼群中扮演着不同的角色。每一匹狼都被严酷的社会秩序所支配。GWO算法流程如图6所示。
图6
2.4 PSO算法
PSO(粒子群优化算法)是众多进化搜索方法中用于解决优化问题的一种强有力的方法,通过模拟鱼群和鸟群来实现(Kennedy,1995)。PSO算法流程如图7所示,在PSO算法中,鸟群代表一组粒子,而食物源代表一个功能目的。通过分享和传递鸟群与食物源之间的距离信息,食物源的位置可以由鸟群来确定。这种合作使整个鸟群能够选择有关食物源位置的最佳信息,并最终聚集在食物周围。在计算过程中,PSO算法中的一些重要参数被更新,通过这些参数可以确定新的位置和速度。
图7
2.5 SSA算法
与上述2种算法一样,SSA(樽海鞘群算法)属于一组基于蜂群智能的优化算法(Cortés-Caicedo et al.,2022),其灵感来自于樽海鞘群的狩猎和导航行为。在SSA算法中,主要有3个步骤来优化超参数,即樽海鞘群的初始化、领导者的更新和跟随者的更新。在初始化过程中,需要定义樽海鞘群的数量和位置。此外,还需要根据用户要求确定最佳食物来源(适应度函数)。在下一步,优化过程在搜索域中开始,这个搜索域可用一个名为 Si 的矩阵表示:
在这个搜索空间中,领导者会首先行动起来,为跟随者提供指引。领导者樽海鞘位置的更新方程为
式中:gbj 和hbj 分别为j维度上的搜索上界和下界;fj 为j维度上的食物位置;RB和RC为2个随机参数,数值为[0, 1]。参数RB决定了樽海鞘运动的长度,可以控制运动的方向。参数RC在控制探索和开发方面起着重要作用。
重复上述步骤直至优化达到停止标准。SSA算法的优化过程如图8所示。
图8
2.6 基于XGBoost的混合松动圈预测模型
选择4种优化算法来调整 XGBoost的超参数,以构建松动圈厚度智能预测混合模型,即GA-XGBoost、GWO-XGBoost、PSO-XGBoost和SSA-XGBoost。虽然4种优化算法的优化思路大不相同,但相应的4种模型的整体架构非常相似,可以概括为以下5个步骤:(1)实验数据预处理;(2)模型参数初始化;(3)种群初始化;(4)迭代循环;(5)输出最优解。以GWO-XGBoost模型为例,松动圈厚度预测流程如图9所示。
图9
2.7 模型性能评价指标
所构建的预测模型使用性能指标(PI)进行评估,PI包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和标准偏差(R2)。假设RMSE = 0,MAE = 0,MAPE = 0,R2 = 1,则认定预测模型具有十分可靠的预测能力。4种模型性能评价指标的表达式如下:
式中:yi、
3 结果及分析
为了构建基于XGBoost的深部巷道爆破围岩松动圈厚度预测模型,采用4种元启发式算法对XGBoost进行优化。将地质条件、爆破参数和开挖特征等8个影响因素作为输入,以松动圈厚度作为输出。其中,蜂群数量和迭代次数在优化性能中起着关键作用。因此,对不同蜂群数量下的混合模型进行均方误差(MSE)比较和分析。
3.1 GWO-XGBoost模型
一般来说,随着迭代次数的增加,优化性能趋于稳定,但计算时间也会增加。为了判断优化性能,使用MSE值进行分析。在测试过程中,设置预测性能稳定的迭代次数为500次,对60、70、80、90和100的蜂群规模(粒子数)进行测试,以选择最佳的最优参数。如图10所示,每个蜂群数量(粒子数)的变化过程是不同的,随着迭代次数的增加,MSE值不断下降。每个模型在达到优化终点时,均获得了最低的MSE值。从图10可以看出,当蜂群数量(粒子数)为100时,其MSE最优值大于其他蜂群数量(粒子数)的MSE最优值,且最优值对应的迭代次数远大于其他蜂群数量(粒子数)的迭代次数,表明蜂群数量(粒子数)为100时模型效率低且稳定性差。相反,当蜂群数量(粒子数)为90时,MSE值在最小的迭代次数(121次)时到达稳定值,相比其他蜂群数量的MSE值更小,所以认为蜂群数量(粒子数)为90时GWO-XGBoost模型具有最佳的预测性能。
图10
图10
GWO-XGBoost模型不同粒子数下MSE值随迭代次数变化
Fig.10
Variations of MSE value with iteration number of GWO-XGBoost model under different swarm sizes
为了进一步验证GWO-XGBoost模型在不同蜂群数量下的预测性能,计算训练集和测试集中的MAW、MAPE、RMSE和R2,结果如表2所示。从表2可以看出,当粒子数为90时,GWO-XGBoost模型获得最佳的预测性能,训练集中MAW、MAPE、RMSE和R2分别为6.812、6.943、9.522和0.9073,具有较好预测性能的粒子数为60,相关系数在0.9以上。当粒子数为100时,GWO-XGBoost模型的预测性能最差,这与图10中的结论一致,此时,训练集中MAW、MAPE、RMSE和R2分别为8.212、8.994、11.705和0.8723。综上认为,当粒子数为90时,GWO-XGBoost模型无论是在训练集还是测试集中均具有最好的拟合能力和最佳的预测性能。
表2 GWO-XGBoost模型在不同粒子数下的性能
Table 2
粒子数 | 训练集 | 测试集 | ||||||
---|---|---|---|---|---|---|---|---|
MAE | MAPE | RMSE | R2 | MAE | MAPE | RMSE | R2 | |
60 | 7.031 | 7.321 | 10.143 | 0.9014 | 7.593 | 7.907 | 10.954 | 0.8560 |
70 | 7.743 | 8.331 | 11.043 | 0.8802 | 8.362 | 8.997 | 11.926 | 0.8361 |
80 | 7.202 | 7.954 | 10.631 | 0.8892 | 7.778 | 8.590 | 11.481 | 0.8453 |
90 | 6.812 | 6.943 | 9.522 | 0.9073 | 7.357 | 7.498 | 10.284 | 0.8621 |
100 | 8.212 | 8.994 | 11.705 | 0.8723 | 8.869 | 9.714 | 12.641 | 0.8290 |
3.2 GA-XGBoost模型
GA算法可以提升XGBoost模型的参数选择。在使用GA-XGBoost进行松动圈厚度预测之前,选择最有效的GA参数。与GWO-XGBoost模型构建一样,本节将讨论迭代次数和蜂群大小对预测性能的影响。同样设定蜂群数量(粒子数)为60、70、80、90和100,不同蜂群值对应的MSE值和迭代次数曲线如图11所示。
图11
图11
GA-XGBoost模型不同粒子数下MSE值随迭代次数变化
Fig.11
Variations of MSE value with iteration number of GA-XGBoost model under different swarm sizes
从图11可以看出,当粒子数为70时,GA-XGBoost模型获得最小的MSE值,且MSE值到达稳定值时对应的迭代次数也较小。如表3所示,当粒子数为70时,训练集中MAW=7.483、MAPE=7.201、RMSE=10.423和R2=0.8734,测试集中MAW=8.802、MAPE=7.777、RMSE=11.257,R2=0.8384。然而,当粒子数为90时,GA-XGBoost模型的综合预测性能最差,这是因为Fitness曲线收敛时对应的MSE值最大,且208次的迭代次数也是最大的,说明该蜂群数量下的模型稳定性和可靠性均处于一个最差的状态。当粒子数为90时,训练集中MAW=8.312、MAPE=8.834、RMSE=12.795和R2=0.8432,测试集中MAW=8.977、MAPE=9.433、RMSE=13.819和R2=0.8098。
表3 GA-XGBoost模型在不同粒子数下的预测性能
Table 3
粒子数 | 训练集 | 测试集 | ||||||
---|---|---|---|---|---|---|---|---|
MAE | MAPE | RMSE | R2 | MAE | MAPE | RMSE | R2 | |
60 | 7.572 | 8.135 | 12.143 | 0.8573 | 8.178 | 8.786 | 13.114 | 0.8233 |
70 | 7.483 | 7.201 | 10.423 | 0.8734 | 8.082 | 7.777 | 11.257 | 0.8384 |
80 | 7.384 | 7.759 | 11.543 | 0.8702 | 7.975 | 8.380 | 12.466 | 0.8357 |
90 | 8.312 | 8.734 | 12.795 | 0.8432 | 8.977 | 9.433 | 13.819 | 0.8098 |
100 | 7.943 | 8.429 | 12.481 | 0.8528 | 8.578 | 9.103 | 13.479 | 0.8191 |
3.3 PSO-XGBoost模型
图12
图12
PSO-XGBoost模型不同粒子数下MSE值随迭代次数变化
Fig.12
Variations of MSE value with Iteration number of PSO-XGBoost model under different swarm sizes
表4 PSO-XGBoost模型在不同粒子数下的预测性能
Table 4
粒子数 | 训练集 | 测试集 | ||||||
---|---|---|---|---|---|---|---|---|
MAE | MAPE/% | RMSE | R2 | MAE | MAPE/% | RMSE | R2 | |
60 | 5.231 | 5.513 | 7.143 | 0.9244 | 5.543 | 5.844 | 7.572 | 0.8787 |
70 | 5.741 | 5.734 | 7.455 | 0.9212 | 6.081 | 6.078 | 7.902 | 0.8752 |
80 | 5.828 | 5.945 | 7.543 | 0.9189 | 6.178 | 6.302 | 7.996 | 0.8731 |
90 | 6.321 | 6.712 | 9.365 | 0.9023 | 6.712 | 7.115 | 9.927 | 0.8573 |
100 | 5.934 | 6.294 | 8.011 | 0.9123 | 6.298 | 6.672 | 8.492 | 0.8670 |
3.4 SSA-XGBoost模型
作为一种新型的群集智能算法,SSA在各种最优问题上显示出其优越性和可行性。SSA很容易实现和调整。为了便于比较,在基于SSA的模型中也采用相同的超参数值。图13所示为不同蜂群规模下SSA-XGBoost模型的优化过程。由图13可以看出,不同蜂群规模下SSA-XGBoost模型随迭代次数的增加均会逐渐趋于稳定,意味着模型在迭代过程中会逐渐接近最优解,但是收敛时的均方误差大小并不相等,且收敛速度也不一样。当粒子数为100时模型收敛时的MSE值最小,且收敛速度最快,对应的迭代次数为95次。其次收敛性能表现最好对应的蜂群规模(粒子数)为80。很明显,当粒子数为60时,虽然模型收敛速度较快,但MSE值最大,说明模型在该蜂群规模下的稳定性较差。
图13
图13
SSA-XGBoost模型不同粒子数下MSE值随迭代次数变化
Fig.13
Variations of MSE value with iteration number of SSA-XGBoost model under different swarm sizes
表5 SSA-XGBoost模型在不同粒子数下的预测性能
Table 5
粒子数 | 训练集 | 测试集 | ||||||
---|---|---|---|---|---|---|---|---|
MAE | MAPE | RMSE | R2 | MAE | MAPE | RMSE | R2 | |
60 | 8.213 | 8.733 | 12.466 | 0.8629 | 8.624 | 9.170 | 13.089 | 0.8208 |
70 | 7.426 | 7.986 | 10.962 | 0.8811 | 7.797 | 8.385 | 11.501 | 0.8374 |
80 | 7.132 | 7.329 | 10.543 | 0.8856 | 7.489 | 7.695 | 11.070 | 0.8416 |
90 | 8.012 | 8.345 | 11.607 | 0.8743 | 8.413 | 8.762 | 12.187 | 0.8313 |
100 | 7.087 | 7.012 | 9.914 | 0.8933 | 7.441 | 7.363 | 10.410 | 0.8496 |
3.5 模型对比分析
基于上述讨论可知,GWO-XGBoost模型、GA-XGBoost模型在、PSO-XGBoost模型和SSA-XGBoost模型在粒子数分别为90,70,60,100时具有最佳的预测性能,因此选择这4种群体规模下的4种模型对60组测试数据进行预测,同时采用未进行优化的XGBoost模型和3种常见的SVM、RF和LightGBM模型对同组数据进行预测,对比分析这8种模型的优劣。图14所示为各种预测模型预测值与实测值的二维分布和线性拟合图。由图14可以看出,PSO-XGBoost模型中的数据点集中在线性拟合曲线附近,95%预测带宽相对其他模型更窄。其他7种松动圈预测模型的数据点离散型均比PSO-XGBoost模型大,尤其是LightGBM和SVM模型,说明PSO-XGBoost模型具有比其他模型更精确和更稳定的预测性能,用于深部巷道爆破开挖后围岩松动圈厚度的预测是最合适的。其次,对比混合模型(GWO-XGBoost、GA-XGBoost、PSO-XGBoost和SSA- XGBoost)与基准模型(XGBoost、SVM、RF、Light-GBM)可知,优化后的模型具有更好的预测性能。
图14
图14
不同模型预测值与真实值对比
Fig.14
Comparison of predicted values and actual values of different models
为了进一步量化分析8种模型的性能,将训练集和测试集的4种性能指标值(MAE、MAPE、RMSE和R2)绘制成雷达图(图15)。图15(a)所示为不同模型MAE值的分布,很明显PSO-XGBoost模型训练集和测试集的MAE值最小,其次是GWO-XGBoost模型,LightGBM模型具有最大的MAE值,表明松动圈厚度智能预测性能最佳的是PSO-XG-Boost模型,而最差的是LightGBM模型。图15(b)所示为各模型的MAPE值,其分布特征与MAE值一样。PSO-XGBoost模型在训练集和测试集中的MAPE值分别为5.513和5.844,其次是GWO-XGBoost模型,其在下一步训练集和测试集中的MAPE值分别为6.943和7.498。基准模型得到的MAPE值明显比优化模型大,LightGBM模型的MAPE值分别为11.310和12.215,再次证明PSO-XGBoost模型的预测性能。图15(b)和图15(c)所示为各模型的RMSE和R2。对于RMSE,LightGBM和SVM模型得到的值最大,而PSO-XGBoost和GWO-XGBoost模型得到的值最小。对于R2,情况正好相反,PSO-XGBoost和GWO-XGBoost模型的相关系数是最大的,在训练集中分别为0.9244和0.9073,而LightGBM和SVM模型在训练集中的相关系数分别为0.8243和0.8376。
图15
图15
不同模型的性能评价指标比较
Fig.15
Comparison of performance evaluation indexes of different models
综上所述,无论是在训练集还是测试集中,PSO-XGBoost模型在预测精度、泛化能力和稳定性方面均表现最好,其次是GWO-XGBoost模型。未经超参数调整的基准模型在预测过程中稳定性较差且预测精度不高。因此,在智能预测采用钻爆法开挖的地下巷道的围岩松动圈厚度时使用PSO-XGBoost和GWO-XGBoost模型是可靠的。
3.6 参数敏感性分析
参数敏感性分析是一种检查系统稳定性的方法。在本研究中,网络创建后,对数据集进行敏感性分析。敏感性分析检查与每个模型输入相关的系统倾向和变化。这是通过在期望的范围内改变每个输入的值来完成的。敏感性分析的通用方程式如下:
式中:
使用XGBoost模型对所有输入参数逐个进行敏感性检测,在某参数进行检测的过程中将其他参数固定。得到各松动圈厚度影响因素的敏感性值并以直方图形式表示,如图16所示。从图16可以看出,深部巷道开挖直径(TD)对超挖厚度影响最大,敏感性参数为0.73;其次是开挖巷道周边围岩的地质强度指标,敏感性参数为0.68。研究表明,通过调整开挖尺寸和强化岩体质量,可以有效减小深部巷道爆破开挖后的松动圈厚度。值得注意的是,作用于开挖巷道上的垂直主应力对松动圈厚度也具有显著影响,敏感性参数为0.56。对于采用光面爆破技术进行开挖的巷道而言,周边孔装药系数和孔间距对松动圈厚度也具有一定强度的影响,因此可以通过优化爆破参数控制围岩损伤区的分布。
图16
图16
松动圈厚度影响因素敏感性分析
Fig.16
Sensitivity analysis of EDZ depth influencing factors
4 工程验证
为了进一步验证PSO-XGBoost松动圈厚度预测模型的可靠性,将该模型应用于武山铜矿地下运输巷道松动圈超前预测中。武山铜矿隶属于江西铜业股份有限公司,位于江西省九江市西瑞昌县白羊镇。矿区包含南北2个矿带,矿床赋存条件差异较大,且地质赋存环境复杂。测试巷道围岩以白色大理岩为主,在整个掘进线路上伴随有蚀变大理岩和砂岩。为了尽量降低爆破开挖过程中爆炸冲击对围岩的损伤,采用光面爆破技术进行掘进。巷道掘进方向与水平最大主应力方向平行,可最大开挖时原位应力卸载对岩体造成进一步损伤。巷道设计宽度为3.4 m,高度为3.0 m。现场使用乳化炸药进行岩体破碎,光面爆破参数根据围岩特性进行调整。
在巷道沿线上选择6个截面进行松动圈厚度预测可靠性验证,不同截面处的岩体特性不同,通过开展室内岩石力学试验和现场节理裂隙调查获得。巷道掘进前,依据岩体参数、爆破参数和巷道开挖直径采用PSO-XGBoost预测模型对松动圈的厚度进行超前预测,待掘进完成后对测试点进行松动圈现场测量,测量结果与预测值列于表6中。由表6可知,6个测试点岩体地质强度指标(GSI)均不相等,完整岩样的单轴抗压强度为87.9~145.8 MPa,软岩的装药系数较硬岩更小,抵抗线和孔间距则更大,说明测试点的选择具有代表性。松动圈厚度测试结果为13.43~35.12 cm,预测值为13.87~38.01 cm,预测误差最大值为9.5%,有效控制在10%以内,表明经过优化后的PSO-XGBoost模型在工程现场具有良好的表现。
表6 松动圈预测值与实测值比较
Table 6
测试点 | 输入参数 | 输出参数 | 误差/% | ||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
GSI | UCS/MPa | σv/MPa | λ | TD/m | PF/(kg·m-3) | B/m | HS/m | 实测值/cm | 预测值/cm | ||
Test-1 | 71 | 137.4 | 12.4 | 1.35 | 3.1 | 1.56 | 0.65 | 0.55 | 15.32 | 13.87 | 9.5 |
Test-2 | 72 | 145.8 | 12.4 | 1.35 | 3.1 | 1.50 | 0.65 | 0.55 | 13.43 | 14.52 | 8.1 |
Test-3 | 52 | 101.5 | 12.4 | 1.35 | 3.1 | 1.32 | 0.80 | 0.67 | 22.56 | 23.83 | 5.6 |
Test-4 | 51 | 94.8 | 12.4 | 1.35 | 3.1 | 1.35 | 0.80 | 0.67 | 23.75 | 22.26 | 6.3 |
Test-5 | 36 | 87.9 | 12.4 | 1.35 | 3.1 | 1.18 | 1.00 | 0.85 | 35.12 | 38.01 | 8.2 |
Test-6 | 40 | 90.1 | 12.4 | 1.35 | 3.1 | 1.20 | 1.00 | 0.85 | 32.54 | 34.64 | 6.5 |
因此,可以在地下巷道或硐室掘进之前对松动圈厚度进行超前预测,一方面可以根据预测结果对爆破参数进行优化,另一方面也可以根据预测结果制定开挖后的围岩支护方案。
5 结论
(1)群体规模和迭代次数对预测模型的性能具有显著影响。GA-XGBoost、GWO-XGBoost、PSO-XGBoost和SSA-XGBoost模型分别在群体规模(粒子数)为90、70、60和100时取得最佳预测表现。
(2)PSO-XGBoost是4种混合模型中预测性能最佳的模型,其训练集和测试集中的相关系数分别为0.9244和0.8787;优化后的4种模型比XGBoost、RF、SVM和LightGBM基准模型在松动圈厚度预测中具有更好的性能,同时采用GA、GWO、PSO和SSA优化算法对XGBoost优化后能明显提高预测精度和稳定性。
(3)参数敏感性分析结果表明,各输入变量的相对重要性由高到低分别为巷道直径、围岩地质强度指标、单轴抗压强度、垂直主应力、光面孔孔间距、装药系数、光爆层抵抗线和侧压力系数,因此在进行深部巷道围岩松动圈预测和分析时必须要考虑地应力的影响。
http://www.goldsci.ac.cn/article/2024/1005-2518/1005-2518-2024-32-1-109.shtml
参考文献
XGBoost:A Scalable Tree Boosting System
[C]//
Optimal selection of conductor sizes in three-phase asymmetric distribution networks considering optimal phase-balancing:An application of the salp swarm algorithm
[J].,
The spatial distribution of excavation damaged zone around underground roadways during blasting excavation
[J].,
Support vector machine(SVM)prediction of roadway surrounding rock loose circle thickness optimized by layered fish
[J]. ,
Particle swarm optimization
[C]//
Evolution of fractures in the excavation damaged zone of a deeply buried tunnel during TBM construction
[J].,
Overview on theoretical calculation method of broken rock zone
[J].,
Measurement of loose zone of tunnel surrounding rock based on apparent resistivity method
[J].,
Grey wolf optimizer
[J]. ,
Predicting excavation damage zone depths in brittle rocks
[J].,
Investigation on the scope and influence factors of surrounding rock loose circle of shallow tunnel under bias pressure:A case study
[J]. ,
Excavation-induced deformation and damage evolution of deep tunnels based on a realistic stress path
[J].,
Research on influencing factors and prediction of rockburst in deep-buried tunnel
[J].,
Assessment of excavation damaged zone around roadways under dynamic pressure induced by an active mining process
[J].,
Case study of modified H-B strength criterion in discrimination of surrounding rock loose circle
[J]. ,
Research on the present situation and development trend of loose zone test technology for roadway surrounding rock
[J].,
Progress and prospective of the mining key technology for deep metal mines
[J].,
Research and development of rock mechanics in deep ground engineering
[J].,
Space-time distribution laws of tunnel excavation damaged zones (EDZs) in deep mines and EDZ prediction modeling by random forest regression
[J].,(
2D numerical analysis of rock damage induced by dynamic in-situ stress redistribution and blast loading in underground blasting excavation
[J].,
Stability analysis and control of tunnel excavation in deep buried horizontal stratum
[J].,
Evaluating the thickness of broken rock zone for deep roadways using nonlinear SVMs and multiple linear regression model
[J].,
Prediction model of loosening zones around roadway based on MPSO-SVM
[J].,
分层鱼群优化支持向量机预测巷道围岩松动圈厚度
[J].,
围岩松动圈理论计算方法的评述与展望
[J].,
基于视电阻率法测试技术的隧道围岩松动圈测定
[J].,
深埋隧道岩爆影响因素及其预测研究
[J].,
巷道围岩松动圈测试技术现状及发展趋势研究
[J].,
深部金属矿开采关键理论技术进展与展望
[J].,
深部岩体力学研究与探索
[J].,
深埋水平岩层隧道开挖稳定性分析及控制
[J].,
基于MPSO-SVM巷道围岩松动圈预测研究
[J].,
/
〈 | 〉 |