基于改进XGBoost算法的深部巷道松动圈智能预测研究

doi:10.11872/j.issn.1005-2518.2024.01.116

基于改进XGBoost算法的深部巷道松动圈智能预测研究

凡兴禹^,, 王雪林

核工业井巷建设集团有限公司，浙江湖州 313000

Research on Intelligent Prediction of EDZ Around Deep Tunnels Based on Improved XGBoost Algorithm

FAN Xingyu^,, WANG Xuelin

Nuclear Industry Jingxiang Construction Group Co. ，Ltd. ，Huzhou 313000，Zhejiang，China

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Fanxingyu95@gmail.com , E-mail：Fanxingyu95@gmail.com

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。

关键词： 松动圈 ; 深部巷道 ; 机器学习 ; 人工智能 ; 地应力 ; 优化XGBoost算法

Abstract

During deep tunnelling using drill-and-blast method，excavation damaged zone （EDZ） is inevitably induced in surrounding rocks due to the coupled impacts of blast loading and dynamic initial stress unloading and thus affect the structure stability.Therefore，it is very important to predict EDZ depth before roadways excavation.Relying on the field measurements of EDZ in several underground mines as the research object，300 data samples were collected.Four mainstream hyperparametric optimization algorithms，i.e.，genetic algorithm （GA），gray wolf optimization algorithm（GWO），particle swarm optimization algorithm（PSO），and salp swarm algorithm （SSA），were used to optimize the XGBoost algorithm and to construct four hybrid models for EDZ prediction.Comparative analysis of predictive model performance was conducted in terms of R²，RMSE，MAE and MAPE，along with a sensitivity analysis of the influencing parameters.Finally，the optimal PSO-XGBoost model was applied to a transportation roadway in an underground mine for engineering validation.The results show that the GA-XGBoost，GWO-XGBoost，PSO-XGBoost，and SSA-XGBoost models achieve the best predictive performance with swarm sizes of 90，70，60 and 100，respectively.Among them，the PSO-XGBoost model demonstrates the best predictive performance with correlation coefficients of 0.9244 and 0.8787 in the training and testing sets，respectively.Moreover，compared to bench models（XGBoost，RF，SVM and LightGBM），both the prediction accuracy and stability of the optimized models are improved.The tunnel diameter（TD） and rock mass geological strength index（GSI） have the most significant influence on the loosened zone thickness，along with a noticeable impact from the vertical principal stress.The application results of the optimized XGBoost model in practical engineering show that the error between the measured value and the predicted value is within 10%，indicating that the PO-XGBoost is of significance for engineering application.

Keywords： excavation damaged zone（EDZ） ; deep tunnels ; machine learning ; artificial intelligence ; in-situ stress ; optimized XGBoost algorithm

PDF (7813KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

凡兴禹, 王雪林. 基于改进XGBoost算法的深部巷道松动圈智能预测研究[J]. 黄金科学技术, 2024, 32(1): 109-122 doi:10.11872/j.issn.1005-2518.2024.01.116

FAN Xingyu, WANG Xuelin. Research on Intelligent Prediction of EDZ Around Deep Tunnels Based on Improved XGBoost Algorithm[J]. Gold Science and Technology, 2024, 32(1): 109-122 doi:10.11872/j.issn.1005-2518.2024.01.116

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FLAC^3D，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

松动圈常伴随地下巷道开挖完成后产生，其产生的主要原因是炸药爆破产生的冲击荷载和岩体开挖后重分布的应力场的共同作用（图1）。使用SETPLT-02型声波探测仪在玲珑金矿、凡口铅锌矿和武山铜矿开展松动圈原位测试，并对测试地点进行地质调查和钻芯取样后开展系列岩石力学试验。试验矿山地理位置及现场测试过程如图2所示。凡口铅锌矿位于广东省韶关市仁化县境内，是我国大型铅锌矿生产基地。松动圈测试点位于-680 m分段回风巷道内，且所处水平地应力较高，巷道围岩为中等强度灰质砂岩，爆破开挖后监测到巷道出现明显的变形和破坏。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 深部巷道松动圈示意图

Fig.1 Schematic diagram of EDZ around deep tunnels

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 开展松动圈测试的地下矿山

Fig.2 Underground mines conducting EDZ measurements

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 Input and output parameters of EDZ

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	σ_v	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

新窗口打开| 下载CSV

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

新窗口打开| 下载原图ZIP| 生成PPT

图3 松动圈输入和输出参数分布

Fig.3 Distribution of EDZ input and output parameters

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：

O b j = \sum_{i = 1}^{n} l (y_{i}, {\hat{y}}_{i}) + \sum_{k = 1}^{K} Ω (f_{k})

（1）

式中：l为损失函数；Ω为正则项函数。

图4

新窗口打开| 下载原图ZIP| 生成PPT

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 ${\hat{y}}_{i} = \sum_{k = 1}^{K} f_{k} (x_{i}) = {\hat{y}}_{i}^{(t - 1)} + f_{t} (x_{i})$ ，第t次迭代的目标函数可以用一个更具体的数学模型来描述，表示为

O b j = l [y_{i}, {\hat{y}}_{i}^{(t - 1)} + f_{t} (x_{i})] + \sum_{k = 1}^{K} Ω (f_{k})

（2）

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（3）：

O b j = \sum_{j = 1}^{T} [G_{j} ω_{j} + \frac{1}{2} (H_{j} + λ) ω_{j}^{2}] + γ T

（3）

式中： $G_{j} = \sum_{i \in I_{j}} g_{i}$ ； $H_{j} = \sum_{i \in I_{j}} h_{i}$ 。总的来说，XGBoost算法通过建立一个变量的二次方程，将寻求最佳目标值转化为一个关于寻找最小值的问题。

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

新窗口打开| 下载原图ZIP| 生成PPT

图5 GA算法流程

Fig.5 Flow chart of GA algorithm

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

新窗口打开| 下载原图ZIP| 生成PPT

图6 GWO算法流程

Fig.6 Flow chart of GWO algorithm

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

新窗口打开| 下载原图ZIP| 生成PPT

图7 PSO算法流程

Fig.7 Flow chart of PSO algorithm

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 S_i 的矩阵表示：

S_{i} = [\begin{matrix} s_{1}^{1} & \dots & s_{n}^{1} \\ ⋮ & ⋱ & ⋮ \\ s_{1}^{m} & \dots & s_{n}^{m} \end{matrix}]

（4）

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

u_{j}^{i} = \{\begin{matrix} f_{j} + R_{C} [(g b_{j} - h b_{j}) R_{B} + h b_{j}] (C \geq 0.5) \\ f_{j} - R_{C} [(g b_{j} - h b_{j}) R_{B} + h b_{j}] (C < 0.5) \end{matrix}

（5）

式中：gb_j 和hb_j 分别为j维度上的搜索上界和下界；f_j 为j维度上的食物位置；R_B和R_C为2个随机参数，数值为［0， 1］。参数R_B决定了樽海鞘运动的长度，可以控制运动的方向。参数R_C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

新窗口打开| 下载原图ZIP| 生成PPT

图8 SSA算法流程

Fig.8 Flow chart of SSA algorithm

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

新窗口打开| 下载原图ZIP| 生成PPT

图9 GWO-XGBoost模型流程

Fig.9 Flow chart of the GWO-XGBoost model

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：

R M S E = \sqrt[]{\frac{1}{n} \sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}

（6）

M A E = \frac{1}{n} \sum_{i = 1}^{n} |y_{i} - {\hat{y}}_{i}|

（7）

M A P E = \frac{100 %}{n} \sum_{i = 1}^{n} |\frac{y_{i} - {\hat{y}}_{i}}{y_{i}}|

（8）

R^{2} = 1 - \frac{\sum_{i} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i} (y_{i} - {\bar{y}}_{i})^{2}}

图15

新窗口打开| 下载原图ZIP| 生成PPT

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：

s_{k}^{*} = s_{k} (a_{k}^{*}) = (\frac{d f_{k} (a_{k})}{d a_{k}}) a_{k} = a_{k}^{*} \frac{a_{k}^{*}}{p *} k = 1,2, \dots, n

（10）

式中： $s_{k}^{*}$ 和k为无量纲的实数组，为正数。大于 $s_{k}^{*}$ 的值表示相对于a_k，指标p的灵敏度更高。通过比较不同的 $s_{k}^{*}$ 值，可以求得每个输入参数的敏感度强度。

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

新窗口打开| 下载原图ZIP| 生成PPT

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 Comparison of EDZ predicted value and mesured value

测试点	输入参数								输出参数		误差/%
测试点	GSI	UCS/MPa	σ_v/MPa	λ	TD/m	PF/（kg·m^-3）	B/m	HS/m	实测值/cm	预测值/cm	误差/%
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

新窗口打开| 下载CSV

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

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[]

Chen

T Q

， Guestrin

，2016.

XGBoost：A Scalable Tree Boosting System

［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco：Association for Computing Machinery： 785-794.