.png){kind=icon}
返回
Advancing rock mass classification using machine learning approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s10064-025-04585-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
岩体质量评分（RMR）系统是一种广泛用于评估岩体质量和推荐支护措施的常用工具，它依赖于六个参数：岩体质量指标、单轴抗压强度、地下水条件、结构面间距、结构面状况和结构面产状。传统的RMR分类系统要求所有参数都必须存在。本研究引入了一种利用随机森林（RF）算法的机器学习（ML）方法，通过一组易于获取的参数来预测岩体分类。通过生成RMR参数的合成数据库来训练RF模型，并应用贝叶斯优化来优化关键设置，如学习率、集成周期和最大分裂数。通过多项性能指标验证了ML模型的准确性和可靠性。利用41个实际工程案例的数据对所提出的ML模型进行预测，其准确率达到100%。借助人工智能（AI）的优势，即使关键参数（如结构面长度、张开度或充填物）缺失，所提出的ML模型仍能保持超过90%的准确率。这种AI驱动的方法相比传统方法具有显著改进，为岩体质量评估和支护建议提供了更优的准确性、适应性和可靠性。
Keyword:
Rock mass classification
Rock mass rating
Random forest
Rock quality designation
Machine learning
期刊
IF:
4.2
论文数:
5.2K
被引数:
1.6W
机构
引用论文
Optimized Random Forest Models for Rock Mass Classification in Tunnel Construction用于隧道施工中岩体分类的优化随机森林模型.png)
Geosciences
OAAI
GeosciencesIF0
OAAI分享收藏
查看更多内容