.png){kind=icon}
返回
TBM rock mass classification using XGBoost and Interpretable Machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.aei.2025.103459.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在隧道掘进机（TBM）作业期间对围岩等级进行准确分类，对于优化开挖参数和确保施工安全至关重要。然而，传统分类方法面临挑战，特别是在适应复杂地质条件以及实现模型优化高效率方面。为解决这些问题，本研究提出了一种基于COA-XGBoost框架的识别方法。首先，利用状态判别函数对原始数据进行预处理，以消除异常实例，例如由设备故障或维护活动引起的实例。为更好地捕捉TBM与围岩之间的相互作用动态，引入了一个新的特征参数——比能。采用Relief算法评估特征重要性并对TBM操作参数进行加权，放大关键特征的作用同时减少冗余特征的干扰。随后，将Coati Optimization Algorithm（COA）与XGBoost分类器集成，实现全局参数优化并提升模型性能。该方法使用引楚吉辽工程输水隧洞段的数据进行验证。结果表明，Relief算法通过特征加权有效增强了模型识别关键参数的能力。与传統方法相比，COA优化的XGBoost模型在识别精度上实现了显著提升，准确率提高约8%，尤其在Class IV和Class V围岩等复杂地质条件下表现突出。最终模型的准确率达到91.5%，召回率和F1分数分别达到91.5%和91.4%。此外，五折交叉验证凸显了模型的鲁棒性和泛化能力。进一步地，基于SHAP的可解释性分析阐明了各特征对分类结果的相对贡献，为实际TBM参数优化提供了有价值的见解。
Keyword:
TBM
Rock Grade Identification
XGBoost algorithm
Coati optimization algorithm
SHAP
期刊
IF:
9.9
论文数:
4.4K
被引数:
1.7W
机构
暂无机构信息
引用论文
Prediction of tunnel deformation using PSO variant integrated with XGBoost and its TBM jamming application结合XGBoost的PSO变体隧道变形预测及其TBM干扰应用
PREAI
分享收藏Automated rock mass condition assessment during TBM tunnel excavation using deep learning.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏TBM tunneling strata automatic identification and working conditions decision supportTBM掘进地层自动识别及工况决策支持
PREAI
分享收藏Multivariable real-time prediction method of tunnel boring machine operating parameters based on spatio-temporal feature fusion基于时空特征融合的隧道掘进机运行参数多变量实时预测方法
PREAI
分享收藏Analysis on the Rock-Cutter Interaction Mechanism During the TBM Tunneling ProcessTBM掘进过程中刀具与岩石相互作用机理分析
PREAI
分享收藏
查看更多内容