清华大学学报(自然科学版)

作者：汤志立, 王雪, 徐千军

单位：1. 北京京投城市管廊投资有限公司, 北京 100027;<br>2. 桂林市水利局, 桂林 541001;<br>3. 清华大学 水沙科学与水利水电工程国家重点实验室, 北京 100084

关键词：岩爆预测,机器学习,数据不均衡,过采样,客观赋权法

基金：“十三五”国家重点研发计划（2017YFC0804602）；国家自然科学基金项目（52090084，51879141）；清华大学水沙科学与水利水电工程国家重点实验室自主科研课题（2019-KY-03）\r\n

为解决基于机器学习的岩爆预测中存在的数据不均衡问题，提高模型泛化能力，进而提高岩爆预测性能，该文构建了由246组岩爆案例组成的岩爆预测数据集，优选了单轴抗压强度与单轴抗拉强度之比、最大切应力、最大切向应力与单轴抗压强度之比、单轴抗压强度、单轴抗拉强度、弹性能指数6个常用岩爆等级判别特征。通过引入9种经典机器学习算法，建立了9个考虑多因素的岩爆预测模型，研究了5种过采样方法及5种客观赋权方法对模型预测性能的影响。研究结果表明：数据在过采样处理后，模型准确率提高了11.8%～52.3%、宏平均F1值提高了13.0%～50.0%；随机过采样方法对模型性能提升效果最佳，最能解决数据不均衡问题；随机过采样均衡化数据集后，客观赋权作用因模型而异，只能提升基于极限梯度提升算法、随机森林、决策树、极限树构建的模型的准确率（分别提高1.1%、2.1%、10.7%、12.9%）及宏平均F1值（分别提高1.2%、2.3%、11.8%、12.8%）；基于随机过采样的多层感知机算法模型是最优的岩爆预测模型，其准确率及宏平均F1值均最高，分别为0.917、0.920。

来源：2021年第6期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2021年第6期