基于机器学习模型的节理岩体UCS预测方法  

作　　者：王海波 黄林冲 林越翔 马建军 

机构地区：[1]中山大学航空航天学院,广东深圳518107 [2]中山大学土木工程学院,广东珠海519082

出　　处：《人民长江》2024年第S01期192-197,202,共7页Yangtze River

摘　　要：节理岩体力学性能研判不明会对地下工程建设安全造成极大隐患,规范中对含节理岩体的力学性能判断多以粗略的定性分级为主,未给出明确的力学性能量化表征方法;而传统回归分析方法难以综合考量节理形貌多维度特性,岩体力学性能预判精度低。为探寻含节理岩体力学性质智慧量化预测方法,从含单节理岩体入手,广泛调研并收集了130组含单节理岩体单轴抗压强度(UCS),并采用节理倾角θ、节理贯通率k量化节理形貌特征,以弹性模量E及抗压强度σ表征岩石强度,开展基于机器学习的含单节理岩体力学性质智慧预测方法研究。为充分论证机器学习算法在岩体性能预测方面的适用性,引入神经网络、随机森林、支持向量机等多种机器学习算法,并采用分布统计、灰色关联分析等手段遴选关键控制指标,进一步结合k折交叉验证法训练映射网络,在此基础上比较了多种机器学习算法及传统回归分析模型的预测性能。研究结果表明:①统计分析与灰色关联度分析可高效筛选指标组合;②k折交叉验证和多指标评价能有效减少机器学习模型的偶然误差;③整体上特征数量与预测效果成正比,其中支持向量机、随机森林分别为全参量预测和局部参量预测的最佳表现模型;④机器学习模型比经验、半经验得出的传统多元非线性回归模型预测效果更佳,充分展现了其在岩石力学性能智慧判别与预测中的巨大潜力。

关 键 词：节理岩体 单轴抗压强度 统计分析 灰色关联分析 k折交叉验证 机器学习 

分 类 号：U456.2[建筑科学—桥梁与隧道工程]