论文部分内容阅读
为解决隧道超前钻探数据解译过程中存在的主观判断性强、数据利用率低、评判标准不统一等问题，通过引入机器学习中的极限梯度提升了集成算法模型（XGBoost）。依托积累的广西某隧道8 893条超前钻探原始数据，针对破碎围岩、软弱夹层与泥质填充溶洞3类不良地质体开展了定量解译研究。在原始钻探数据预处理方面，根据定性与定量分析结果，通过数据降噪及二级指标计算等措施实现了原始钻探数据的规律发掘及质量提升。在解译模型的建模方面，采用随机搜索算法（RS）有效解决了XGBoost模型大量超参数的高效寻优问题，最终构建了隧道超前钻探不良地质体定量解译模型（RS-XGBoost）并进行了模型训练。选取该隧道YK73+491—YK73+516段15 m的钻探数据进行了模型应用，并与常规超前钻探地质预报解译及实际开挖结果进行了对比。结果表明：RS-XGBoost模型在数据集的98例预测样本中出现了3例错判，总体预测准确率为96.94%,与未进行数据预处理的原始钻探数据集模型训练结果相比，准确率、精准率、召回率与F1分数4项评估指标平均提升17.08%;所提出的定量解译技术不仅可提供更为详尽的解译结果（0.5 m间距）,且预报准确率满足隧道现场施工需求，可为隧道制订开挖方法及支护措施提供可靠且重要的不良地质体超前地质预报信息。