Adaboost集成学习优化的巷道围岩松动圈预测研究.pdf

第31卷第3期2023 年 6 月Vol.31 No.3Jun.，2023Gold Science and Technology497Adaboost集成学习优化的巷道围岩松动圈预测研究方博扬，赵国彦*，马举，陈立强，简筝中南大学资源与安全工程学院，湖南 长沙 410083摘 要：为提高巷道围岩松动圈预测准确率，给围岩支护和地压管理提供更科学的指导，提出了一种新的预测方法。采用改进的Adaboost回归算法对3种机器学习算法进行集成优化，即在Adaboost回归算法中寻找误差率阈值的最优值，实现Adaboost全局最优的集成效果。应用网格搜索对BP、SVM和RF的超参数进行优化，建立BP-Adaboost、SVM-Adaboost和RF-Adaboost回归预测模型。结果表明：BP-Adaboost模型的预测性能最好，误差率为7.65%。结合矿山松动圈测试实例进行验证分析，平均相对误差为4.15%。因此，所提出的模型能够为围岩松动圈预测提供参考，可以满足工程应用的需求。关键词：围岩松动圈；网格搜索；Adaboost算法；BP神经网络；支持向量机；随机森林中图分类号：TD322 文献标志码：A 文章编号：1005-2518（2023）03-0497-10 DOI：10.11872/j.issn.1005-2518.2023.03.122引用格式：FANG Boyang，ZHAO Guoyan，MA Ju，et al.Prediction Study on Loosening Ring of Surrounding Rock Around Roadways Using the Optimized Ensemble Learning Algorithms Based on Adaboost J.Gold Science and Technology，2023，31（3）：497-506.方博扬，赵国彦，马举，等.Adaboost集成学习优化的巷道围岩松动圈预测研究 J.黄金科学技术，2023，31（3）：497-506.在浅埋岩体中开挖巷道或隧道卸荷之后，巷道围岩原岩应力的平衡状态受到破坏，其受力状态由三向变成近似两向，致使围岩应力重新分布并产生局部应力集中现象，岩石强度也明显下降，围岩稳定性降低（董方庭，2001；王新丰等，2021）。在深部巷道中，围岩变形量大和岩体承载力低等问题更加普遍，巷道围岩稳定性不仅直接影响正常的施工作业，而且可能会引发冒顶片帮等危险事故（朱川曲，1999）。此外，在巷道的设计与施工中，围岩松动圈是反映围岩应力岩体强度的一个综合性指标，松动圈大小是评价巷道稳定性与支护难易程度的重要因素，而松动圈厚度受诸多因素的影响，如岩石性质和地应力等，因此如何快捷、准确地确定松动圈的大小显得尤为重要。巷道围岩松动圈厚度研究是一项意义重大的课题，国内外学者已经开展了大量研究工作。在现场实测方面，吴涛等（2015）采用超声波探测技术对围岩松动圈进行测定；伍永平等（2013）和于庆磊等（2021）利用地质雷达技术与相关机理对松动圈厚度进行现场测试。实测法能够直观、相对准确地测量和计算松动圈厚度，但实测费用昂贵，测试条件也复杂多样、难以满足。现阶段测量松动圈厚度较为准确的方法为声波探测法，但由于现实条件和成本的制约，对矿山不同水平上的巷道松动圈厚度进行广泛测量是不现实的。随着计算机技术和人工智能的发展，越来越多的学者将机器学习和数值分析应用到工程实例中进行理论预测与技术改进。在松动圈理论预测方面，常采用神经网络模型（高玮等，2002；薛新华，2006）、支持向量机模型（Zhou et al.，2011；赵国彦等，2013；朱志洁等，2014）和数值分析方法（陈冲等，2018），取得了较为准确的拟合效果，其中BP神经网络、支持向量机和随机森林模型的应用最为广泛。收稿日期：2022-09-19；修订日期：2023-03-15基金项目：十三五 国家重点研发计划课题“深部金属矿绿色开采关键技术研发与示范”（编号：2018YFC0604606）资助作者简介：方博扬（1998-），男，湖北孝感人，硕士研究生，从事地压智能监测及灾害控制研究工作。*通信作者：赵国彦（1963-），男，湖南沅江人，教授，博士生导师，从事采矿、安全与岩石力学研究工作。Vol.31 No.3 Jun.，2023采选技术与矿山管理498集成学习算法Adaboost能够将同一个训练集的不同弱预测器集合成一个强预测器，使弱预测器模型的泛化能力得到改善，鉴于Adaboost优秀的集成能力，有学者采用Adaboost算法预测采空区煤自然发火（赵琳琳等，2018）。因此，本文将BP神经网络、支持向量机、随机森林模型与Adaboost集成学习相结合，以集成学习模型Adaboost优化以上3种机器学习模型，将弱预测器集合成强预测器，提高预测模型的预测精度和泛化能力。上述模型框架示意图如图1。1 松动圈厚度预测模型的建立1.1 松动圈影响因素分析影响松动圈的因素复杂多样。国内外许多学者对松动圈影响因素进行了探索，结合相关理论分析、相似模拟、现场实测和数值模拟研究（沈金生等，2012；李国盛等，2018），认为围岩松动圈是众多因素综合作用的结果。对于同一矿井的不同位置，由于应力分布不同，其松动圈形状和厚度也不相同。本文结合相关研究对松动圈影响因素进行概括，可以归为2个大类：自然因素和人为因素。自然因素包括围岩强度和围岩压力，围岩强度包括单轴抗压强度（R）、节理裂隙发育程度（F）、地下水和温度等先天自然性质，其中单轴抗压强度（R）是主要影响因素，地下水状态和节理发育程度（F）会对单轴抗压强度（R）有所影响，一定浅埋深范围内温度对围岩的影响较小，可以忽略不计。围岩压力指的是原岩应力场分布的情况，直接影响松动圈的大小。根据岩石弹塑性区理论，不同形状和尺寸的巷道应力场不同，因此围岩压力和巷道形状也有关系，巷道的横截面积和巷道跨度是影响因素之一。围岩应力最直接的体现就是最大主应力及其方向，综合有关工程应用研究的描述，认为巷道的整体应力场状况可由垂直应力和侧应力系数来表述，二者作为松动圈的主要影响因素，可以纳入松动圈量化指标范畴。人为因素则包括掘进方式、支护方式和爆破采动等扰动因素。掘进方式有2种：机械法和钻爆法。机械开挖对松动圈的影响可以忽略不计，相比而言，爆破法对松动圈的影响更大，但相对于松动圈整体厚度来说其扰动范围在浅埋巷道条件图1Adaboost算法优化的3种机器学习方法的围岩松动圈回归预测模型Fig.1Regression prediction model of loosening ring of surrounding rock based on three machine learning methods optimized by Adaboost algorithm2023 年 6 月 第 31 卷 第 3 期499方博扬等：Adaboost集成学习优化的巷道围岩松动圈预测研究下也可以忽略不计。支护方式目前对巷道围岩的作用主要是抵消应力场使围岩应力减小，支护力相对于围岩应力较小，从工程角度来说可以忽略不计。综上各因素分析，从便于定量分析与计算的角度考虑来建立预测模型，确定松动圈厚度的影响因素包括巷道埋深（H）、巷道跨度（B）、掘进断面积（S）、单轴抗压强度（R）和节理发育程度（F）5项指标。理由如下：（1）巷道埋深（H）。巷道应力场是对围岩松动圈影响最大的因素，而通过力的分解可将应力分布分解为垂直应力和侧向应力。在工程实践中，使用部分仪器测量的应力值实际为二次应力，垂直应力值则更加难以测定且费用昂贵，而H与应力分布具有强相关关系，因此相当一部分松动圈预测模型是用埋深代替应力。在实际工程中，若有测量的垂直应力和侧应力参数时，应当直接使用实际参数，但预估巷道围岩稳定性时，通常没有现场实测应力值，应当优先考虑周边区域的应力估计公式（景锋，2008）。我国大陆地区地应力公式中的最大水平主应力、最小水平主应力和垂直应力均为一次函数的关系，因此使用公式估计的情况下，H能够表示垂直应力和侧应力。（2）巷道跨度（B）。巷道跨度是指巷道断面跨度，跨度越大，最大垂直应力越大，塑性区面积也越大，巷道围岩破坏程度越大。（3）掘进断面积（S）。掘进断面积是指巷道的横截面积，断面的形状有矩形、圆形、椭圆形和半圆拱形，其中最常见的是拱形巷道，其面积也容易计算，使用断面积能够统一形状不同的影响，能够作为松动圈定量分析的影响因素之一。（4）单轴抗压强度（R）。岩石的单轴抗压强度是指岩石破坏的临界压力值，抗压强度越大则岩石受力变形程度越小，松动圈范围越小。（5）节理发育程度（F）。节理发育程度是对定性指标的量化表示，程度为1表示节理很不发育，2为节理不发育，3为节理一般发育，4为节理较发育，5为节理普遍发育。1.2 数据集选择与归一化处理在整合工程实践资料中，收集了 66组关于矿区松动圈的基础数据作为样本集，经过查验样本数据均来源于实测数据（表1）。数据的相关系数矩阵如图2所示，其中右上数据表示各指标的皮尔逊相关系数，左下为各影响因素的散点图，从整体数据面分析，H、B、S、R、F这些影响因素是相对独立的，其中H、B、F、L的频率分布近似呈现出正态分布的规律，数据分布范围相对均匀，符合机器学习数据基础，能够避免欠拟合现象。因此，以这5项影响因素作为输入变量进行训练模型。将数据集的 75%作为训练集，25%作为测试集，本文以样本150作为训练集，样本5166作为预测集。即只将前50个样本的数据用于模型的构建，训练时采用五折交叉验证方法避免训练过程的过拟合现象，然后采用后16个样本来验证模型是否准确。将影响松动圈厚度的5项指标作为输入向量xi=x1i，x2i，x3i，x4i，x5i，以松动圈厚度作为输出向量，建立以 BPNN、SVM 和 RF 为基预测器的Adaboost回归预测模型。为了使特征向量具有相同的度量尺度，避免输入向量的量纲和量级不同对预测精度造成影响，使模型输入向量具有更好的映射效果，将全部样本数据输入向量进行归一化处理。采用以下指标综合评价回归模型的预测能力：（1）均方误差（MSE）MSE=1ki=1k(yi-yi)2（1）（2）绝对均值误差（MAE）MAE=1ki=1k|yi-yi（2）图2样本散点与相关系数矩阵图Fig.2Matrix diagram of sample scatter and correlation coefficientVol.31 No.3 Jun.，2023采选技术与矿山管理500（3）平均绝对误差百分比（MAPE）MAPE=100%ki=1k|yi-yiyi（3）（4）可解释性方差分数（EVS）EVS=1-Var(yi-yi)Var(yi)（4）（5）平方相关系数（R2）R2=1-i=1k(yi-yi)2i=1k(yi-y)2（5）式中：y 为真实值的均值；yi为真实值。平方相关系数能反映预测值与实际值的拟合效果，R2越接近于1代表拟合效果越好。2 对比模型与参数选择假设数量为k的样本为(x1，y1)，(xk，yk)，其中xi RN为N维特征输入向量，yi R为目标输出结果，i=1，2，k。为了考察和验证 Adaboost 对于该数据集的可行性与准确度，将Adaboost模型分表1样本数据Table 1Database of samples样本编号123456789101112131415161718192021222324252627282930313233巷道埋深/m362660384150178510420450236470467490450224460373310125392249140345315550410420340340420370428465403巷道跨度/m2.64.43.53.62.63.23.63.43.04.03.43.73.63.43.22.52.82.82.83.43.63.02.83.43.23.23.23.23.73.53.