基于贝叶斯优化-Stacking集成学习的边坡安全系数预测

Based on multi-algorithm hybrid method to predict the slope safety factor--stacking ensemble learning with bayesian optimization

(Journal of Computational Science，DOI:https://doi.org/10.1016/j.jocs.2022.101587)@

●论文作者

孙俊龙，吴顺川，张化进，张小强，王焘

●主要内容

边坡的安全系数是评价边坡稳定性的最直观展现，对边坡开挖、支护设计等具有重要的指导意义。由于影响因素过多，在计算边坡安全系数时会因过度假设、考虑影响因素不充分等情况导致计算结果不准确。因此，利用简单快捷且可靠度高的手段估算边坡安全系数对工程设计具有很强的现实意义。现阶段，诸多学者利用机器学习对边坡安全系数进行预测，但大都由于模型单一，数据量相对较小，预测过程中仍存在一定的不稳定性，造成应用的局限性。本研究在机器学习算法研究的基础上，提出了一种基于贝叶斯优化-Stacking集成学习的边坡安全系数预测方法，耦合四个单个机器学习模型(见图1)，并通过贝叶斯优化算法对模型最优超参数进行自动搜索，构建贝叶斯优化-Stacking集成学习(BOP-Stacking)模型。该方法融合多个机器学习模型，并通过贝叶斯优化获取模型最优超参数，提高了模型的泛化能力，使预测结果更加可靠，其流程如图2所示。

图1 Stacking集成学习结构图

图2 基于BOP-Stacking集成学习的边坡安全系数预测方法流程图

通过文献查询和数据编录，收集了210组边坡安全系数数据用以模型的训练和验证。数据集由坡角、坡高、黏聚力、密度、孔隙水压力比、摩擦角和边坡安全系数构成。依据数据集建立BOP-Stacking模型，并对比分析了所融合的单个模型预测结果、贝叶斯优化前后预测结果以及其他3种集成学习模型预测结果，并采用MSE进行误差分析。通过对比可知，BOP-Stacking模型具有更好的泛化能力，预测结果误差小、可靠度高。如图3和表1-2所示。

图3 各种模型的预测结果

表1 贝叶斯优化前后各模型误差(MSE)

表2各集成学习方法误差(MSE)

本研究表明基于贝叶斯优化-Stacking集成学习的边坡安全系数预测方法克服了单个模型预测不稳定的缺点，具有较高的预测准确度，在边坡稳定性评价中具有更大的参考价值。