基于遗传算法—选择性集成学习的岩石单轴抗压强度预测

Prediction of Uniaxial Compressive Strength of Rock Via Genetic Algorithm—

Selective Ensemble Learning

（Natural Resources Research, https://doi.org/10.1007/s11053-022-10065-4）@

●作者

  张化进, 吴顺川, 张中信

●论文介绍

岩石单轴抗压强度是最基本的岩体力学参数之一，也是岩体工程分类和稳定性分析必须输入的原始参数，对指导工程岩体开挖、灾害防治、支护设计及信息化施工等具有十分重要的现实意义。利用成本较低、可靠性较强的手段间接估测岩石单轴抗压强度，可以大幅度地减少单轴压缩试验所需的成本和时间，在岩体工程设计初期具有重要价值。目前，诸多学者建立了单轴抗压强度与间接评价指标之间的回归函数和机器学习模型，其中大多数回归函数具有较强的地域性，转换公式表达形式也不统一，限制了经验回归模型的大规模推广和应用；而各种机器学习算法具有其独特的优化标准和假设条件，寻获合适有效的算法及其超参数，对于多数现场岩土工作技术人员具有较大的困难。

本研究在现代人工智能成果的基础上，提出基于遗传算法—选择性集成的岩石单轴抗压强度预测方法，耦合采用数据样本和算法参数扰动法，训练一批具有差异性的基学习器，进而通过遗传算法搜索最优基学习器子集，构建遗传算法—选择性集成学习(GA-SEL)模型。该方法引入了选择性集成学习技术，打破了同质集成或异质集成单独使用的思路，并通过遗传算法剔除冗余基学习器，最后融合多个优异的基学习器共同预测岩石单轴抗压强度，从而提高模型的泛化能力与效率，保障预测结果更具准确性、可靠性、鲁棒性，其流程如图1所示。

图1 基于遗传算法—选择性集成学习的岩石单轴抗压强度预测方法流程图

通过文献查询和数据汇编，收集了166个单轴抗压强度数据验证该方法的可行性与准确性。数据集由施密特锤回弹数、块冲指数、点荷载指数、纵波速度和单轴抗压强度构成，涵盖了多种岩石类型，具有较好的代表性。依据数据集建立GA-SEL模型，并对比分析了2种经验回归、4种单一机器学习与3种代表性集成学习模型，各种模型的预测结果如图2所示。

图2 各种模型的预测结果 (a) 经验模型1; (b) 经验模型2; (c) KNN; (d) SVM; (e) DT; (f) ANN; (g) bagging; (h) RF; (i)adaboost; (j) optimal base learner; (k) EL; (l) GA–SEL

各种模型的预测性能见表1，可见在所列举的模型中，GA-SEL模型具有最好的预测效果和泛化能力，比经验方法和其余机器学习模型更准确可靠，而GA-SEL模型只集成了7个基学习器，比全部集成学习模型具有更高的运行效率。本研究表明基于遗传算法—选择性集成学习的岩石单轴抗压强度预测方法通过挑选并互补部分优异基学习器，可较大程度提升预测模型的泛化性能，该方法具有较好的预测准确性和可靠性，克服了单一模型预测效果不稳定的缺陷，可作为预测岩石单轴抗压强度的有效工具，也为岩土工程类似问题提供方法借鉴。

表1 各种模型的预测性能