典型文献
基于超前钻探及优化集成算法的隧道围岩双层质量评价
文献摘要：
为解决隧道超前钻探地质预报在解译过程中存在的主观判断性强、定量数据利用率低、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集成算法模型(extreme gradient boosting,XGBoost),结合钻探数据开展隧道围岩完整程度与围岩级别的双层质量评价研究.一方面,采取数据降噪、等距分割、二级指标计算等数据预处理手段对11233条原始钻探采样数据进行规律发掘和质量提升;另一方面,结合遗传算法(genetic algorithm,GA)与分类器链(classifier chains,CC)构建GA-CC-XGBoost模型,实现复杂机器学习模型的超参数组合自动寻优以及多标签分类的内在相关性考虑.最终所构建训练集的完整程度与围岩级别2项标签的分类准确率分别为95.91％、97.95％,综合分类准确率为93.88％.经过实际隧道工程应用表明,该模型预测结果满足现场超前钻探地质预报的解译需求.
文献关键词：
隧道工程;超前地质预报;水平钻探;模型优化;多标签分类
中图分类号：
作者姓名：
梁铭;彭浩;解威威;宋冠先;朱孟龙;张亚飞
作者机构：
广西路桥工程集团有限公司, 广西南宁 530000
文献出处：
引用格式：
[1]梁铭;彭浩;解威威;宋冠先;朱孟龙;张亚飞-.基于超前钻探及优化集成算法的隧道围岩双层质量评价)[J].隧道建设（中英文）,2022(08):1443-1452
A类：
分类器链
B类：
超前钻探,集成算法,隧道围岩,解译,判断性,定量数据,数据利用率,评判标准,极限梯度提升,算法模型,extreme,gradient,boosting,XGBoost,围岩级别,质量评价研究,数据降噪,等距,指标计算,数据预处理,处理手段,采样数据,genetic,algorithm,GA,classifier,chains,CC,机器学习模型,超参数,数组,多标签分类,训练集,分类准确率,隧道工程,超前地质预报,水平钻探,模型优化
AB值：
0.364639
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
