基于混合机器学习的预测模型,用于岩石不连续性的峰值扩展角度
Shijie Xie1, Rubing Yao2,3, Yatao Yan1
1School of Civil Engineering, Southeast University, Nanjing 210096, China.
Materials (Basel, Switzerland)
|October 14, 2023
概括
这项研究引入了一种混合机器学习模型,以准确预测岩石断层的峰值膨胀角度. 这种新的方法显著改进了传统方法和现有的岩石质量评估模型.
科学领域:
- 地质技术工程 地质技术工程
- 岩石机械 岩石机械
- 计算智能是一种计算智能.
背景情况:
- 峰值膨胀角度对于评估岩石质量的机械行为至关重要.
- 传统的方法来确定剪切膨胀角度缺乏足够的准确性和效率.
- 机器学习为基于多个因素预测结果提供了一种有希望的方法.
研究的目的:
- 开发和验证一种新的混合机器学习模型,用于预测峰值扩张角.
- 为了提高预测准确度和优化模型超参数用于岩石不连续性分析.
- 将拟议模型的性能与现有方法进行比较.
主要方法:
- 开发了一个混合机器学习模型,将支持向量回归 (SVR) 与网格搜索优化算法相结合.
- 该模型在89个岩石不连续性样本的数据集上进行了训练和测试.
- 输入变量包括形态和机械性能参数,重点是正常应力.
主要成果:
- 拟议的混合SVR模型实现了0.917的确定系数 (R2) 和4.5%的平均绝对百分比误差 (MAPE).
- 该模型与原来的SVR模型和传统分析模型相比,表现出了更高的性能.
- 正常应力被确定为影响峰值膨胀角的最有影响力的机械参数.
结论:
- 开发的混合机器学习模型对于预测岩石不连续性的峰值扩张角度是有效的.
- 整合网格搜索优化显著提高SVR性能.
- 这种方法为岩石力学评估提供了更准确,更有效的工具.
