使用纤维布拉格格应变传感器数据预测覆盖沉降沉降洞体积
Wesley B Richardson1, Suné von Solms1, Johan Meyer1
1Department of Electrical and Electronic Engineering Science, University of Johannesburg, Johannesburg 2006, South Africa.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
机器学习技术可以使用纤维布拉格格洞传感器数据来确定覆盖-沉降洞体积. 极端梯度提升 (eXtreme Gradient Boosting) 在预测从菌株数据中沉坑体积方面表现出最高的准确性.
科学领域:
- 地质技术工程 地质技术工程
- 地理危险 地区性危险
- 传感器技术 传感器技术
背景情况:
- 沉坑对基础设施和人类安全构成重大风险,特别是在可地形的地形上.
- 准确的监测和覆盖沉降 (C-S) 沉降洞的体积估计对于降低风险至关重要.
研究的目的:
- 为了研究使用纤维布拉格格 (FBG) 传感器应变数据和机器学习 (ML) 来确定C-S沉坑体积的可行性.
- 为了比较不同的ML算法在预测海坑体积方面的性能.
主要方法:
- 使用测试装置试验形成C-S深坑的实验.
- 使用FBG传感器在深坑开发过程中收集菌株数据.
- 应用和比较权重最小平方 (WLS) 回归,支向量回归 (SVR) 和极端梯度提升 (XGBoost) 用于体积回归.
主要成果:
- 假设正常的ML算法被发现不适合C-S沉阶段分类和用FBG菌株数据进行体积回归.
- WLS回归产生了最低的R2值.
- 与WLS相比,SVR显示了更好的性能.
- XGBoost实现了最高的R2值 (1.00用于训练,0.97用于测试) 和最低的根平均平方误差.
结论:
- 极端梯度增强是使用FBG传感器应变数据来确定C-S沉坑体积的高效方法.
- FBG传感器与先进的ML技术相结合,为沉坑监测和评估提供了一个有前途的方法.
