【技术实现步骤摘要】
本专利技术涉及岩爆领域，具体是一种基于可解释性机器学习模型的岩爆风险等级预测方法。
技术介绍
1、岩爆是在高应力状态下，硬、脆性围岩在开挖或其他荷载扰动作用下，快速释放蓄积的弹性能，产生岩石剥落、碎化、弹射的动力失稳灾害。岩爆具有突发性、危害大等特点，对施工人员与机械设备构成较大威胁，同时也会耽误工期，造成较大经济损失。因此，快速、准确地预测岩爆风险，对降低岩爆灾害，提高隧洞工程的稳定性和安全性具有重要意义。
2、目前，岩爆风险评估的方法主要有单指标经验判据法和多指标综合决策法。单指标经验判据法主要基于强度理论、能量理论和脆性理论。基于单指标经验判据的岩爆风险评估方法通常依赖于单一指标或经验规则来评估岩爆风险，简单直观，易于理解和应用。然而，由于岩爆机制的复杂性，仅凭单一指标预测的可靠度可能难以满足实际工程需求。多指标综合决策法主要基于多指标集结、不确定性理论、排序思想以及机器学习。其中，基于机器学习的方法能够更好地处理数据间的非线性关系和复杂特征，提高风险评估的准确性和效率。
3、然而，机器学习模型通常被视为“黑箱”，其预测过程缺乏透明度，难以揭示各评价指标与岩爆等级间的相关性及影响程度，限制了其在岩爆风险评估中的应用。
技术实现思路
1、为了提高预测结果的可信度，本申请提供了一种基于可解释性机器学习模型的岩爆风险等级预测方法。
2、本专利技术解决上述问题所采用的技术方案是：
3、基于可解释性机器学习模型的岩爆风险等级预测方法，包括
4、步骤1、岩爆样本收集与数据预处理；
5、步骤2、基于预处理后的数据获取特征组合，对岩爆等级进行合并，并基于特征组合及合并后的岩爆等级采用机器学习算法建立岩爆风险等级预测模型，采用预处理后的数据对其进行训练；
6、步骤3、基于解释性算法对岩爆风险等级预测模型进行全局和局部解释性分析。
7、进一步地，所述步骤1中的预处理包括：去除异常值、填充缺失值及归一化处理。
8、进一步地，所述步骤2具体包括：
9、步骤21、采用特征筛选方法对岩爆样本中的特征进行筛选；
10、步骤22、对筛选出的特征采用特征组合算法生成不同的特征组合；
11、步骤23、分别基于特征组合及合并后的岩爆等级采用机器学习算法建立岩爆风险等级预测模型；
12、步骤24、基于预测误差rmse值对预测模型进行筛选以获取最优岩爆风险等级预测模型；
13、步骤25、采用预处理后的数据对最优岩爆风险等级预测模型进行训练。
14、进一步地，所述特征筛选方法为方差筛选、相关系数筛选或特征重要性评估；所述特征组合算法为递归特征消除、特征交叉或多项式特征生成。
15、进一步地，所述步骤24具体为：获取预测误差rmse值最小的前n个岩爆风险等级预测模型，分别对其进行模型性能评价，基于模型性能评价结果获取最优岩爆风险等级预测模型。
16、进一步地，模型性能评价指标包括：准确率accuracy、精确率precision、召回率recall及f1-score；
17、
18、
19、
20、
21、其中，tp、fp、fn和tn分别代表混淆矩阵中的真阳性、假阳性、假阴性和真阴性。
22、进一步地，所述步骤2中对岩爆等级进行合并具体为：将岩爆等级合并为三类或两类。
23、进一步地，若岩爆等级合并为三类，则：第一类包含无岩爆，第二类包含轻微岩爆，第三类包含中等岩爆和强烈岩爆；
24、若岩爆等级合并为两类，则：第一类包含无岩爆和轻微岩爆，第二类包含中等岩爆和强烈岩爆；或第一类包含无岩爆，第二类包含轻微岩爆、中等岩爆和强烈岩爆。
25、进一步地，所述机器学习算法具体为xgboost，所述解释性算法为shap算法。
26、本专利技术相比于现有技术具有的有益效果是：
27、采用解释性算法能够分解并定量映射各个评价指标对岩爆风险评估模型预测结果的贡献，这一过程有助于识别影响岩爆风险预测的关键因素，阐明预测模型的决策逻辑，克服预测模型在可解释性方面的局限，增强预测结果的可信度。
28、通过对岩爆等级进行合并，将多分类问题简化为更少的分类，可以更集中地处理类别之间的差异，降低模型的学习难度和复杂性，减少过拟合的风险。通过这样的转换，工程现场也可以制定更为合理的安全措施、优化资源分配、调整监测重点。
本文档来自技高网...【技术保护点】
1.基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，包括：
2.根据权利要求1所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤1中的预处理包括：去除异常值、填充缺失值及归一化处理。
3.根据权利要求1所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述特征筛选方法为方差筛选、相关系数筛选或特征重要性评估；所述特征组合算法为递归特征消除、特征交叉或多项式特征生成。
5.根据权利要求3所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤24具体为：获取预测误差RMSE值最小的前N个岩爆风险等级预测模型，分别对其进行模型性能评价，基于模型性能评价结果获取最优岩爆风险等级预测模型。
6.根据权利要求5所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，模型性能评价指标包括：准确率Accuracy、精确率Precision、召回率Rec
7.根据权利要求1所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤2中对岩爆等级进行合并具体为：将岩爆等级合并为三类或两类。
8.根据权利要求7所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，若岩爆等级合并为三类，则：第一类包含无岩爆，第二类包含轻微岩爆，第三类包含中等岩爆和强烈岩爆；
9.根据权利要求1-8任意一项所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述机器学习算法具体为XGBoost，所述解释性算法为SHAP算法。
...【技术特征摘要】
1.基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，包括：
2.根据权利要求1所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤1中的预处理包括：去除异常值、填充缺失值及归一化处理。
3.根据权利要求1所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述特征筛选方法为方差筛选、相关系数筛选或特征重要性评估；所述特征组合算法为递归特征消除、特征交叉或多项式特征生成。
5.根据权利要求3所述的基于可解释性机器学习模型的岩爆风险等级预测方法，其特征在于，所述步骤24具体为：获取预测误差rmse值最小的前n个岩爆风险等级预测模型，分别对其进行模型性能评价，基于模型性能评价...
【专利技术属性】
技术研发人员：夏勇，王仁坤，刘跃，孙博，唐碧华，赵桂连，
申请(专利权)人：中国电建集团成都勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。