(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110673385.8 (22)申请日 2021.06.17 (65)同一申请的已公布的文献号 申请公布号 CN 113326660 A (43)申请公布日 2021.08.31 (73)专利权人 广西路桥工程 集团有限公司 地址 530200 广西壮 族自治区南宁市良庆 区平乐大道 21号 (72)发明人 彭浩　梁铭　朱孟龙　宋冠先　 解威威　马文安　马必聪　周邦鸿　 钟华　杨康　张亚飞　 (74)专利代理 机构 四川力久律师事务所 512 21 专利代理师 任晓扬 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/12(2006.01) G06N 20/20(2019.01) (56)对比文件 CN 112884079 A,2021.0 6.01 CN 112948932 A,2021.0 6.11 CN 112287595 A,2021.01.2 9 CN 112348278 A,2021.02.09 CN 111832101 A,2020.10.27 CN 112785005 A,2021.0 5.11 CN 112733996 A,2021.04.3 0 CN 112522466 A,2021.0 3.19 CN 111242302 A,2020.0 6.05 梁军博.基于遗传算法的TBM操作参数优化 决策模型构建. 《中国优秀硕士学位 论文全文数 据库 (工程科技 Ⅱ辑)》 .2021, 审查员 郑攀 (54)发明名称 基于GA-XGBoost模型的隧道围岩挤压变形 预测方法 (57)摘要 本发明涉及隧道变形监测技术领域， 公开了 一种基于GA ‑XGBoost模型的隧道围岩挤压变形 预测方法， 为了实现该方法， 提出了一种科学合 理的指标体系， 包括隧道埋深H、 隧道直径D、 隧道 质量指标Q值、 支护刚度K； 方法包括步骤一， 获取 待测隧道的工程数据， 包括隧道埋深H、 隧道直径 D、 隧道质量指标Q值、 支护刚度K； 步骤 二， 将工程 数据输入到预先搭建的GA ‑XGBoost模型； 先搭建 的GA‑XGBoost模型是采用GA 遗传算法对XGBoo st 模型训练优化以后得到的模型； 步骤三， GA ‑ XGBoost模型根据待测数据输 出预测结果为隧道 围岩无大变形、 轻微大变形或中等及以上大变 形。 对比其它模型， GA ‑XGBoost模型的模型复杂 程度和模型性能具有足够的先进性； 对比其它调 参方法， GA调参在效率与准确度两个方面效果更 佳。 权利要求书3页 说明书15页 附图6页 CN 113326660 B 2022.11.29 CN 113326660 B 1.一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特征在于， 包括以下步 骤： 步骤一， 获取待测隧道的工程数据， 所述工程数据包括隧道埋深H、 隧道直径D、 隧道质 量指标Q值、 支护刚度K； 步骤二， 将所述工程数据输入到预先搭建的GA ‑XGBoost模型； 所述预先搭建的GA ‑ XGBoost模型是采用GA遗传算法对XGBo ost模型训练优化以后得到的模型； 步骤三， GA ‑XGBoost模型根据所述待测数据输出预测结果为隧道围岩无大变形、 轻微 大变形或中等及以上 大变形； 其中， 搭建所述GA ‑XGBoost模型具体包括以下步骤： S1， 获取样本数据； 所述样本数据的特征包括隧道埋深H、 隧道直径D、 隧道质量指标Q 值、 支护刚度K； S2， 对样本数据依次进行缺失值填充、 标准化处理， 以及分类标签设置， 建立训练数据 集； S3， 将训练数据集输入XGBoost模型， 并通过GA遗传算法对所述XGBoost模型进行模型 训练， 确定XGBo ost模型的最佳参数组合， 得到GA ‑XGBoost模型； S3中通过GA遗传算法对所述XGBo ost模型进行模型训练具体包括以下步骤： S31， 选取 XGBoost模型超参数， 设置超参数的取值范围， 另外， 还设置GA算法迭代参数； S32， 使用 均匀交叉的方法进行种群迭代， 根据适应度值保留最优个体， 并从前代中筛 选适应度值 最高的个 体共同组成新的种群； 迭代过程中随机 选择参数进行突变； S33， 计算fit(n)max与fit(n‑1)max之间的差值， 记为第一差值， 计算fit(n ‑1)max与fit (n‑2)max之间的差值， 记为第二差值， 其中fit(n)max为第n次迭代后种群中最优个体的适应 度值， fit(n ‑1)max为第n‑1次迭代后的种群中最优个体的适应度值， fit(n ‑2)max为第n‑2次 迭代后的种群中最优个体的适应度值， 如果所述第一差值或第二差值不等于预设阈值， 则 继续执行步骤S32； 如果第一差值和第二差值都等于所述预设阈值， 则输出第n代的该最优 个体中所携带的染色体信息， 作为XGBoost最优超参数组合， 并将具有最优超参数组合的 XGBoost模型输出为 最终的GA ‑XGBoost模型。 2.如权利要求1所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， 根据应 变百分比ε设置所述分类标签， 具体设置为： ε<1％时分类标签为 “无大变形”， 编码为0； 1％≤ ε≤2.5％时分类标签为 “轻微大变形 ”， 编码为1； ε＞2.5％时分类标签为 “中等及以上 大变形”， 编码为2。 3.如权利要求1所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， 所述预设阈值设为0 。 4.如权利要求1所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， 所述GA算法迭代参数中， 初始种群数量设置为大于2的整数， 突变概率设置为0.1 ‑ 0.001之间的任意 值。 5.如权利要求1所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， S31所述XGBo ost模型超参数包括： 学习率learning_rate， 取值范围为0.01～1；权　利　要　求　书 1/3 页 2 CN 113326660 B 2弱评估器数量 n_estimators， 取值范围为10～15 00的整数， 指定增量 为25； 树模型最大深度max_depth， 取值范围为1～10的整数， 指定增量 为1； 叶子节点 二阶导数和mi n_child_weight， 取值范围为0.01～10.0； 随机抽样抽取的样本比例subsample， 取值范围为0.01～1.0； 随机抽取 特征的比例co lsample_byt ree， 取值范围为0.01～1.0 。 6.如权利要求1 ‑5任一所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方 法， 其特征在于， 所述隧道埋深H为 地表到隧道的高差； 所述隧道直径D在隧道设计 轮廓为非圆形时的计算公式如下： 其中， A为隧道截面 面积； 所述隧道质量指标Q 值的计算公式如下： Q＝(RQD·Jr·Jw)/(Jn·Ja·SRF) 其中RQD为岩 石质量指标， Jr为节理粗糙度系数， Jw为节理水折减系数， Jn为节理组数， Ja 为节理蚀变 影响系数， SRF为应力折减系数。 7.如权利要求6所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， 所述支护刚度K， 由实际使用的支护方法以及对应的支护刚度计算公式计算得出， 所述支护方法包括喷射混凝 土衬砌支护、 钢架 支护、 锚杆支护或复合衬砌支护； 所述喷射混凝 土衬砌支护对应的支护刚度KC的计算公式为： 其中Ec为喷射混凝土弹性模量， vc为喷射混凝土泊松比， R为隧道半径， tc为喷射混凝土 厚度； 所述钢架 支护对应的支护刚度KS的计算公式， 为： 其中Es为钢架弹性模量， As为钢架截面面积， d为钢架间距， R为隧道半径， hs为钢架界面 高度； 所述锚杆支护对应的支护刚度Kb的计算公式， 为： 其中Sc为径向间距， Sl为纵向间距， db为锚杆直径， Eb为弹性模 量， R为隧道半径， Q为荷载 位移常数， l 为锚杆长度。 8.如权利要求7所述的一种基于GA ‑XGBoost模型的隧道围岩挤压变形预测方法， 其特 征在于， 所述标准化处理按照如下公式对所述样本数据进行处理， 使样本数据服从标准正 态分布： x*＝(x‑μ )/σ权　利　要　求　书 2/3 页 3 CN 113326660 B 3