Adaboost集成学习优化的巷道围岩松动圈预测研究

摘要：

为提高巷道围岩松动圈预测准确率,给围岩支护和地压管理提供更科学的指导,提出了一种新的预测方法.采用改进的Adaboost回归算法对3种机器学习算法进行集成优化,即在Adaboost回归算法中寻找误差率阈值的最优值,实现Adaboost全局最优的集成效果.应用网格搜索对BP、SVM和RF的超参数进行优化,建立BP-Adaboost、SVM-Adaboost和RF-Adaboost回归预测模型.结果表明:BP-Adaboost模型的预测性能最好,误差率为7.65%.结合矿山松动圈测试实例进行验证分析,平均相对误差为4.15%.因此,所提出的模型能够为围岩松动圈预测提供参考,可以满足工程应用的需求.

关键词：围岩松动圈、网格搜索、Adaboost算法、BP神经网络、支持向量机、随机森林

所属期刊栏目：31

分类号：TD322(矿山压力与支护)

资助基金：国家重点研发计划2018YFC0604606

在线出版日期：2023-07-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：497-506