滑坡堰塞坝是一种常见的地质灾害,对上下游生命财产安全、生态环境安全造成了巨大威胁。堰塞坝形成后,对其稳定性和寿命进行快速准确地预测,可为实施抢险救灾行动提供科学的指导,从而避免或减轻灾害造成的损失。目前现有的堰塞坝稳定性分类模型及寿命预测模型多为线性模型,无法充分表征稳定性、寿命和坝体形态几何参数、水域条件等影响因素之间复杂的非线性关系,预测精度有待进一步提升。因此,本文使用结合群体智能优化算法的机器学习模型对堰塞坝稳定性及寿命进行预测以达到减小预测误差的目的,主要工作内容和成果如下:（1）通过系统的文献研究,采取统一的标准收集每一个堰塞坝的信息,最终汇总形成堰塞坝稳定性及寿命数据库。根据缺失值将样本分类并使用对数转换、离群值检测、编码、无量纲化等方法将数据处理成机器学习模型接受的形式,进而结合理论、数据获取难度、算法对数据的要求建立了参数的筛选方法,为后续建立机器学习模型奠定了基础。（2）基于堰塞坝稳定性数据库,提出结合灰狼优化算法（Gray Wolf Optimizer,GWO）的三种分类模型对坝体稳定性进行预测并使用多种指标评估模型的预测性能,进而基于模型研究了各输入参数的重要程度。结果表明:灰狼算法优化的极端随机树分类模型(GWO＿ERT（MVHLAS）)的预测效果最好,平均准确率达到了89.99%,误判率仅为4.27%;稳定性预测的重要特征依次为坝体高度H、坝体体积V、主要物质组成M、坝体长度L、集水区面积A、下游河道坡度S。（3）针对堰塞坝寿命预测精度差的问题,在特征构造的基础上提出使用灰狼算法优化的三种回归模型对堰塞坝的寿命进行预测,通过对比选出最优模型并研究了输入参数的重要程度。结果表明:灰狼算法优化的梯度提升树回归模型(GWO＿GBDT（MHLWq）)对堰塞坝寿命预测效果最好,平均决定系数R2达到了0.7286;对寿命预测较为重要的特征分别为坝体高度与长度的乘积HL、坝体长度的平方L2、年平均流量的平方q2。（4）针对机器学习模型是黑箱模型,无法提供一个清晰直观的数学表达式,从而限制在实际工程中应用的问题,在需求分析及可行性分析的基础上,对系统的界面及功能进行设计,基于建立的稳定性及寿命机器学习预测模型构建了堰塞坝稳定性及寿命智能预测系统。经过采用实际案例对系统进行测试,结果表明该系统运行稳健且具有较高的实用性。
暂无评论