基于Borderline-SMOTE-RF模型的岩爆预测

高泽星 ,  缪海波 ,  张庆贺 ,  梁超 ,  潘红桂

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :350-361

PDF (15776KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :350-361 DOI: 10.12404/j.issn.1671-1815.2500152
交通运输

基于Borderline-SMOTE-RF模型的岩爆预测

作者信息 +

Rockburst Prediction Based on Borderline-SMOTE-RF Model

Author information +
文章历史 +

摘要

岩爆的准确预测是消减岩爆灾害的基础,并对深部地下工程的安全具有重要意义。构建了241组岩爆数据集,选取单轴抗压强度、单轴抗拉强度、脆性系数、最大切向应力、弹性能指数、最大切向应力与单轴抗压强度之比作为岩爆预测指标。首先对原始岩爆数据进行统计分析,通过变异系数初步判断存在离群点,使用t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)方法将数据降维至三维进行可视化分析,从而直观判断出原始岩爆数据不平衡且存在离群点,然后采用Borderline-SMOTE过采样使数据平衡化、Yeo-Johnson变换使数据正态化。通过不同数据预处理手段,建立3种随机森林模型,即RF模型、SMOTE-RF模型及Borderline-SMOTE-RF模型,采用网格搜索与十折交叉验证进行参数调优,结合混淆矩阵和多个评价指标对模型性能进行评估。结果表明,Borderline-SMOTE-RF模型预测准确率最高,为82.7%。最后将该模型应用于江边水电站引水隧洞岩爆预测,预测结果与实际情况高度吻合。研究成果可为岩爆灾害预测提供有益参考。

Abstract

Accurate prediction of rockburst is fundamental for mitigating rockburst hazards and holds significant importance for the safety of deep underground engineering. A data set containing 241 rockbursts was constructed. Uniaxial compressive strength (UCS), uniaxial tensile strength (UTS), brittle-coefficient (BI), maximum tangential stress (MTS), elastic energy index (Wet), and the ratio of maximum tangential stress to uniaxial compressive strength (SCF) were selected as the prediction indexes of rockburst. Statistical analysis of the original dataset initially identified outliers through coefficient of variation. The t-distributed stochastic neighbor embedding(t-SNE) method was employed to reduce data dimensionality to three dimensions for visualization, which intuitively revealed data imbalance and outliers. Subsequently, Borderline-SMOTE oversampling was applied to balance the dataset, followed by Yeo-Johnson transformation for data normalization. Through different data preprocessing strategies, three random forest models were developed: the RF model, SMOTE-RF model, and Borderline-SMOTE-RF model. Grid search combined with 10-fold cross-validation was implemented for parameter optimization, and model performance was evaluated using confusion matrices and multiple metrics. Results demonstrate that the Borderline-SMOTE-RF model achieves the highest prediction accuracy of 82.7%. The proposed model was ultimately applied to rockburst prediction in the headrace tunnel of Jiangbian hydropower station, showing high consistency with actual situation. The research findings can provide valuable insights for rockburst disaster prediction.

Graphical abstract

关键词

岩爆预测 / 随机森林 / t-SNE / Yeo-Johnson变换 / Borderline-SMOTE

Key words

rockburst prediction / random forest / t-SNE / Yeo-Johnson transformation / Borderline-SMOTE

引用本文

引用格式 ▾
高泽星, 缪海波, 张庆贺, 梁超, 潘红桂. 基于Borderline-SMOTE-RF模型的岩爆预测[J]. 科学技术与工程, 2026, 26(1): 350-361 DOI:10.12404/j.issn.1671-1815.2500152
GAO Ze-xing, MIAO Hai-bo, ZHANG Qing-he, LIANG Chao, PAN Hong-gui. Rockburst Prediction Based on Borderline-SMOTE-RF Model[J]. Science Technology and Engineering, 2026, 26(1): 350-361 DOI:10.12404/j.issn.1671-1815.2500152

登录浏览全文

4963

注册一个新账户 忘记密码

岩爆作为地下岩石工程中一种常见的动力破坏现象,其特点是突发性强、随机性高以及危害性大[1-2]。岩爆不仅制约着地下工程建设的进程,对人民的生命和财产安全也造成了极大威胁[3]。随着中国城镇化的不断发展,地下空间的开发与利用正在以惊人的速度向深部发展,深地工程建设中的岩爆问题日益凸显。在这种态势下,加强岩爆灾害的预测研究,对确保深部地下工程的顺利开展、保障工作人员的生命安全并防止施工设备遭受损失等方面都有着极为重要的意义。
国内外学者从应力、能量、岩性以及临界深度等多角度提出了不同的岩爆倾向性分析的理论判据[4]。但是岩爆发生机理复杂、影响因素繁多,仅从单一判据来预测岩爆无法获得可靠的结果。随着大数据和人工智能时代的到来,机器学习已经成为了学界研究与应用的一个热点[5]。冯夏庭[6]首次将机器学习与岩爆预测相结合,建立了基于神经网络的自适应模式识别方法来预测岩爆烈度。苏国韶等[7]利用K-最近邻方法对岩爆的发生进行推理,以达到岩爆预测的目的。Dong等[8]建立了两种指标组合形式,并结合随机森林分类模型有效地预测了岩爆发生的等级。以上研究主要集中在岩爆预测算法的创新与利用,大力推动了岩爆预测的发展。但以往的研究忽视了岩爆发生在世界各地不同的工程中,工况差异较大,岩爆样本存在一定数量的离群样本,岩爆类别不均衡等。而基于机器学习的岩爆预测模型会关注多数类,忽视少数类,导致预测模型的准确率过低。对于上述情况,部分学者如谭文侃等[9]采用局部离群因子(local outlier factor,LOF)算法剔除岩爆样本中的离群值,并利用改进合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法处理样本不平衡问题;汤志立等[10]采用随机过采样技术随机复制少数类样本,并采用主成分分析(principal component analysis,PCA)对数据进行降维处理,建立了9种岩爆预测模型。随机过采样技术通过随机复制少数类来平衡数据集,但是有可能会重复复制样本数据,导致过拟合现象。SMOTE通过合成少数类的样本来平衡数据,但会引入噪声,导致分类效果变差。
为此,现将Yeo-Johnson正态化变换与Borderline-SMOTE算法相结合,首先对已发表文献中搜集的241组岩爆数据进行预处理,前者可将数据转换为正态分布,尽可能减小离群点对模型分类性能的影响,后者可生成新的样本,以平衡数据集,并结合矩阵散点图可视化数据预处理前后样本分布情况。接着利用t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)方法,将高维岩爆数据转换到低维空间进行可视化分析,更直观地观察样本分布的情况。然后建立随机森林(random forest,RF)分类模型对经上述方法预处理后的数据集进行样本的学习和岩爆预测,并采用准确率、精确率、召回率、F1、宏平均及微平均等指标[10]对所建模型的分类性能进行综合评估。最后将该模型应用到江边水电站引水隧洞中进行岩爆预测,验证其可靠性和实用性。

1 岩爆数据描述性统计与可视化

1.1 岩爆评价指标确定

建立合适的评价指标对于准确预测岩爆等级十分重要。学界对于评价指标的优选进行了大量的研究,但仍未取得统一。岩爆发生机理复杂,影响因素繁多。主要包括岩性因素、应力因素、施工方法及岩体的储能情况等,选取的指标不仅要反映岩爆的诸多影响因素,还要便于工程现场的获取[11]。

根据冯夏庭等[1]的研究发现,岩爆主要发生在储能性质好、具有脆性特征的完整硬岩中,汤志立等[10]考虑到不同的岩爆评价指标可能对岩爆烈度等级的决定作用也不同,选取了8个与岩爆烈度等级预测有关的常用指标,建立了10种不同的特征组合,最终确定由岩石单轴抗压强度(uniaxial compressive strength,UCS)、岩石单轴抗拉强度(uniaxial tensile strength,UTS)、脆性系数(brittle-coefficient,BI)、最大切向应力(maximum tangential stress,MTS)、弹性能指数Wet和最大切向应力与单轴抗压强度之比SCF共6个指标组成的岩爆等级预测指标为最优评价指标组合。付自国等[12]也考虑到诱发岩爆的各种因素,选取了以上6个指标作为SOFM(self-organizing feature mapping)模型的评价指标。故根据既有研究的经验,选取上述6个评价指标作为岩爆等级预测的评价指标体系,该体系综合考虑了岩爆发生的影响因素,可对岩爆灾害进行更加全面的预测。其中MTS和SCF能够反映围岩的应力集中程度;UTS能够反映围岩的破坏形式;UCS能够反映围岩的韧性及完整性;BI能够反映岩石脆性的大小;Wet能够反映围岩储能的性能。

1.2 岩爆烈度等级划分

对于岩爆烈度等级的划分,国内外学者基于强度理论提出了许多相关的判据和岩爆分级方法,具有代表性的如Russenes[13]根据岩爆时的声响、岩体破坏程度及变形形态将岩爆划分为无岩爆、轻微岩爆、中等岩爆和严重岩爆4个等级。但是这种单一指数的岩爆判别标准在分类模型中容易出现较大的偏差。考虑到岩爆发生的剧烈程度及破坏特征,根据冯夏庭等[14]、韩策等[15]及杨莹春等[16]的研究,将岩爆分为4个等级,分别为无岩爆、弱岩爆、中等岩爆以及强烈岩爆。值得注意的是,为了确保分类的完整性和全面覆盖岩爆的各种情况,将文献[14]中小于31分的岩爆类型划分为无岩爆,这有助于机器学习模型更全面地学习和理解岩爆现象。采用的岩爆烈度分级如表1所示。

1.3 岩爆案例获取与分析

所收集的国内外工程岩爆案例均来自已公开发表的文章,剔除重复样本后得到241组岩爆案例数据。其中186组来自Zhou等[17],43组来自Dong等[8],剩下12组来自吴顺川等[18]的研究样本。

参考表1将241组岩爆划分为4类:1级(无岩爆)样本39个,2级(弱岩爆)样本80个,3级(中等岩爆)样本86个,4级(强烈岩爆)样本36个。四类岩爆样本分布如图1所示。可知,无岩爆与强烈岩爆的样本数据量偏小,中等岩爆和强烈岩爆样本数目差异较大,比例达1∶2.4,存在数据不均衡问题,这是由于强烈岩爆发生的实例较少、破坏性强,可能会破坏数据搜集设备,而属于无岩爆的样本因其未发生岩爆,故而搜集的数据较少[19]。这种数据不平衡问题会导致分类模型在预测过程中更多地关注多数类样本而忽视少数类样本,从而影响模型的分类性能。

除了对岩爆数据集进行均衡性分析外,还采用最大值、最小值、均值、变异系数对各岩爆特征的分布规律和范围进行分析,结果如表2所示。可以看出,各等级岩爆特征的最大值和最小值相差较大,从均值也可看出数据样本呈现明显的偏态,且各等级岩爆特征的变异系数较大,最大可达0.73,最小为0.30,初步判断离群点较多。

1.4 岩爆数据的t-SNE降维可视化分析

依靠单一的统计分析不能对岩爆数据的分布及形态进行全面的了解。为全面观察岩爆数据的状态,可绘制岩爆数据分布图并观察岩爆数据在2维或3维空间中的分布情况。岩爆数据特征维度有6个,由于高维特征无法直接绘制分布图,因此利用t-SNE方法[20]对岩爆数据进行降维可视化分析。

t-SNE方法是一种非线性降维方法,其优点是能够在保留原始数据点分布特性的条件下将高维空间数据映射到低维空间[21]。t-SNE算法的流程如下。

步骤1 在高维空间中计算数据点之间的相似性。假设高维空间的原始数据矩阵为$X\in {\mathrm{R}}^{\mathrm{m}\times \mathrm{n}}$,降维后的矩阵为$Y\in {\mathrm{R}}^{\mathrm{m}\times 3}$,即从n维降低到3维,则X中任意两个样本点之间的相似性为条件概率$P\left(j\left|i\right.\right)$,且局部符合高斯分布[22]。

步骤2 在低维空间中随机初始化数据点。在低维空间中(本文研究为3维),为每个数据点随机分配一个初始位置,然后采用t分布计算低维空间中数据点的相似性。计算表达式为

$\mathrm{Q}\left(\mathrm{i}\left|j\right.\right)=\frac{(1+\Vert {y}_{i}-{y}_{j}{\Vert }^{2}{)}^{-1}}{\sum _{k\ne l}(1+\Vert {y}_{k}-{y}_{l}{\Vert }^{2}{)}^{-1}}$

式(1)中:$Q\left(i\left|j\right.\right)$为低维空间中数据点之间的相似性;yi、yj、yk和yl均为低维空间中的数据点。

步骤3 优化目标函数。KL散度(Kullback-Leibler散度)是衡量两个概率分布之间差异的指标,t-SNE通过优化该目标函数可以找到一个最优的低维空间,使其中数据点的相似性尽可能接近高维空间中数据点的相似性。KL散度C的计算表达式为

$\mathrm{C}=KL(\mathrm{P}\Vert \mathrm{Q})=\sum _{i}\sum _{j}P\left(i\left|j\right.\right)\mathrm{l}\mathrm{n}\frac{P\left(i\left|j\right.\right)}{Q\left(i\left|j\right.\right)}$

步骤4 更新低维空间中数据点的位置。使用随机梯度下降算法(stochastic gradient descent,SGD)不断迭代低维空间中数据点的位置,使得损失函数不断收敛,最终确定最优的低维表示[23]。

在Python中调用Scikit-learn及Matplotlib工具库实现t-SNE的降维可视化分析,在降维过程中对重要参数进行调整,其他参数取默认值,最终优化参数如表3所示。

将原始岩爆数据利用t-SNE方法降维到3维空间,如图2所示。需指出的是,图2中样本点是由t-SNE方法根据数据点在高维空间中的相似性关系映射到三维空间中的。因此,图2中坐标轴代表的是数据点在三维空间中的位置,并不是数据点本身的某个具体属性或特征[24]。由图2可知,4类岩爆数据中均有较多的离群点,样本分布不均衡,且各等级岩爆数据糅合在一起,不具备可分性,这会严重影响分类模型的预测性能。因此,有必要对数据进行预处理。

2 岩爆数据集预处理

2.1 Yeo-Johnson变换

岩爆数据集中离群点的产生主要是因为其来源于世界不同地域的不同工程案例,或者由于数据测量方式不同、测量仪器精度不高、工人操作过程不规范等,导致了原始岩爆数据集中存在离群点。因此,首先采用Yeo-Johnson变换[25]将数据正态化,减小离群点对分类模型性能的影响[26]。其定义为:给定实数域上的随机变量$X\in \mathrm{R}$,Yeo-Johnson变换是一组分段函数。

当随机变量非负时,其表达式为

$Y=\left\{\begin{array}{ll}\mathrm{l}\mathrm{n}(X+1),& \lambda =0,X\ge 0\\ [{(X+1)}^{\lambda }-1]/\lambda,& \lambda \ne 0,X\ge 0\end{array}\right.$

当随机变量为负时,其表达式为

$Y=\left\{\begin{array}{ll}-\mathrm{l}\mathrm{n}(-X+1),& \lambda =2,X\le 0\\ -[{(-X+1)}^{2-\lambda }-1]/(2-\lambda ),& \lambda \ne 2,X\le 0\end{array}\right.$

式中:λ为变换系数,由极大似然估计法确定;Y为变换后的随机变量。

利用散点图矩阵对Yeo-Johnson变换前后的数据进行可视化分析,结果如图3所示。从图3(a)可知,对原始岩爆数据集进行Yeo-Johnson正态化变换前,任意两个指标下岩爆等级的样本点均存在离群点,且主对角线直方图显示数据集分布呈明显的偏态。对比图3(b),在经过Yeo-Johnson变换后,样本点分布更集中,各等级岩爆样本簇拥成团,较好地控制了离群点对数据样本分布的影响,且样本分布较变换前更偏向于正态分布。

2.2 Borderline-SMOTE算法

对于不平衡数据集,一般可通过对其进行过采样或欠采样的方法进行预处理以达到平衡数据集的目的。过采样是通过随机生成或复制少数类样本,使少数类样本与多数类样本相均衡的采样方法,如随机过采样和应用广泛的SMOTE过采样[27]。欠采样是随机删除多数类样本,使多数类样本与少数类样本相均衡的采样方法,如随机欠采样。但随机过采样可能会重复复制同一个点,造成模型过拟合;SMOTE过采样通过在少数类样本间进行插值合成新的样本,虽然会减少过拟合风险,但合成过程中会引入噪声,模糊分类边界[28],从而导致分类效果变差。而随机欠采样方法适用于样本数量比较大的数据集,对于小样本数据集,直接采用随机欠采样方法会丢失许多重要信息。大多数分类模型在训练过程中会专注于学习每个类别的边界,而相较于远离决策边界的样本,这些位于边界附近的样本会更有可能被误分类。

鉴于此,提出利用Borderline-SMOTE算法,该算法对SMOTE方法进行了改进,通过仅针对边界上少数类样本进行近邻线性插值生成新样本,从而达到数据均衡的目的[29]。其过程如下。

步骤1 从少数类样本中识别出边界样本,其中少数类样本记为$P=\{{p}_{1},{p}_{2},\dots,{p}_{\mathrm{n}\mathrm{n}\mathrm{u}\mathrm{m}}\}$,多数类样本记为$N=\{{n}_{1},{n}_{2},\dots,{n}_{\mathrm{n}\mathrm{n}\mathrm{u}\mathrm{m}}\}$。

步骤2 对于P中的每一个样本pi,利用K近邻计算与其最近的m个样本。

$d(X,Y)=\sqrt{\stackrel{N}{\sum _{i=1}}({x}_{i}-{y}_{i}{)}^{2}}$

式(5)中:d为两样本点之间的欧式距离;xi和yi分别为N维向量X和Y的第i个元素。

步骤3 所有少数类样本分为Safe(K近邻中少数类样本大于50%)、Danger(K近邻中多数类样本大于50%)和Noise(K近邻中均为多数类样本)三类。然后按式(6)对Danger集合中样本进行近邻插值[30],生成新的样本点Sj。

${S}_{j}={p\text{'}}_{i}+{r}_{j}\mathrm{d}\mathrm{i}{\mathrm{f}}_{j},　j=\mathrm{1,2},3,\dots,s$

式(6)中:p'i为集合Danger中的样本点;rj为介于0~1的随机数;difj为p'i与s个最近邻之间的差值。

对Yeo-Johnson正态化变换后的数据集进行Borderline-SMOTE过采样后,总体岩爆数目由原来的241组增加到344组,各等级岩爆数目均为86组。图4为经过Yeo-Johnson正态化变换与Borderline-SMOTE过采样后样本的3维空间分布图。由图4可知,经过数据预处理后的岩爆数据集具有明显的分类边界,特别是1类样本和4类样本,可判定分类模型能够很好地找到上述边界。

除绘制数据预处理后的三维分布图外,还考虑到Borderline-SMOTE算法对数据进行过采样过程中可能会导致原始数据分布规律发生变化,故绘制经过Borderline-SMOTE过采样后数据集的散点图矩阵来观察数据的分布情况,如图5所示。对比图5与图3(b)发现,由于Borderline-SMOTE算法其优异的过采样表现,主对角线各指标间的分布规律并无明显改变,仅仅是样本数目相比过采样之前有所增多。

3 岩爆预测模型构建

3.1 随机森林算法概述

随机森林[31]是以决策树为基分类器的一个集成学习模型。其基本思想是通过bootstrap重复抽样技术,从训练集随机抽取K个样本,建立K个子数据集;对于每个子数据集,构建一个决策树模型,得到K种分类结果;最终通过单棵决策树的分类结果投票得出最终分类结果。作为一种新的集成算法,随机森林降低了过拟合风险,对于噪声和异常值有很好的容忍性,并且能够以较高的准确率进行分类任务[32]。

3.2 随机森林模型的构建

选取随机森林模型并在Anaconda平台利用Python语言进行编程实现,并调用Scikit-Learn工具库中的RandomForestClassifier类来进行随机森林分类模型的构建,将原始岩爆数据集分别进行不同的预处理手段后,建立3种随机森林模型,分别是未经过任何过采样处理的RF模型、经过SMOTE过采样处理的SMOTE-RF模型以及经过Borderline-SMOTE过采样处理的Borderline-SMOTE-RF模型。在模型建立过程中,按照7∶3比例将数据集随机划分为训练集与测试集。同时为了保证3种数据集在4类样本数目分布相同的尺度下进行预测,3种模型训练集划分的随机种子都设置为21。

由于随机森林模型参数较多,在训练过程中,采用网格搜索法对参数进行穷举搜索,在搜索过程中,对于参数网格中的每一组超参数,都进行一次十折交叉验证,即将训练集随机划分为10个互斥的子集,轮流使用其中9个部分作为训练集,剩余1个部分作为测试集,重复10次,得到10个准确率。按照上述方法对参数进行调优,并取10次交叉验证均值作为训练集的预测准确率。

由于网格搜索需要遍历所有参数取值组合,过程会十分耗时。因此,首先采用大步长寻找最优值可能存在的区间,再通过网格搜索并结合学习曲线缩小范围,最终确定优化参数如表4所示。

3.3 岩爆预测流程

所构建岩爆等级预测的随机森林模型预测流程如图6所示。

随机森林模型构建步骤如下。

步骤1 从给定的岩爆数据集中,随机有放回的抽取n个样本,形成新的子数据集。

步骤2 每个子数据集单独生长成为一棵决策树。在树的每个节点处随机从M个特征中选取m个特征(m≤M),并从m个特征中选取最优特征进行生长。在生长过程中寻找最优分类节点并进行剪枝操作,防止树模型肆意生长导致过拟合现象发生。

步骤3 根据步骤2,生成多个决策树对岩爆测试样本进行预测,对n个样本建立n个决策树模型并得到n个预测结果,最终根据预测结果投票得出最终分类结果。

3.4 预测性能评估

为了全面评估所建立的分类模型的泛化性能,通过绘制混淆矩阵对3种数据集在随机森林模型上的表现进行可视化对比分析。并根据混淆矩阵,按照式(7)计算出准确率(accuracy,A),其定义为模型正确分类样本数占总样本数的比例,即

$A=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

式(7)中:TP为模型预测为正类的正样本数目;TN为模型预测为负类的负样本数目;FP为模型预测为正类的负样本数目;FN为模型预测为负类的正样本数目。

通过图7所示的混淆矩阵并根据式(7)分别计算出三种分类模型的准确率,其中,RF准确率为71.2%,SMOTE-RF的准确率为75%,Borderline-SMOTE-RF的准确率为82.7%。从准确率来看,Borderline-SMOTE-RF模型远高于另外两种分类模型。这说明对于分类模型,不平衡的数据集会严重影响其预测性能,通过均衡化处理可有效改善该问题。

$\left\{\begin{array}{l}P=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\\ R=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\\ {F}_{1}=\frac{2PR}{P+R}\end{array}\right.$

以上评估指标适用于二分类问题,对于多分类问题,需要评估分类模型对不同类别的综合性能,还需采用宏平均及微平均。宏平均指所有类别的每一统计指标的算数平均值,包括宏精确率P、宏召回率R及宏F1,计算表达式如下。

$\left\{\begin{array}{l}P=\frac{1}{n}\stackrel{n}{\sum _{i=1}}{P}_{i}\\ R=\frac{1}{n}\stackrel{n}{\sum _{i=1}}{R}_{i}\\ {F}_{1}=\frac{2PR}{P+R}\end{array}\right.$

微平均是对数据集中的每一个实例不分类地进行统计,建立全局混淆矩阵,依此计算相应指标,其计算表达式如下。

$P=\frac{\stackrel{n}{\sum _{i=1}}\mathrm{T}{\mathrm{P}}_{i}}{\stackrel{n}{\sum _{i=1}}\mathrm{T}{\mathrm{P}}_{i}+\stackrel{n}{\sum _{i=1}}\mathrm{F}{\mathrm{P}}_{i}}$
$R=\frac{\stackrel{n}{\sum _{i=1}}\mathrm{T}{\mathrm{P}}_{i}}{\stackrel{n}{\sum _{i=1}}\mathrm{T}{\mathrm{P}}_{i}+\stackrel{n}{\sum _{i=1}}\mathrm{F}{\mathrm{N}}_{i}}$
${F}_{1}=\frac{2PR}{P+R}$

++++表5给出了RF模型、SMOTE-RF模型和Borderline-SMOTE-RF模型的岩爆分类性能评估结果。

除此之外,Borderline-SMOTE-RF模型的宏平均与微平均均值较RF模型均提升了11%,较SMOTE-RF模型分别提升6%和8%。由此看出,Borderline-SMOTE-RF模型对于四类岩爆预测都有着较强的泛化性能。

4 工程实例验证

4.1 工程概况

为了验证所提出的Borderline-SMOTE-RF模型的岩爆等级预测效果,采用江边水电站引水隧洞工程作为工程实例验证。

江边水电站位于雅砻江支流九龙河上,工程等级为二等大(2)型工程,是九龙河干流梯级规划“一库五级”的第五个梯级水电站,总装机容量330 MV,是一座以发电为主的低闸、长隧洞、高水头的引水式水电站。江边水电站引水隧洞穿越九龙河左岸山体,如

图8所示,其全长约8.6 km,隧洞断面约为7 m×8.4 m,埋深在100~1 677 m,属于深埋隧洞[33]。

江边水电站引水隧洞沿线地质构造主要以小断层、节理为主,未发现区域性断裂及大规模的断层分布,且隧洞通过的二叠系地层区,岩层以单斜地层居多,产状较稳定。引水隧洞地质情况复杂,其围岩发育二叠系下统甲黄沟群黑云母石英片岩和燕山期侵入的黑云母花岗岩,并存在两种不同岩石结合部发育的蚀变带。同时,黑云母石英片岩岩性较脆且节理发育,黑云母花岗岩地区岩石完整且强度高,这种地层岩性导致施工洞室中常有岩爆现象发生[34],如图9所示。

4.2 验证结果

采用江边水电站引水隧洞工程岩爆案例数据[35]对所提出的Borderline-SMOTE-RF模型的预测性能进行验证。江边水电站引水隧洞岩爆数据如表6所示。

首先将表6中岩爆实例数据作为新的样本,输入到Borderline-SMOTE-RF模型中进行数据预处理流程,经过预处理后的数据如表7所示。然后将所搜集的岩爆数据集作为训练集,将表7中数据作为测试集,对其进行预测,得到分类预测结果如图10所示。

由图10可以看出,1号样本与7号样本预测等级均为强烈岩爆,与实际情况符合,通过查阅文献[35]可以明确,两洞段工作面爆破后发生强烈岩爆,伴随类似爆破的二次声响并弹出大量石块,形成深达4 m的爆坑。3号样本与4号样本所在洞段均发育黑云母石英片岩,其中3号样本所在洞段埋深896 m,其破坏方式以层状或片状剥落及块状崩落为主,为中等岩爆;4号样本所在洞段埋深1 117 m,开挖后,围岩内部具有轻微撕裂声响,其破坏形式多表现为围岩开裂及松弛破坏,符合弱岩爆破坏特征[36]。Borderline-SMOTE-RF模型对于3号样本与4号样本分别预测为中等岩爆和弱岩爆,预测结果符合现场岩爆烈度。

值得注意的是,虽然4号样本埋深较3号样本大,但其岩爆烈度等级却小于3号样本,这说明埋深大不一定是影响岩爆烈度等级的必要条件,而岩性因素及应力条件的相互影响才是决定岩爆烈度等级的关键。

除此以外,Borderline-SMOTE-RF模型产生了一例误判,将样本2的实际等级2级岩爆预测为3级岩爆,预测结果比实际岩爆等级略高一级,虽然在预警防治方面会消耗更多的人力、财力和物力,但仍能保障现场施工人员及设备的安全。

5 结论

(1)构建了包含241组国内外工程案例的岩爆数据集,建立了包括岩石单轴抗压强度UCS、岩石单轴抗拉强度UTS、脆性系数BI、最大切向应力MTS、弹性能指数Wet、最大切向应力与单轴抗压强度之比SCF共6个指标在内的评价体系。

(2)对预处理前后数据集进行t-SNE降维可视化分析,可看出Yeo-Johnson变换能有效减少离群点的影响;Borderline-SMOTE过采样可改善数据不均衡。

(3)采用网格搜索和十折交叉验证对随机森林参数进行调优,并结合学习曲线在最短时间内快速确定模型最优参数。

(4)所建立的Borderline-SMOTE-RF模型总体准确率及F1均值分别较RF模型提升11.5%和12%,较SMOTE-RF模型提升7.7%和6%,对于四类岩爆样本预测都有着较强的泛化性能,将其运用到工程实例中,预测结果与真实情况吻合度较高。

(5)所提出的数据预处理方法克服了以往研究中收集的岩爆数据普遍存在的不平衡与离群点较多的问题,从数据层面提升了岩爆预测模型对不同工况下岩爆分类的适应性;其次,所采用的模型参数调优方法与传统方法相比,既保留了参数搜索的全面性,也大大降低了模型在复杂数据下的计算成本。同时,所提出的数据预处理流程及模型建立方法具有很好的普适性,可扩展至其他不平衡分类问题,为类似岩爆灾害的分类预测提供新的参考方案。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

冯夏庭, 肖亚勋, 丰光亮, 等. 岩爆孕育过程研究[J]. 岩石力学与工程学报, 2019, 38(4): 649-673.
[2]

Feng Xiating, Xiao Yaxun, Feng Guangliang, et al. Study on the development process of rockbursts[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(4): 649-673.
[3]

孙峰伟, 乔栋磊, 安艳军, 等. 深埋公路隧道高地应力场特征分析及岩爆预测[J]. 科学技术与工程, 2022, 22(26): 11592-11600.
[4]

Sun Fengwei, Qiao Donglei, An Yanjun, et al. Characteristic analysis of high in-situ stress field and rockburst prediction of deep-buried highway tunnel[J]. Science Technology and Engineering, 2022, 22(26): 11592-11600.
[5]

张镜剑, 傅冰骏. 岩爆及其判据和防治[J]. 岩石力学与工程学报, 2008, 27(10): 2034-2042.
[6]

Zhang Jingjian, Fu Bingjun. Rockburst and its criteria and control[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(10): 2034-2042.
[7]

姜繁智, 向晓东, 朱东升. 国内外岩爆预测的研究现状与发展趋势[J]. 工业安全与环保, 2003, 29(8): 19-22.
[8]

Jiang Fanzhi, Xiang Xiaodong, Zhu Dongsheng. The current status and developing tendency of rock blasting forecast at home and abroad[J]. Industrial Safety and Environmental Protection, 2003, 29(8): 19-22.
[9]

张润, 王永滨. 机器学习及其算法和发展研究[J]. 中国传媒大学学报(自然科学版), 2016, 23(2): 10-18, 24.
[10]

Zhang Run, Wang Yongbin. Research on machine learning with algorithm and development[J]. Journal of Communication University of China (Science and Technology), 2016, 23(2): 10-18, 24.
[11]

冯夏庭. 地下峒室岩爆预报的自适应模式识别方法[J]. 东北大学学报, 1994, 15(5): 471-475.
[12]

Feng Xiating. Adaptive pattern recognition to predict rockbursts in underground openings[J]. Journal of Northeastern University, 1994, 15(5): 471-475.
[13]

苏国韶, 张小飞, 燕柳斌. 基于案例推理的岩爆预测方法[J]. 采矿与安全工程学报, 2008, 25(1): 63-67.
[14]

Su Guoshao, Zhang Xiaofei, Yan Liubin. Rockburst prediction method based on case reasoning pattern recognition[J]. Journal of Mining and Safety Engineering, 2008, 25(1): 63-67.
[15]

Dong L J, Li X B, Peng K. Prediction of rockburst classification using random forest[J]. Transactions of Nonferrous Metals Society of China, 2013, 23(2): 472-477.
[16]

谭文侃, 叶义成, 胡南燕, 等. LOF与改进SMOTE算法组合的强烈岩爆预测[J]. 岩石力学与工程学报, 2021, 40(6): 1186-1194.
[17]

Tan Wenkan, Ye Yicheng, Hu Nanyan, et al. Severe rock burst prediction based on the combination of LOF and improved SMOTE algorithm[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(6): 1186-1194.
[18]

汤志立, 徐千军. 基于9种机器学习算法的岩爆预测研究[J]. 岩石力学与工程学报, 2020, 39(4): 773-781.
[19]

Tang Zhili, Xu Qianjun. Rockburst prediction based on nine machine learning algorithms[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(4): 773-781.
[20]

李波, 代云云. 大岩湾高速铁路隧道岩爆综合分析预测[J]. 科学技术与工程, 2014, 14(4): 278-283.
[21]

Li Bo, Dai Yunyun. Comprehensive prediction of rock burst in Dayan Bay high-speed railway tunnel[J]. Science Technology and Engineering, 2014, 14(4): 278-283.
[22]

付自国, 李化, 邓建辉, 等. 自组织特征映射神经网络在岩爆分级预测中的应用[J]. 地下空间与工程学报, 2023, 19(1): 334-342.
[23]

Fu Ziguo, Li Hua, Deng Jianhui, et al. Application of self-organizing feature map in rockburst classification[J]. Chinese Journal of Underground Space and Engineering, 2023, 19(1): 334-342.
[24]

Russenes B F. Analysis of rock spalling for tunnels in steep valley sides (in Norwegian)[D]. Trondheim: Norwegian Institute of Technology, 1974.
[25]

冯夏庭, 陈炳瑞, 张传庆, 等. 岩爆孕育过程的机制、预警与动态调控[M]. 北京: 科学出版社, 2013.
[26]

Feng Xiating, Chen Bingrui, Zhang Chuanqing, et al. Mechanism, warning and dynamic control of rockburst development processes[M]. Beijing: Science Press, 2013.
[27]

韩策, 翟越, 屈璐, 等. 基于机器学习可解释性算法的岩爆指标分析[J]. 科学技术与工程, 2023, 23(18): 7895-7902.
[28]

Han Ce, Zhai Yue, Qu Lu, et al. Analysis of rockburst indicators based on machine learning interpretability algorithm[J]. Science Technology and Engineering, 2023, 23(18): 7895-7902.
[29]

杨莹春, 诸静. 一种新的岩爆分级预报模型及其应用[J]. 煤炭学报, 2000, 25(2): 169-172.
[30]

Yang Yingchun, Zhu Jing. A new model for classified prediction of rockburst and its application[J]. Journal of China Coal Society, 2000, 25(2): 169-172.
[31]

Zhou J, Li X, Mitri H S. Classification of rockburst in underground projects: comparison of ten supervised learning methods[J]. Journal of Computing in Civil Engineering, 2016, 30(5): 1-19.
[32]

吴顺川, 张晨曦, 成子桥. 基于PCA-PNN原理的岩爆烈度分级预测方法[J]. 煤炭学报, 2019, 44(9): 2767-2776.
[33]

Wu Shunchuan, Zhang Chenxi, Cheng Ziqiao. Prediction method of rockburst intensity classification based on PCA-PNN principle[J]. Journal of China Coal Society, 2019, 44(9): 2767-2776.
[34]

温廷新, 王泽锋. 基于K-means SMOTE和IDBO-RF岩爆烈度等级预测模型[J]. 中国安全生产科学技术, 2024, 20(6): 140-146.
[35]

Wen Tingxin, Wang Zefeng. Prediction model of rockburst intensity levels based on K-means SMOTE and IDBO-RF[J]. Journal of Safety Science and Technology, 2024, 20(6): 140-146.
[36]

Maaten L V D, Hinton G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008, 9(86): 2579-2605.
[37]

吴旻昊, 王建功, 朱英刚, 等. 基于t-SNE降维与聚类的主动配电网运行方式在线识别[J]. 电力建设, 2023, 44(8): 52-60.
[38]

Wu Minhao, Wang Jiangong, Zhu Yinggang, et al. Online identification of active distribution network operation mode based on t-SNE dimensionality reduction and clustering[J]. Electric Power Construction, 2023, 44(8): 52-60.
[39]

郭艳萍, 高云, 吕丙东. 基于t-SNE降维的数据可视化分析研究[J]. 电子技术与软件工程, 2021(21): 166-170.
[40]

Guo Yanping, Gao Yun, Lü Bingdong. Data visualization analysis based on t-SNE dimension reduction[J]. Electronic Technology and Software Engineering, 2021(21): 166-170.
[41]

郇兆鑫. 基于深度几何特征的人脸表情识别研究[D]. 南京: 南京大学, 2020.
[42]

Huan Zhaoxin. Facial expression recognition based on deep geometric features[D]. Nanjing: Nanjing University, 2020.
[43]

史东宇, 胡文强, 李刚, 等. 基于t-SNE的电力系统电气距离可视化方法研究[J]. 电力工程技术, 2018, 37(2): 78-82.
[44]

Shi Dongyu, Hu Wenqiang, Li Gang, et al. Study on visualization method of electrical distance in power system using t-SNE[J]. Electric Power Engineering Technology, 2018, 37(2): 78-82.
[45]

Yeo I K, Johnson R A. A new family of power transformations to improve normality or symmetry[J]. Biometrika, 2000, 87(4): 954-959.
[46]

谭文侃, 胡南燕, 叶义成, 等. 基于四大集成学习的岩爆烈度分级预测[J]. 岩石力学与工程学报, 2022, 41(S2): 3250-3259.
[47]

Tan Wenkan, Hu Nanyan, Ye Yicheng, et al. Rockburst intensity classification prediction based on four ensemble learning[J]. Chinese Journal of Rock Mechanics and Engineering, 2022, 41(S2): 3250-3259.
[48]

Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16(1): 321-357.
[49]

陈斌, 苏一丹, 黄山. 基于KM-SMOTE和随机森林的不平衡数据分类[J]. 计算机技术与发展, 2015, 25(9): 17-21.
[50]

Chen Bin, Su Yidan, Huang Shan. Classification of imbalance data based on KM-SMOTE algorithm and random forest[J]. Computer Technology and Development, 2015, 25(9): 17-21.
[51]

Han H, Wang W Y, Mao B H. Borderline-SMOTE: a new over-sampling method in imbalanced data sets learning[C]// Advances in Intelligent Computing. Berlin, Heidelberg: Springer, 2005: 878-887.
[52]

石洪波, 陈雨文, 陈鑫. SMOTE过采样及其改进算法研究综述[J]. 智能系统学报, 2019, 14(6): 1073-1083.
[53]

Shi Hongbo, Chen Yuwen, Chen Xin. Summary of research on SMOTE oversampling and its improved algorithms[J]. CAAI Transactions on Intelligent Systems, 2019, 14(6): 1073-1083.
[54]

Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[55]

董师师, 黄哲学. 随机森林理论浅析[J]. 集成技术, 2013, 2(1): 1-7.
[56]

Dong Shishi, Huang Zhexue. A brief theoretical overview of random forests[J]. Journal of Integration Technology, 2013, 2(1): 1-7.
[57]

常兴兵, 张方安, 唐彦杰. 江边水电站引水隧洞岩爆特征及防治措施[J]. 西北水电, 2010(2): 57-59.
[58]

Chang Xingbing, Zhang Fangan, Tang Yanjie. Rock burst characteristics of headrace tunnel for Jiangbian hydropower project and counter measures[J]. Northwest Hydropower, 2010(2): 57-59.
[59]

Xue Y G, Bai C H, Qiu D H, et al. Predicting rockburst with database using particle swarm optimization and extreme learning machine[J]. Tunnelling and Underground Space Technology, 2020, 98: 103287.
[60]

张乐文, 张德永, 邱道宏. 基于粗糙集的可拓评判在岩爆预测中的应用[J]. 煤炭学报, 2010, 35(9): 1461-1465.
[61]

Zhang Lewen, Zhang Deyong, Qiu Daohong. Application of extension evaluation method in rockburst prediction based on rough set theory[J]. Journal of China Coal Society, 2010, 35(9): 1461-1465.
[62]

林金洪, 胡建勋, 孟永旭, 等. 江边水电站深埋洞室岩爆特性、地质预报的研究及处理措施[C]// 第九届全国工程地质大会论文集. 青岛: 中国地质学会工程地质专业委员会, 2012: 610-616.
[63]

Lin Jinhong, Hu Jianxun, Meng Yongxu, et al. Study and treatment measures of Jiangbian hydropower station deep underground workings rock burst characters[C]// The Proceedings of 9th National Congress of Engineering Geology. Qingdao: Engineering Geology Professional Committee of Geological Society of China, 2012: 610-616.

基金资助

安徽高校自然科学研究项目(2022AH050806)

安徽省自然科学基金(2208085MD97)

国家自然科学基金(42277136)

PDF (15776KB)

39

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录