基于GAN-GBKA-XGBoost混合框架的岩爆预测新方法：解决数据不平衡与模型可解释性难题

《Intelligent Transportation Infrastructure》：A New Method of Rockburst Prediction for Imbalanced Data Categories Using an Improved XGBoost Algorithm with Enhanced Interpretability

本文推荐一项针对深部地下工程岩爆预测难题的创新研究。为解决监测数据类别严重不平衡导致的预测偏差问题，研究人员开发了融合生成对抗网络(GAN)、引导黑鸢优化算法(GBKA)和XGBoost的混合框架。该模型在341个全球岩爆案例上实现超过96%的分类准确率，并通过SHAP分析揭示最大切向应力(σθ)和应力集中系数(SCF)是主导预测因子，为岩爆风险评估提供了高精度、可解释的解决方案。

　　

在深部地下工程领域，岩爆犹如一颗随时可能引爆的"定时炸弹"。这种岩石在高应力条件下突然发生的剧烈破坏现象，不仅威胁施工人员安全，更可能造成设备损毁和工程延误。据统计，全球记录的岩爆事件已超过万起，仅抚顺胜利煤矿自1939年以来就报告了5000多起岩爆事故。随着矿产资源开发向深部推进和深埋交通隧道建设日益增多，岩爆发生的频率和严重程度持续升级，开发有效的预测方法成为当务之急。

传统岩爆预测方法主要依赖经验性指标和实时监测技术，但前者难以捕捉复杂地质因素的相互作用，后者则具有滞后性且需要昂贵的密集传感器网络。机器学习方法的引入虽提高了预测精度，但仍面临两个关键挑战：面对岩土工程典型的小样本、不平衡数据时容易过拟合；同时模型如同"黑箱"，其内部决策过程不透明，使得工程师难以理解和信任预测结果。

针对这些难题，王建峰等人发表在《Intelligent Transportation Infrastructure》上的研究，提出了一种新颖的GAN-GBKA-XGBoost混合框架，在提高预测性能的同时增强了模型的可解释性。该研究收集了来自全球40多个工程的341个岩爆案例，包含六项关键地质力学指标：最大切向应力(σ_θ)、单轴抗压强度(σ_c)、单轴抗拉强度(σ_t)、应力集中系数(SCF)、岩石脆性指数B(σ_c/σ_t)和弹性能量指数W_et。研究人员创新性地将生成对抗网络(GAN)用于合成真实的少数类样本以重新平衡数据集，同时采用引导黑鸢算法(GBKA)自适应优化XGBoost分类器的超参数。

关键技术方法包括：使用GAN进行数据增强以解决类别不平衡问题；采用GBKA优化XGBoost超参数；利用SHAP进行特征重要性分析和模型解释。数据来源于全球40多个工程项目（包括交通隧道、水工隧道和矿山巷道）的341个案例，时间跨度从1991年至2023年。

模型性能与结果分析

分类结果与性能评估

研究将数据集按0.75:0.25的比例划分为训练集和测试集。经过GBKA算法优化后，GAN-GBKA-XGBoost岩爆分类模型在训练数据上所有评估指标（准确率、精确度、召回率和F分数）均超过0.98，表现出强大的拟合能力。在测试集上，模型总体准确率超过96%，尤其在"无"和"强"岩爆类别中保持了高性能，证实了其在区分极端情况方面的有效性。

混淆矩阵分析显示，模型在训练集上实现了近乎完美的分类，误分类极少。在测试集上，尽管在相邻类别间（特别是从"中等"到"强"以及从"轻微"到相邻类别）出现了一些误分类，但模型仍表现出稳健的整体性能，凸显了其在处理多类岩爆等级分类方面的强大能力。

与其他模型的比较

与五种典型监督学习方法（原始XGBoost、决策树DT、随机森林RF、K近邻分类KNN和BP神经网络）的比较表明，GAN-GBKA-XGBoost模型在所有评估性能指标上均显著优于所有其他基线算法，准确率、精确度、召回率、F分数和特异性均接近1.0，证明了其鲁棒性和优异的泛化能力。相比之下，BP神经网络产生的结果最差，所有指标均低于0.7。传统模型如KNN、RF、DT和XGBoost表现出中等性能，其中KNN在所有指标上显示出最平衡但仍属平均的结果。

模型行为解释与工程启示

SHAP分析与机理洞察

研究采用SHAP解释方法深入分析了模型决策机制。结果显示，最大切向应力(σ_θ)和应力集中系数(SCF)是主导预测因子，两者共同贡献超过50%的决策过程。这一发现与岩爆的应力驱动机制高度吻合。

对于无岩爆事件，高周向应力(σ_θ)、弹性能量指数(W_et)和SCF值对预测"无"岩爆产生负向贡献，表明高初始应力或储存能量不一定导致岩爆。相反，对于强岩爆事件，高SCF和高σ_θ值显著增加预测风险，反映了高应力集中和切向应力是强岩爆的强触发因素。

依赖图分析进一步揭示了关键参数与岩爆强度级别之间的非线性关系。对于无岩爆情况，所有三个参数（W_et、σ_θ和SCF）与SHAP值呈明显负相关。对于强岩爆情况，所有三个参数与SHAP值呈现清晰正相关，较高特征值对应显著增加的SHAP值，表明模型强烈将这些特征大小与严重岩爆事件的发生关联起来。

工程实践验证

基于SHAP分析结果，研究提出了针对性的减灾框架：当模型识别σ_θ和SCF是高风险的主要正向贡献者时，风险源于过大的载荷集中，工程措施应侧重于主动应力控制；当高W_et或B被确定为主要驱动因素时，风险源于岩石固有的储存应变能能力，优先策略应转向能量耗散。

通过在中国山东的12个岩爆案例进行外部验证，模型显示出83.3%的一致性率，证明了其良好的工程适用性。与常规GXGB模型相比，GAN增强的GGXGB模型在保持高召回率的同时显著提高了精确度，获得了优异的F分数，确认了GAN在重建少数类分布方面的有效性。

研究结论与意义

本研究提出的混合机器学习框架(GAN-GBKA-XGBoost)在岩爆强度预测方面实现了三个关键突破：通过GAN数据增强和GBKA优化的XGBoost有效解决了数据稀缺和参数敏感性问题；相比传统模型表现出显著优势，测试集准确率达96%，比基准模型提高11.9%至51.9%；SHAP分析量化了特征重要性，提供透明、样本特定的预测推理，有效克服了"黑箱"限制。

该研究建立的可靠框架为数据有限条件下的智能地质灾害预测奠定了基础，其方法学扩展可应用于其他非线性工程分类问题。未来研究可整合微震和声发射信号等动态监测数据，实现实时预警，并纳入更多地质变量（如节理密度和地下水条件）以进一步增强模型适用性。