基于信息获取优化器(IAO)优化随机森林(RF)的聚合物裂隙注浆效果智能预测模型

本研究针对动态水裂隙网络中发泡聚合物注浆效果预测难题，提出一种基于信息获取优化算法(IAO)优化的随机森林(RF)智能预测模型。通过设计可拆卸裂隙网络试验装置，系统研究动态水条件下裂隙特征与注浆参数的影响规律，构建IAO-RF预测模型。结果表明该模型在阻水率(R2=0.82)和封堵面积比(R2=0.84)预测精度上显著优于传统BP神经网络和PSO-BP模型，为地下工程注浆施工提供了可靠的智能决策支持。

　　

在采矿和隧道开挖等地下工程活动中，开挖引发的岩体裂隙网络暴露可能诱发坍塌和地下水涌入等地质灾害，造成重大人员伤亡和经济损失。发泡聚合物材料因其高膨胀率、优异抗渗性和环保特性，已被广泛应用于注浆修复工程。然而在实际注浆作业中，准确确定最终封堵面积比和阻水率仍极具挑战性，因此对动态水裂隙网络中注浆性能的早期预测对保障施工安全与效率至关重要。

针对这一工程难题，同济大学道路与交通工程教育部重点实验室的研究团队在《Results in Engineering》发表了创新性研究成果。该研究通过融合信息获取优化(Information Acquisition Optimization, IAO)算法与随机森林(Random Forest, RF)机器学习技术，开发了一种聚合物裂隙注浆效果的智能预测模型，为解决复杂地质条件下注浆效果预测提供了新方法。

研究人员采用了几项关键技术方法：首先基于高斯随机分布生成不同粗糙度的裂隙曲线，构建了符合实际地质特征的裂隙网络模型；其次自主研发了可拆卸式动态水注浆试验装置系统，包含注浆系统、裂隙网络模拟系统、动态水系统、数据采集系统和图像采集系统五大模块；最后通过40组不同工况下的注浆试验，采集了裂隙粗糙度、开度、注浆压力和水头高度等参数与阻水率、封堵面积比的对应数据，为机器学习提供了高质量数据集。

2. Methodology

2.1. Principle of the Random Forest Algorithm

研究选择随机森林算法因其强大的泛化能力、抗过拟合特性以及处理高维非线性数据的鲁棒性。该算法通过集成多个决策树，采用平均投票机制提高回归结果的准确性和稳健性。结构上，随机森林模型由多个独立训练的决策树组成，通过Bagging(引导聚合)技术减少方差，同时内置特征重要性评估功能，便于分析各种地质和注浆参数对封堵效果的影响。

2.2. Principle of the Information Acquisition Optimization Algorithm

2.2.1. Concept of the Information Acquisition Optimization Algorithm

信息获取优化算法模拟人类信息处理过程，包含三个关键步骤：从多源收集信息、通过筛选评估消除不相关或冗余数据、系统化组织结构化数据以提取有意义的见解。这种仿生优化机制使算法能够自适应地调整搜索策略，平衡探索与利用的关系。

2.2.2. Mathematical Model of the Information Acquisition Optimization Algorithm

算法数学模型包含三个核心阶段：信息收集阶段通过随机采样增强种群多样性；信息筛选与评估阶段引入可靠性因子Γ和主观影响因子Ξ来模拟人类主观判断的不确定性；信息分析与组织阶段采用动态优化机制，个体根据数据质量评估结果自适应调整处理深度和广度。这种设计使IAO算法在全局搜索和局部优化间保持良好平衡。

2.3. Establishment of the IAO-RF Model

研究采用IAO算法优化随机森林的两个关键超参数：决策树数量和叶节点最小样本数。优化过程包含种群初始化、适应度评估、最优解识别和解更新四个主要步骤。适应度函数以随机森林回归模型的泛化误差为优化准则，综合训练集和测试集的均方根误差(Root Mean Square Error, RMSE)作为评估指标。这种优化策略克服了传统随机森林依赖经验参数选择的局限性，显著提升了模型预测精度和稳定性。

2.4. Performance Evaluation Metrics for Machine Learning

研究采用三种标准指标评估模型性能：决定系数(R2)衡量预测值与实际值的相关性，描述模型拟合优度；均方根误差(RMSE)反映预测准确性；平均绝对误差(MAE)表示平均预测误差。这些指标为模型性能提供了多维度量化评估。

3. Experimental design

3.1. Generation of fracture curves based on Gaussian random distribution

基于高斯随机分布生成裂隙曲线，使用高斯函数描述裂隙曲线点高度间的空间相关性，生成既具有均匀一致性又具随机特征的裂隙曲线。通过调整x、μ和σ值，生成与Barton标准剖面对比的四组随机裂隙曲线，据此构建不同开度和粗糙度特征的裂隙网络模型。

3.2. Experimental design

实验设计考虑四个主要因素：裂隙粗糙度、开度、注浆压力和水头高度。裂隙开度设置在5-20mm范围内；粗糙裂隙JRC值设为2-4、10-12、14-16和18-20；注浆压力设为0.2MPa、0.3MPa、0.4MPa和0.5MPa；动态水压力用水头0.5m、1.0m、1.5m和2.0m表示。通过不同条件组合进行聚合物注浆试验，模拟各种现场工况。

4. Predictive model construction

4.1. Data selection and normalization

机器学习回归预测需要大量数据样本，基于3.2节的实验设计进行40组不同工况下的注浆试验作为机器学习数据集。训练前将数据集按8:2比例分为训练集(32组)和测试集(8组)。使用MATLAB中的mapminmax函数对样本数据进行归一化处理，消除数据范围差异对特征提取的影响。

4.1.1. IAO-RF prediction results

IAO-RF模型在预测注浆阻水率和封堵面积比方面表现出色。对于阻水率预测，训练集R2=0.83，测试集R2=0.82；训练集RMSE=4.97，测试集RMSE=6.74；训练集MAE=3.14，测试集MAE=2.02。对于封堵面积比预测，训练集R2=0.93，测试集R2=0.84；训练集RMSE=3.74，测试集RMSE=4.14；训练集MAE=4.45，测试集MAE=5.96。五折交叉验证结果显示，IAO-RF模型在阻水率预测平均R2=0.82±0.02，封堵面积比预测平均R2=0.87±0.02，证明了模型的稳健性和可靠性。

4.1.2. Comparative Evaluation of Prediction Performance

与BP神经网络和PSO-BP神经网络预测模型相比，IAO-RF模型在预测注浆效果方面提供更准确的预测，表现出优越性能。BP神经网络在阻水率预测中测试集R2仅为0.29，PSO-BP神经网络测试集R2为0.63，而IAO-RF模型达到0.82，显著优于传统方法。

5. Conclusions

本研究通过将随机森林算法与信息获取优化(IAO)技术相结合，开发了聚合物裂隙注浆性能的智能预测模型。采用40组动态水裂隙网络注浆试验的全面数据集对模型进行训练和验证，得出以下主要结论：

IAO优化确定最佳模型参数为54棵决策树和最小叶节点数为2；IAO-RF机器学习算法对注浆阻水率和封堵面积比均表现出良好的预测性能；与BP神经网络和PSO-BP神经网络预测模型相比，IAO-RF模型能更准确地预测注浆效果，表现出优越性能。

该研究的创新点在于首次将IAO算法应用于注浆效果预测领域，通过智能优化算法解决了随机森林超参数选择难题，为地下工程注浆施工提供了科学依据和决策支持。未来工作应重点使用不同地质环境的现场数据验证该方法，评估其对抗真实世界变异性的鲁棒性，并开发实时监测接口用于动态注浆调整，最终缩小理论预测与工程实践之间的差距，推动地下建筑中智能注浆技术的发展。