一种基于数据增强和AHP-Enhanced OP-LightGBM的可解释且自适应的隧道水流预测方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:An interpretable and adaptive tunnel water inflow prediction method using data augmentation and AHP-Enhanced OP-LightGBM

【字体: 大 中 小 】 时间:2026年01月09日 来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY 7.4

编辑推荐:

  准确预测隧道水 inflow 是确保施工安全的关键,但传统方法面临样本不足、数据失衡、特征复杂及部署困难等问题。本研究提出融合SMOGN数据增强、AHP-OP-LightGBM模型优化及SHAP可解释性的智能预测框架,通过Optuna超参数优化和AHP特征权重修正,结合云端在线部署和增量学习模块,有效提升预测精度至误差1.9169 m3/h,较传统方法误差降低39.65%。

  
崔静琦|吴顺川|程海勇|侯晓伟|王嘉鑫|刘伟华|褚超群
北京科技大学资源与安全工程学院,中国北京100083

摘要

准确预测隧道水流量对于确保隧道工程的安全性和风险控制至关重要。然而,传统的回归方法面临诸多挑战,包括样本量有限、数据不平衡、特征交互复杂以及工程应用难度大等问题。为了解决这些问题,本研究提出了一个智能预测框架,该框架整合了数据增强、模型优化、可解释性和在线部署功能,并且对动态现场条件具有很强的适应性。首先,采用SMOGN欠采样方法来平衡和增强训练数据集,有效扩展稀疏样本并抑制异常值的影响,从而提高模型的泛化能力。随后,通过基于Optuna的超参数优化和基于层次分析法(AHP)的特征权重调整改进了LightGBM模型,形成了AHP-OP-LightGBM混合模型。该方法将预测误差降低了15.89%,同时使特征权重更符合物理约束。与传统优化策略相比,由于采用了自动超参数调整和特征权重校正的双重机制,该模型在表示水文地质特征方面表现更为出色。相关性分析和基于SHAP的可解释性进一步阐明了控制隧道水流量的耦合地质力学-水文过程的非线性协同机制。为了支持工程应用,开发了一个基于云技术的在线预测系统,该系统集成了SHAP以提供透明的决策支持。此外,还加入了增量学习模块以适应数据的变化。使用少量本地增量样本进行验证时,最大预测误差仅为1.9169立方米/小时,证明了其在不同工程场景下的强大兼容性和准确性。比较实验表明,与传统回归方法相比,所提出的模型平均可将预测误差降低39.65%,并提高18.43%的拟合精度。总体而言,本研究为复杂地质条件下的隧道水流量预测提供了一种高精度、可解释且具有泛化能力的智能解决方案。

引言

隧道工程在穿过复杂地质结构时经常遇到断层、喀斯特洞穴和地下水等不良地质特征(Li等人,2010年)。在这些灾害中,突水是最常见且最具挑战性的地质灾害之一。由于其突发性和高破坏性,突水已成为严重制约施工安全和进度的关键风险因素(Li等人,2021年;Liu等人,2022年)。此类事件可能导致周围岩石不稳定,增加支撑结构的负荷,并显著降低挖掘速度(Farhadian和Katibeh,2017年;Mahmoodzadeh等人,2021年)。此外,突水还可能改变局部水文地质状况(Liu等人,2022年),引发地面沉降,最终导致巨大的经济损失和人员伤亡(Wang等人,2022年)。因此,为了减轻富水隧道挖掘过程中的大规模突水现象,准确预测潜在的水流量对于评估岩体质量、施工决策和确保工程安全至关重要(Li等人,2010年;Shi等人,2017年)。
由于地质和水文地质条件的广泛变化,准确预测隧道挖掘过程中的水流量仍然具有挑战性。尽管如此,大量的研究工作已经开发出了从理论和经验模型到数值模拟的各种预测方法(Shi等人,2023年)。早期的研究主要依赖于分析解和专家判断(El Tani,2010年;El Tani,2003年;Goodman等人,1965年;Park等人,2008年;Xie等人,2019年;Zhang和Franklin,1993年)。然而,这些分析模型通常假设含水层是均匀各向同性的,导致实际流量率经常被高估(Farhadian和Katibeh,2017年)。由于忽略了节理岩体的各向异性、异质性和不连续性,这些模型的适用性仅限于过于理想化的条件,无法有效预测复杂地质环境中的水流量。
目前的隧道水流量预测通常结合了传统的地质调查、钻孔探测和经验模型(Shi等人,2017年)。方法上的进步包括改进的基于钻探的监测技术(Liu,2022年)以及采用无线传感器系统结合证据理论和模糊集理论(Wang等人,2021年)。尽管这些方法有用,但传统的经验方法仍存在局限性。例如,Kang等人(2019年)指出,适用于浅层隧道的方法(如降雨入渗和径流模量模型)不能直接应用于深隧道条件。其他技术,包括因子分析、数值方法和非线性理论,也被应用于突水预测(Luo等人,2022年)。
在突水风险评估领域,Li和Li(2014年)使用层次分析法(AHP)通过专家主观经验来确定模型权重。Wang等人(2012年)应用模糊-AHP组合对突水风险进行定量分类。Li等人(2015年)开发了用于此过程的突水风险评估软件。Peng等人(2020年)引入了云模型,通过标准化过程和专家经验相结合来改进评估。最近的研究还包括直觉模糊理论(Wang等人,2019年)和改进的TOPSIS模型(Kong和Zhang,2024年)。然而,这些方法在很大程度上依赖于主观专家判断,并且缺乏突水行为与其控制变量之间的稳健定量关联。
数值方法取得了显著进展,等效多孔介质模型和离散裂隙网络(DFN)模型被广泛用于模拟隧道水流量。Yao等人(2012年)使用RFPA2D和COMSOL评估突水风险,而Shi等人(2023年)构建了一个随机3D DFN渗流模型,通过流量平衡计算估计每个隧道段的流量。基于数值结果的半解析方法也被提出用于估计地下水下降和隧道水流量(Shahbazi等人,2021年;Su等人,2017年)。其他研究使用MODFLOW预测地下水流量(Golian等人,2018年;Li等人,2024年)。尽管数值模拟提供了关于各种地质条件下地下水-岩石相互作用的详细见解,但它们需要基于大量地质数据构建现实的概念模型。由于地下结构的固有复杂性和异质性,获得足够准确和空间详细的地质数据仍然是一个主要限制(Mao等人,2023年)。
由于传统的水文地质假设往往简化了异质介质,地下水-岩石系统可以被视为一个非线性且可能混沌的过程(Fu等人,2024年)。人工智能(AI)和机器学习(ML)技术的快速发展(Fu等人,2026年;Yu等人,2021年;Yu等人,2023年)为解决隧道水流量预测中的复杂性提供了新的机会。已经探索了多种ML和统计模型:高斯过程回归(GPR)、人工神经网络(ANN)和支持向量回归(SVR)(Li等人,2017年);多重回归分析(Farhadian和Katibeh,2017年);用于喀斯特隧道风险评估的改进云模型方法(Lin等人,2020年);基于可靠性的GA-BP神经网络(Li等人,2020年);以及广泛的模型比较(Mahmoodzadeh等人,2021年)。最近的进展还包括基因表达编程(GEP)模型(Mahmoodzadeh等人,2023年)、超参数优化的随机森林方案(Zhang等人,2024年;Zhou等人,2023年)和集成优化框架(Samadi等人,2025年)。
准确预测隧道水流量在理论和实践上都具有重大意义(Li等人,2010年)。尽管ML方法比传统预测方法具有明显优势(Cui等人,2024年;Cui等人,2024年),但实际工程应用提出了更高的要求。现场数据往往有限且噪声较大,阻碍了模型的稳健训练。水文地质过程和参数交互难以明确嵌入标准ML框架中,许多模型在面对未见过的地质条件时缺乏适应性。此外,许多ML算法的黑箱性质降低了其解释性,限制了它们在工程决策中的实用性。这些挑战凸显了当前研究工作与实际需求之间的显著差距,指出了未来方法学发展的关键领域。
为了解决这些实际挑战,本研究提出了一个基于SMOGN数据增强和AHP改进的OP-LightGBM模型的改进隧道水流量预测框架。首先,使用基于SMOGN的欠采样和重采样技术来平衡和丰富回归数据集。接下来,应用基于Optuna的超参数优化来提高模型性能,同时通过将模型派生的重要性指标与基于AHP的专家评估相结合来客观重新校准特征权重。此外,将SHAP可解释性分析集成到基于云的Web服务中,以提供实时预测和透明的决策支持信息。加入了增量学习策略,以扩展模型在不同工程项目和地质场景中的适用性。总体而言,这一系统框架为隧道水流量预测建立了一种新的方法论路径,具有理论相关性和实际价值。

方法部分

本研究提出的隧道水流量智能预测框架如图1所示。它包括数据采集、数据分割、数据增强、模型训练、超参数优化、特征权重细化、模型验证、可解释性分析、基于云的部署和增量学习。基于AHP-OP-LightGBM模型构建了一个可解释的在线水流量预测系统,采用浏览器-服务器(B/S)架构实现

案例数据和特征分析

隧道中的地下水流量受多种地质和水文地质因素的控制。Holm?y和Nilsen(2014年)测试了八个地质参数对预测隧道水流的重要性,包括岩体渗透性、地下水位、裂隙、隧道深度和隧道横截面尺寸(Farhadian和Katibeh,2017年;Shahbazi等人,2021年;Zhang等人,2020年)。在以往研究的基础上,研究了隧道深度(H)、地下水位(h)和岩体质量等级(RQD)等参数的影响

评估指标

为了全面评估模型在验证和测试过程中的预测性能,使用了三种常用的回归指标:均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)。RMSE通过汇总所有样本的预测误差平方值然后取平方根来量化预测值与观测值之间的偏差。这种公式防止了正负误差相互抵消

与其他模型的比较

为了评估所提出的AHP-OP-LightGBM模型的准确性和整体优越性,选择了几种常用的工程预测回归模型进行比较分析。比较包括LightGBM、支持向量回归(SVR)、随机森林(RF)、XGBoost、决策树(KNN)和线性回归模型(Cui等人,2024年)。所有模型都使用了五折交叉验证进行训练,其超参数进行了相应的调整

结论

在本研究中,使用SMOGN算法对原始训练数据集进行了基于欠采样的数据增强。基于LightGBM模型,通过Optuna驱动的超参数优化和基于AHP的特征权重调整进一步提高了隧道水流量的预测精度。相关性分析和基于SHAP的可解释性被用来研究四个关键特征背后的机制。改进后的模型被部署用于实际应用

CRediT作者贡献声明

崔静琦:撰写——原始草稿、软件开发、方法论设计、概念构思。吴顺川:撰写——审稿与编辑、监督、资金获取、概念构思。程海勇:撰写——审稿与编辑、监督、数据管理。侯晓伟:验证、数据管理。王嘉鑫:撰写——审稿与编辑。刘伟华:数据调查。褚超群:监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了云南省重大科技专项(编号202102AF080001)、云南省重大科技项目(编号202202AG050014)和CPSF博士后奖学金计划(编号GZB20250448)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号