爆破诱导飞石预测的元启发优化机器学习模型的严格评估

《Mining》：A Rigorous Evaluation of Metaheuristically Optimized Machine Learning Models for Blast-Induced Flyrock Prediction

　　

爆破诱导的飞石（flyrock）是露天采矿和采石作业中最关键的危险之一，对职业安全、邻近建筑物和环境构成重大风险。因此，准确预测飞石距离对于安全的爆破设计和有效的风险管理至关重要。在本研究中，研究人员开发了随机森林（Random Forest, RF）、极端随机树（Extra Trees, ET）和支持向量回归（Support Vector Regression, SVR）模型来预测飞石距离，并使用秘书鸟优化算法（Secretary Bird Optimization Algorithm, SBOA）和蛛尾角蝰优化器（Spider-Tailed Horned Viper Optimizer, STHVO）对其超参数进行了优化。在优化之前，使用网格搜索交叉验证（GridSearchCV）比较了六种交叉验证策略，以确定每个模型最合适的策略。最终模型使用独立测试数据集进行了评估，评估指标包括决定系数（coefficient of determination, R²）、均方根误差（root mean square error, RMSE）、平均绝对误差（mean absolute error, MAE）、平均绝对百分比误差（mean absolute percentage error, MAPE）、方差解释率（variance accounted for, VAF）和纳什-苏特克利夫效率（Nash–Sutcliffe efficiency, NSE）。模型可解释性通过沙普利加法解释（SHapley Additive exPlanations, SHAP）进行研究。结果表明，适当的交叉验证和元启发式超参数优化提高了预测性能，其中ET–STHVO模型取得了最佳整体结果。SHAP分析确定B/D、PF、H/B、RBS和U/B为最有影响力的预测因子。所提出的框架为更安全的爆破作业提供了一种准确、稳健且可解释的决策支持工具。

论文《Mining》发表的“A Rigorous Evaluation of Metaheuristically Optimized Machine Learning Models for Blast-Induced Flyrock Prediction”针对爆破诱导飞石预测问题，提出了一种结合交叉验证策略选择、元启发式超参数优化和可解释性分析的机器学习框架。以下为该论文的解读。

一、研究背景与问题

爆破是矿山中广泛采用的岩石开挖技术，旨在实现高效破岩。然而，爆破能量仅有一部分用于破碎岩石，相当一部分以飞石、地面振动和空气超压等形式释放。飞石定义为爆破过程中高压气体失控释放导致的岩块非受控抛射，是造成爆破死亡事故的主要原因之一。准确预测飞石距离对爆破设计和风险管理至关重要。早期研究多基于理论弹道模型和经验公式，但数据集多源于特定现场，泛化能力有限。后续引入模糊逻辑（Fuzzy Logic, FL）、人工神经网络（Artificial Neural Network, ANN）、支持向量机（Support Vector Machine, SVM）等人工智能方法，展现了非线性建模潜力。然而，现有研究存在几个问题：多数采用单一交叉验证策略，未系统评估验证策略对模型稳定性和泛化能力的影响；输入变量偏向爆破设计参数，缺乏岩体结构信息；新提出的元启发式算法如SBOA和STHVO尚未应用于飞石预测。因此，该研究旨在建立一个验证感知、地质知情且可解释的预测框架。

二、研究内容与方法

研究人员在土耳其伊斯坦布尔Kemerburgaz地区的Akda?lar砂岩采石场开展现场调查，共监测111次生产爆破。该采石场位于下石炭统Thrace组，岩体受构造作用高度裂隙化。每次爆破记录台阶高度（H）、最小抵抗线（B）、孔距（S）、填塞长度（T）、孔径（D）、炸药单耗（PF）、表观原位岩块尺寸（RBS），并计算H/B、S/B、T/B、U/B、B/D等爆破设计比值。RBS通过WipFrag图像分析软件在爆破前从台阶照片中获取，用于表征岩体结构特征。目标变量为最大水平飞石距离（FRD），现场仅统计直径约10厘米以上、能造成损害的岩块。通过随机森林特征重要性和排列重要性分析，排除T/B和S/B，最终选用PF、B/D、RBS、H/B和U/B作为输入。建模采用随机森林（RF）、极端随机树（ET）和支持向量回归（SVR），并使用秘书鸟优化算法（SBOA）和蛛尾角蝰优化器（STHVO）优化超参数。优化前，使用GridSearchCV比较3折、5折、7折、10折、重复3×5折和重复5×5折六种交叉验证策略，以选择各模型最合适的验证方案。最终模型在独立测试集上采用决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、方差解释率（VAF）和纳什-苏特克利夫效率（NSE）评估，并用SHAP进行可解释性分析。

三、主要结果

（1）性能评估指标：研究人员采用六种互补指标全面评估预测精度、误差量级和拟合优度，为模型选择提供多维依据。

（2）交叉验证策略选择：对于ET和RF模型，3折交叉验证获得最高选择分数，即兼顾较高平均R²和较低折间标准差；对于SVR模型，5折交叉验证更合适。结果表明，最优交叉验证策略取决于学习算法特性。

（3）超参数优化：SBOA和STHVO均有效收敛。以ET模型为基准，将SBOA与贝叶斯优化对比，ET-SBOA在R²、RMSE、MAE和MAPE上均优于ET-Bayesian，表明SBOA在超参数搜索中的有效性。

（4）混合模型的预测性能：在独立测试集上，ET-STHVO模型表现最佳，预测点最接近1:1参考线，取得最低预测误差和最高拟合优度；ET-SBOA次之；RF混合模型优于SVR混合模型。残差分析显示所有模型残差围绕零分布，但SVR残差离散度较大。Taylor图进一步证实ET混合模型的优越性。

（5）基于SHAP的模型解释：SHAP总结图显示，B/D是最重要变量，低B/D值对应正SHAP，即增加预测飞石距离；PF次之，高PF增加预测距离；H/B呈正向影响；RBS呈负向影响，高RBS降低预测距离，说明岩体结构信息对预测有贡献；U/B影响最小。依赖图分析表明B/D与PF存在交互，但两者相关性较高（r=-0.90），需谨慎解读；PF与RBS的交互显示在相似PF水平下，低RBS对应更高SHAP值，提示炸药能量对飞石的影响依赖于岩体结构条件。

（6）框架实际应用：研究人员提出工程工作流：预测FRD后与安全限值比较，若超出则调整可控参数并重新预测。以采石场为例绘制风险区域图：Zone 1为平均飞石距离80.7 m，Zone 2为最大距离142 m，Zone 3按最大距离乘以安全系数2得到半径284 m，并强调该图需随开采推进动态更新。

（7）局限性：数据集仅含111条记录，样本量有限，可能增加性能估计的变异性；数据全部来自单一砂岩采石场，模型外推能力需通过多场地数据验证。

四、讨论与结论

讨论部分指出，交叉验证策略的系统评估有助于避免基于不稳定性能估计的工程决策；SBOA和STHVO作为结构不同的搜索机制，均能有效优化超参数；RBS变量的引入反映了岩体裂隙网络对飞石生成的影响，SHAP分析结果与爆破力学机制一致：低B/D减少抵抗线约束，高PF提供更多抛掷能量，低RBS的岩体更易沿既有节理分离抛射。从工程角度看，该框架可辅助爆破前评估和参数调整，提升作业安全性。

研究结论翻译如下：本研究提出基于极端随机树（ET）、随机森林（RF）和支持向量回归（SVR）的混合机器学习模型，并应用新开发的秘书鸟优化算法（SBOA）和蛛尾角蝰优化器（STHVO）预测爆破诱导飞石距离。与常规优化框架不同，本研究在超参数优化前系统比较六种交叉验证策略，为每个模型确定最合适的验证方案。结果表明，最优交叉验证策略取决于学习算法：3折策略对ET和RF最稳定，5折策略对SVR更合适。ET-STHVO模型在独立测试集上取得最佳整体性能。本研究主要贡献包括：首次系统比较多种交叉验证策略；首次将SBOA和STHVO应用于飞石预测；引入RBS变量表征岩体结构；使用SHAP提供可解释评估。所提框架可支持更安全的爆破设计、改进风险评估，并可扩展至其他爆破相关问题，但模型适用性目前限于类似本数据集的条件，需通过多场地独立数据进行外部验证。