基于Stacking的灌浆量集成代理预测模型及预测方法技术

本发明专利技术公开了一种基于Stacking的灌浆量集成代理预测模型，包括集成代理模型，该集成代理模型设有两层，第一层包括采用五折交叉验证方法进行训练和验证的三个基学习器，第二层包括一个元学习器；三个基学习器分别为SVR神经网络、BPNN神经网络和RF模型；元学习器为ANFIS神经网络；元学习器的训练集中的训练数据包括三个基学习器的预测结果数据。本发明专利技术还公开了一种基于Stacking的灌浆量集成代理预测模型的预测方法。本发明专利技术能够增加模型多样性、减少过拟合和预测不确定性，产生更准确、更稳健的预测结果。稳健的预测结果。稳健的预测结果。

【技术实现步骤摘要】
基于Stacking的灌浆量集成代理预测模型及预测方法


[0001]本专利技术涉及水利水电工程中大坝基岩灌浆施工领域，特别涉及一种基于Stacking的灌浆量集成代理预测模型及预测方法。

技术介绍

[0002]目前，灌浆施工作为大坝基础防渗、地基改善和修复的主要方法，对保证水工建筑物的稳定运行至关重要。灌浆量是表征灌浆施工质量的重要参数，且与灌浆施工的成本效益密切相关。通过灌浆量的预测，可以完善灌浆设计方案，节省灌浆材料和设备投资，指导后续灌浆施工控制和工程量优化。
[0003]然而，由于灌浆工程的隐蔽性和复杂性，根据施工人员经验和简化物理模型试验等传统方法预估的灌浆量与实际情况存在较大误差。随着计算流体力学方法和离散裂隙网络建模方法的快速发展，数值模拟技术成为计算坝基灌浆量的有力工具。但数值模拟存在建模过程复杂、计算量大、耗时长等问题，导致灌浆量计算效率低，无法满足指导灌浆工程建设的需求。基于机器学习算法的代理模型可以替代复杂耗时的数值模拟过程，同时兼顾计算效率与预测精度。因此，基于机器学习算法的代理模型技术成为解决复杂工程灌浆量预测问题的有效途径。
[0004]然而，单一机器学习器代理模型的预测稳定性较差，可能由于随机而导致泛化性能不佳，且只使用一种机器学习模型容易低估预测的不确定性以至准确性较差。因此，一些研究通过采用组合代理模型的方式来提高整体预测精度。然而组合代理模型在决定各算法的赋权值时存在主观性和不确定性，也无法训练出更优异的模型。而集成学习(ensemble learning)方法通过集成策略将多个单一模型的信息融合在一起构建集成学习模型能够增加模型多样性、减少过拟合和预测不确定性，产生更准确、更稳健的预测结果。集成学习通常包括Bagging，Boosting和Stacking三种策略，其中Stacking算法由于能够根据实际问题灵活组合多种不同类型的基学习器来构建合适的集成学习模型，获得更好的预测性能和模型泛化能力，被广泛应用于各个领域处理预测问题。
[0005]此外，考虑模型参数的选择对模型的最终预测效果有显著影响，如何确定模型最优参数也是模型建立的核心问题。群智能算法由于操作简单，求解问题能力强，在参数优化领域表现突出，被广泛应用于机器学习算法参数寻优。麻雀搜索算法(SSA)是Xue等在2020年提出的一种新型群智能优化算法，试验证明其在搜索精度、收敛速度、稳定性等方面均优于灰狼优化算法(GWO)、粒子群优化算法(PSO)、引力搜索算法(GSA)、蚁狮优化算法(ALO)等当前主流算法。然而，SSA在搜索后期存在种群多样性逐渐降低并导致算法无法跳出局部极值的问题，因此迫切需要一种能够兼顾全局搜索能力、局部搜索能力和计算效率的优化算法。
[0006]综上所述，现有的坝基灌浆量预测模型的研究，数值模拟存在建模过程复杂、计算量大、耗时长等问题，而仅使用一种机器学习模型容易低估预测的不确定性以至准确性较差，此外组合代理模型在决定各算法的赋权值时存在主观性和不确定性，无法训练出更优
异的模型。

技术实现思路

[0007]本专利技术为解决公知技术中存在的技术问题而提供一种基于Stacking的灌浆量集成代理预测模型及预测方法。
[0008]本专利技术为解决公知技术中存在的技术问题所采取的技术方案是：一种基于Stacking的灌浆量集成代理预测模型，包括集成代理模型，该集成代理模型设有两层，第一层包括采用五折交叉验证方法进行训练和验证的三个基学习器，第二层包括一个元学习器；三个基学习器分别为SVR神经网络、BPNN神经网络和RF模型；元学习器为ANFIS神经网络；元学习器的训练集中的训练数据包括三个基学习器的预测结果数据。
[0009]进一步地，还包括基于三维精细裂隙建模的灌浆数值模拟模型，灌浆数值模拟模型输入地质参数、施工参数及浆液特性参数，输出灌浆量模拟值；元学习器的训练集中的训练数据还包括灌浆量模拟值。
[0010]本专利技术还提供了一种基于Stacking的灌浆量集成代理预测模型的预测方法，构建基于Stacking的灌浆量集成代理预测模型；该集成代理预测模型设置两层，第一层设置三个基学习器，第二层设置一个元学习器，三个基学习器分别为SVR神经网络、BPNN神经网络和RF模型；元学习器为ANFIS神经网络；采集包括地质参数、施工参数和浆液特性参数的历史数据作为训练样本，构建训练集及验证集；使用五折交叉验证方法对三个基学习器进行训练；构建包括由三个基学习器得到的预测结果数据的训练集来训练元学习器；将包括地质参数、施工参数和浆液特性参数的输入参数同时输入至三个基学习器，然后将三个基学习器得到的预测结果输入至元学习器，由元学习器输出灌浆量预测值。
[0011]进一步地，还设置基于三维精细裂隙建模的灌浆数值模拟模型，使灌浆数值模拟模型输入地质参数、施工参数及浆液特性参数，输出灌浆量模拟值；将三个基学习器得到的预测结果与对应的灌浆量模拟值组合，构建新的训练集来训练元学习器。
[0012]进一步地，构建训练集及验证集的方法包括：利用拉丁超立方抽样方法抽取多组地质参数，将其与不同的施工参数和浆液特性参数进行组合，构建具有代表各种裂隙地质条件及施工工况的参数样本集；将参数样本集中的数据输入至灌浆数值模拟模型中，得到灌浆量模拟值；将地质参数、施工参数和浆液特性参数及对应生成的灌浆量模拟值作为样本数据，构建样本集，按比例将样本集划分为训练集和测试集。
[0013]进一步地，采集包括地质参数、施工参数和浆液特性参数的历史数据作为训练样本的方法包括：根据三维精细裂隙网络模型获取如下地质参数：裂隙数量、裂隙平均倾向、平均倾角和平均隙宽；根据工程实际施工方案以及水工建筑物水泥灌浆施工技术规范获取如下施工条件参数：灌浆孔的排序、孔序、孔深以及灌浆压力；根据根据工程实际施工方案获取如下浆液参数：浆液水灰比。
[0014]进一步地，基于混沌理论和L
é
vy飞行策略对麻雀搜索算法进行改进，采用改进的麻雀搜索算法对基学习器和元学习器的模型参数进行同步优化。
[0015]进一步地，基于混沌理论和L
é
vy飞行策略对麻雀搜索算法进行改进的方法包括：
[0016]基于混沌理论进行麻雀种群初始化，使用Tent混沌映射生成混沌序列初始化麻雀位置xp
i,j
，其中i＝1,2,3
…
n，n表示麻雀种群的数量，j＝1,2,3
…
d，d表示待优化变量的维
数；
[0017]随机生成[0，1]之间的初始值x
pi，0
，此时j＝0；
[0018]使用Tent混沌映射生成混沌序列：
[0019][0020]将混沌序列映射到解的搜索空间，得到混沌初始化种群：
[0021][0022]采用L
é
vy飞行策略对探索者、跟随者和侦察者的位置更新公式进行改进，扩大搜索范围提高全局搜索能力，改进后的探索者位置更新公式如下：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Stacking的灌浆量集成代理预测模型，其特征在于，包括集成代理模型，该集成代理模型设有两层，第一层包括采用五折交叉验证方法进行训练和验证的三个基学习器，第二层包括一个元学习器；三个基学习器分别为SVR神经网络、BPNN神经网络和RF模型；元学习器为ANFIS神经网络；元学习器的训练集中的训练数据包括三个基学习器的预测结果数据。2.根据权利要求1所述的基于Stacking的灌浆量集成代理预测模型，其特征在于，还包括基于三维精细裂隙建模的灌浆数值模拟模型，灌浆数值模拟模型输入地质参数、施工参数及浆液特性参数，输出灌浆量模拟值；元学习器的训练集中的训练数据还包括灌浆量模拟值。3.一种基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，构建基于Stacking的灌浆量集成代理预测模型；该集成代理预测模型设置两层，第一层设置三个基学习器，第二层设置一个元学习器，三个基学习器分别为SVR神经网络、BPNN神经网络和RF模型；元学习器为ANFIS神经网络；采集包括地质参数、施工参数和浆液特性参数的历史数据作为训练样本，构建训练集及验证集；使用五折交叉验证方法对三个基学习器进行训练；构建包括由三个基学习器得到的预测结果数据的训练集来训练元学习器；将包括地质参数、施工参数和浆液特性参数的输入参数同时输入至三个基学习器，然后将三个基学习器得到的预测结果输入至元学习器，由元学习器输出灌浆量预测值。4.根据权利要求3所述的基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，还设置基于三维精细裂隙建模的灌浆数值模拟模型，使灌浆数值模拟模型输入地质参数、施工参数及浆液特性参数，输出灌浆量模拟值；将三个基学习器得到的预测结果与对应的灌浆量模拟值组合，构建新的训练集来训练元学习器。5.根据权利要求4所述的基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，构建训练集及验证集的方法包括：利用拉丁超立方抽样方法抽取多组地质参数，将其与不同的施工参数和浆液特性参数进行组合，构建具有代表各种裂隙地质条件及施工工况的参数样本集；将参数样本集中的数据输入至灌浆数值模拟模型中，得到灌浆量模拟值；将地质参数、施工参数和浆液特性参数及对应生成的灌浆量模拟值作为样本数据，构建样本集，按比例将样本集划分为训练集和测试集。6.根据权利要求3所述的基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，采集包括地质参数、施工参数和浆液特性参数的历史数据作为训练样本的方法包括：根据三维精细裂隙网络模型获取如下地质参数：裂隙数量、裂隙平均倾向、平均倾角和平均隙宽；根据工程实际施工方案以及水工建筑物水泥灌浆施工技术规范获取如下施工条件参数：灌浆孔的排序、孔序、孔深以及灌浆压力；根据根据工程实际施工方案获取如下浆液参数：浆液水灰比。7.根据权利要求3所述的基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，基于混沌理论和L
é
vy飞行策略对麻雀搜索算法进行改进，采用改进的麻雀搜索算法对基学习器和元学习器的模型参数进行同步优化。8.根据权利要求7所述的基于Stacking的灌浆量集成代理预测模型的预测方法，其特征在于，基于混沌理论和L
é
vy飞行策略对麻雀搜索算法进行改进的方法包括：基于混沌理论进行麻雀种群初始化，使用Tent混沌映射生成混沌序列初始化麻雀位置
xp
i,j
，其中i＝1,2,3
…
n，n表示麻雀种群的数量，j＝1...

【专利技术属性】
技术研发人员：王晓玲，余红玲，祝玉珊，任炳昱，佟大威，郑鸣蔚，
申请(专利权)人：天津大学，
类型：发明
国别省市：