中国安全科学学报

作者：江松, 李涛, 李锦源, 李研博, 张存良, 张立杰

单位：1 西安建筑科技大学 资源工程学院,陕西 西安 7100552；2 西安市智慧工业感知计算与决策重点实验室,陕西 西安 710055；3 内蒙古汇能煤电集团有限公司,内蒙古 鄂尔多斯 017000；4 唐山冀东水泥股份有限公司,河北 唐山 063000

关键词：排土场边坡,稳定状态判别,迁移自适应增强梯度提升回归树(TrAdaBoost-GBDT),迁移学习,小样本

基金：国家自然科学基金面上项目(51974223); 国家自然科学基金青年项目(52104146)

针对露天矿排土场失稳数据获取困难,样本数据量少等问题,提出基于迁移学习算法的露天矿排土场边坡稳定状态判别模型;结合陕西省F露天矿排土场边坡的实际地质条件和降雨情况,设计降雨条件下排土场不同土石混合比边坡的相似模拟试验方案,并采集和处理试验中边坡模型的含水率、土压力和孔隙水压力数据;考虑到小样本数据集对梯度提升回归树(GBDT)模型分类精度的影响,运用迁移学习思想,利用迁移自适应增强算法(TrAdaBoost)对源域数据集和目标域数据集样本权重进行迭代更新,以GBDT模型作为数据样本训练的弱学习器,最终根据弱学习器的分类结果,通过加权多数表决法生成一种基于迁移学习的TrAdaBoost-GBDT排土场边坡稳定状性判别模型,以提高小样本数据标签类别的判别准确率。结果表明:相对其他算法模型,提出的排土场边坡稳定状态判别模型在稳定状态判别上有更好的表现,准确率、精准率、召回率和曲线下面积值(AUC)分别达到93.3%、87.5%、100%和93.8%,能够作为边坡稳定状态判别的分类器。该模型相对其他算法模型可以提高小样本数据集的边坡稳定状态判别的准确性,弥补机器学习对小样本数据集分类结果精度较低的不足。

来源：2024年第11期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2024年第11期