多输出回归算法在超声粒径分布反演中的研究

摘要

悬移质粒径分布作为研究水体运动规律和水利建设中的关键参数,通过对Epstein-Carhart-Allegra-Hawley(ECAH)模型和超声衰减实验这类先验信息的研究,结合机器学习算法对悬移质颗粒粒径进行预测。根据超声衰减实验和其他相关物性参数提取特征,结合筛分法确定的粒径分布种类制作训练数据集和验证数据集,通过对单种粒径预测的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法进行组合构建多输出回归算法对粒径分布进行预测。结果表明:三种样品单种粒径的最大相对误差在±10%以内,中位径误差分别为0.07%、−0.10%和−2.20%;在实验范围内,预测分布结果与筛分法结果一致,有较高的可行性和准确度,可为粒径分布测量提供一种新的思路。