基于改进CRITIC赋权机器学习算法的边坡稳定性评价与预测模型

摘要

边坡稳定性的影响因素复杂多变,这对边坡稳定性评价和滑坡预测带来了巨大挑战。收集湖南省常吉高速、怀新高速和国内外文献中596组工程边坡实际数据,以坡高、坡角、容重、黏聚力、内摩擦角和孔隙压力比作为指标参数,建立了用于边坡稳定性评价和滑坡预测的样本数据库。通过引入改进CRITIC算法确定各指标参数在边坡稳定性评价中的权重,采用随机森林(Random Forest)算法补全样本数据中的缺失信息,分别利用基于Random Forest(简称RF)和XGBoost的集成算法,构建了基于改进CRITIC-RF算法和基于改进CRITIC-XGBoost算法的边坡稳定性评价和滑坡预测模型。将改进算法对未参与训练的120组边坡历史数据进行预测,并与常规的Random Forest、Adaboost、XGBoost和BP神经网络模型预测结果进行对比:结果以准确率为例,改进CRITIC-RF算法和改进CRITIC-XGBoost算法分别高达90%和89.2%,而常规的Random Forest、Adaboost、XGBoost和BP神经网络模型的准确率分别只有85.8%、83.3%、87.5%、83.3%。