用基于树的Bagging和Boosting集成技术预测硬岩矿山岩爆

摘要

岩爆预测对地下硬岩矿山的设计和施工至关重要.使用三种基于树的集成方法,对由102个历史案例(即1998—2011年期间14个硬岩矿山数据)组成的岩爆数据库进行了检查,以用于有岩爆倾向矿井的岩爆预测.该岩爆数据集包含六个广泛接受的倾向性指标,即:开挖边界周围的最大切向应力(MTS)、完整岩石的单轴抗压强度(UCS)和单轴抗拉强度(UTS)、应力集中系数(SCF)、岩石脆性指数(BI)和应变能储存指数(EEI).以分类树作为基准分类器的两种Boosting算法(AdaBoost.M1,SAMME)和Bagging算法进行了评估,评估了它们学习岩爆的能力.将可用数据集随机分为训练集(整个数据集的2/3)和测试集(其余数据集).采用重复10倍交叉验证(CV)作为调整模型超参数的验证方法,并利用边际分析和变量相对重要性分析了各集成学习模型特征.根据重复10倍交叉验证结果,对岩爆数据集的精度分析表明,与AdaBoost.M1、SAMME算法和岩爆经验判据相比,Bagging方法是预测硬岩矿山岩爆的最佳方法.