-
题名基于可解释机器学习的岩溶介质渗透系数估算模型
- 1
-
-
作者
李红星
白伟
李傲
杨艳娜
王之正
-
机构
长江三峡勘测研究院有限公司(武汉)
成都理工大学地下水科学与工程系
成都理工大学地质灾害防治与地质环境保护国家重点实验室
-
出处
《水电能源科学》
北大核心
2025年第9期69-72,24,共5页
-
文摘
岩溶介质的渗透性能受到可溶岩地质特征、岩溶发育程度、流体性质等多重因素的影响,裂隙岩体的渗透系数估算模型难以反映岩溶发育的复杂性,使其适用性较差。为此,采用随机森林(RF)、支持向量回归(SVR)、CatBoost机器学习算法结合贝叶斯优化算法分别构建岩溶介质渗透系数估算模型,利用均方根误差(R_(RMSE))、均方误差(M_(MSE))、决定系数(R^(2))开展估算模型的评价精度验证,并通过SHAP算法分析机器学习模型中岩溶介质渗透系数的主导影响因子,阐明各影响因子对岩溶介质渗透系数的影响程度。结果表明,优化后的支持SVR模型R_(RMSE)为0.1288,M_(MSE)为0.0166,R^(2)为0.74,均优于随机森林和CatBoost模型,能够较好地估算岩溶介质渗透系数。SHAP图揭示了各主导因子不同特征值对岩溶介质渗透系数有明显差异,钻孔线岩溶率(BK)、深度(Z)和充填物含量(AFC)为岩溶介质渗透系数的主要影响因子,对岩溶介质渗透系数影响显著。可见SVR模型具有较高的估算精度,模型可解释性强,为岩溶地区工程应用提供一定参考价值。
-
关键词
随机森林
支持向量回归
CatBoost
岩溶介质
渗透系数估算
-
Keywords
random forest
support vector regression
CatBoost
karst media
permeability coefficient estimation
-
分类号
TV221.2
[水利工程—水工结构工程]
-
