CN114169106A - 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 - Google Patents
基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 Download PDFInfo
- Publication number
- CN114169106A CN114169106A CN202111518712.9A CN202111518712A CN114169106A CN 114169106 A CN114169106 A CN 114169106A CN 202111518712 A CN202111518712 A CN 202111518712A CN 114169106 A CN114169106 A CN 114169106A
- Authority
- CN
- China
- Prior art keywords
- random forest
- forest model
- iter
- lateral displacement
- jet grouting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 67
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 239000002689 soil Substances 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 239000004568 cement Substances 0.000 claims description 10
- 239000004115 Sodium Silicate Substances 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 229910052911 sodium silicate Inorganic materials 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 7
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，包括以下步骤：S1：收集现场监测数据并对数据进行预处理，划分输入特征数据和输出特征数据；S2：建立随机森林模型，初始化所述随机森林模型的超参数；S3：根据步骤S1得到的输入特征数据和输出特征数据，采用PSO‑SA智能进化算法优化所述随机森林模型的超参数，得到改进的随机森林模型；S4：利用所述改进的随机森林模型，确定侧向位移。本发明利用PSO‑SA与随机森林模型进行杂交得到改进的随机森林模型，通过PSO‑SA确定随机森林模型的最优超参数，提高了随机森林模型的计算效率和评估的准确度，可以快速确定旋喷桩引起的侧向位移。
Description
技术领域
本发明涉及岩土工程领域，更具体地，涉及一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法。
背景技术
旋喷桩是一种在岩土工程中广泛应用的地基处理技术，其喷射机理涉及高压喷射流体与土壤的相互作用，这种相互作用在周围介质中产生的扰动有改变土壤刚度的倾向。喷射灌浆柱在安装过程常会引起侧向位移，这会让周围结构受到额外的土压力，影响周围结构的稳定性。现有模型评估旋喷桩引起的侧向位移存在操作复杂和没有考虑非线性问题的局限性。
公开日为2021年02月01日，公开号为CN112923842A的中国专利公开了一种基于GNSS定位技术的三维地表位移监测系统及方法，该专利自述为：“公开了一种基于GNSS定位技术的三维地表位移监测方法，通过建立基站，以每个基站为中心设置多个监测点，通过超宽带无线电波飞行时间测距技术实时获取基站与监测点、以及各个监测点之间的距离变化，并基于实时的距离变化解算出实时的相对位置变化进行预警。”该专利为实时位移测量提供了技术保障。但由于技术要求高，操作难度大，监测成本较高，并不适用于旋喷桩施工引起的侧向位移监测。
发明内容
本发明提供一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，解决现有模型并不适用于评估旋喷桩引起的侧向位移的问题。
为解决上述技术问题，本发明的技术方案如下：
一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，包括以下步骤：
S1：收集现场监测数据并对数据进行预处理，划分输入特征数据和输出特征数据；
S2：建立随机森林模型，初始化所述随机森林模型的超参数；
S3：根据步骤S1得到的输入特征数据和输出特征数据，采用PSO-SA智能进化算法优化所述随机森林模型的超参数，得到改进的随机森林模型；PSO-SA智能进化算法是融合粒子群算法(PSO)和模拟退火算法(SA)得到的混合算法。
S4：利用所述改进的随机森林模型，确定侧向位移。
优选地，步骤S1中所述现场监测数据包括：
无侧限抗压强度、土压缩指数、土壤含水量、干容重、水泥浆流量及压力、硅酸钠流量及压力、上拔速率、旋转率、超孔隙压力和地表侧向位移。
优选地，步骤S1中所述对数据进行预处理，具体为：
对收集的现场监测数据进行去除异常值，求取最小值、最大值、标准差值以及平均值。
优选地，步骤S1中所述划分输入特征数据和输出特征数据，具体为：
所述输入特征数据为无侧限抗压强度、土压缩指数、土壤含水量、干容重、水泥浆流量及压力、硅酸钠流量及压力、上拔速率、旋转率、超孔隙压力；
所述输出特征数据为地表侧向位移。
优选地，步骤S2中所述随机森林模型为利用多棵决策树对样本进行训练并评估的一种分类器，通过在训练阶段建立决策树集合并输出单个树的平均评估值来进行评估，具体包括步骤：
生成训练集和OOB测试集；
生成决策树；
对每一颗决策树的性能进行评估，得到随机森林模型的评估精度。
优选地，所述生成训练集和OOB测试集，具体为：
从步骤S1中收集的现场监测数据随机且有放回的抽取N个样本组成训练集，得到一个大小为N的训练集，进行k轮抽取，得到k组训练集，分别为T1,T2,…,Tk；每一轮抽取中未被抽取的样本组成OOB测试集，得到k组OOB测试集，分别为O1,O2,...,Ok。
优选地，所述生成决策树，具体为：
对于每一组训练集，从输入特征数据中随机抽取部分特征数据组成新的特征集，并生成决策树，k组训练集共生成k个决策树。
优选地，所述对每一颗决策树的性能进行评估，得到随机森林模型的评估精度，具体为：
将k个OOB测试集依次输入对应的决策树并计算均方误差函数MSEk，取k个OOB测试集的平均值MSE作为随机森林模型的评估精度：
式中，N(Ok)为第k个OOB测试集的样本数，x(Ok)i为OOB测试集Ok的第i个样本的评估值，y(Ok)i为OOB测试集Ok的第i个样本的观测值，MSEk为第k个OOB测试集的均方误差。
优选地，所述随机森林模型的超参数包括决策树数目k、决策树分裂时考虑的最大特征数F，和叶节点的最小数量M。
优选地，所述步骤S3具体包括以下步骤：
S3.1：确定迭代次数max、PSO-SA参数和收敛阈值limit，所述PSO-SA参数包括惯性因子w，学习因子c1和c2，w的变化系数wdamp，初始温度T，T的变化系数alpha，每个PSO个体的SA邻域数目nMove，突变率mu；
S3.2：设置迭代参数iter＝0，初始化PSO-SA个体向量X＝xiter的位置和向量速度v，个体向量X的位置由随机森林模型的超参数组成：
xiter＝[k,F,M]
S3.3：将均方根误差RMSE设为最小化的目标函数：
式中，N为样本数，yo i为评估值，yi为观测值；
S3.4：检验均方根误差RMSE是否小于收敛阈值limit，若小于，算法达到收敛，停止迭代，若未收敛，进入下一步；
S3.5：iter＝iter+1，计算第iter次迭代的X的候选位置xiter，计算对应的RMSEpso，计算公式如式：
viter＝w viter-1+c1 rand1(pbest–xiter-1)+c2 rand2(gbest–xiter-1)
xiter＝xiter-1+viter
式中，viter为第iter次迭代的粒子速率；xiter为第iter次迭代的粒子位置；rand为介于(0,1)的随机数；pbest为同一粒子经过多次迭代的最佳位置；gbest为不同粒子经过一次迭代的最佳位置；
S3.6：对xiter进行变异，生成nMove个xiter的候选向量，记作xiter,j，0<j<nMove，计算nMove个候选向量对应RMSEnMove值，比较所得RMSEpso和RMSEnMove，选择最小RMSE值对应的候选位置为更新后的xiter；
S3.7：更新w＝w×wdamp，T＝T×alpha，xiter、pbest和gbest，重复S3.4～S3.7直到均方根误差RMSE小于收敛阈值limit；
S3.8：确定个体向量的最佳位置X＝xiter，得到随机森林模型的最优超参数，得到改进随机森林模型。
与现有技术相比，本发明技术方案的有益效果是：
本发明针对现有方法中存在的对技术要求较高，操作复杂和没有考虑非线性问题等缺陷，提出了一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，利用PSO-SA与随机森林模型进行杂交得到改进的随机森林模型，通过PSO-SA确定随机森林模型的最优超参数，提高了随机森林模型的计算效率和评估的准确度，可以快速确定旋喷桩引起的侧向位移。
附图说明
图1为本发明的方法流程示意图。
图2为实施例提供的旋喷桩施工引起的侧向位移观测值和评估值对比示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，如图1所示，包括以下步骤：
S1：收集现场监测数据并对数据进行预处理，划分输入特征数据和输出特征数据；
S2：建立随机森林模型，初始化所述随机森林模型的超参数；
S3：根据步骤S1得到的输入特征数据和输出特征数据，采用PSO-SA智能进化算法优化所述随机森林模型的超参数，得到改进的随机森林模型；
S4：利用所述改进的随机森林模型，确定侧向位移。
步骤S1中所述现场监测数据包括：
5根旋喷桩的无侧限抗压强度qu、土压缩指数Cc、土壤含水量wn、干容重γt、水泥浆流量Qcement及压力Pcement、硅酸钠流量Qss及压力Pss、上拔速率Rrate、超孔隙压力EPP和地表侧向位移Lat.Disp.，共245组。
所述无侧限抗压强度是指试样在无侧向压力情况下，抵抗轴向压力的极限强度，由无侧限压缩试验获得；所述土压缩指数是指土在有侧限条件下受压时，压缩曲线的斜率，是计算粘性土地基沉降量的指标；所述土壤含水量值是指100g烘干土中含有的水分比例；所述干容重是一定容积的土壤烘干后质量与烘干前体积的比值；所述水泥浆流量及压力是指在喷射灌浆施工过程中，单位时间内流入的水泥浆体积及其对应的压力；所述硅酸钠流量及压力是指在喷射灌浆施工过程中，单位时间内流入的硅酸钠体积及其对应的压力；所述上拔速率是指旋喷桩施工时的上行速率；所述旋转率是指旋喷桩施工旋转速率；所述超孔隙压力是指由于附加应力引起的中性压力；所述地表侧向位移是指地表发生的水平位移；
步骤S1中所述对数据进行预处理，具体为：
对收集的现场监测数据进行去除异常值，求取最小值、最大值、标准差值以及平均值，在本实施例中，所得数值见下表：
表1
步骤S1中所述划分输入特征数据和输出特征数据，具体为：
所述输入特征数据为无侧限抗压强度、土压缩指数、土壤含水量、干容重、水泥浆流量及压力、硅酸钠流量及压力、上拔速率、旋转率、超孔隙压力；
所述输出特征数据为地表侧向位移。
步骤S2中所述随机森林模型为利用多棵决策树对样本进行训练并评估的一种分类器，通过在训练阶段建立决策树集合并输出单个树的平均评估值来进行评估，具体包括步骤：
S2.1：随机抽取196组输入特征数据生成训练集，剩余49组输入特征数据生成OOB测试集，具体为：
从步骤S1中收集的现场监测数据随机且有放回的抽取8个样本组成训练集，得到一个大小为8的训练集，进行196轮抽取，得到196组训练集，分别为T1,T2,…,T196；每一轮抽取中未被抽取的样本组成OOB测试集，得到196组OOB测试集，分别为O1,O2,...,O196。
S2.2：初始化生成91棵决策树，具体为：
对于每一组训练集，从输入特征数据中随机抽取部分特征数据组成新的特征集，生成决策树，随机抽取91组训练集共生成91棵决策树。
对每一颗决策树的性能进行评估，得到改机随机森林模型的评估精度。
S2.3：对每一颗决策树的性能进行评估，具体为：
将196个OOB测试集依次输入决策树并计算均方误差函数MSEk，取196个OOB测试集的平均值MSE作为随机森林模型的评估精度：
式中，N(Ok)为第k个OOB测试集的样本数，x(Ok)i为OOB测试集Ok的第i个样本的评估值，y(Ok)i为OOB测试集Ok的第i个样本的观测值，MSEk为第k个OOB测试集的均方误差，得到随机森林模型的评估精度。
所说决策树是通过调用matlab软件的工具包randomforest所建立的人工智能方法。
在本实施例中，所述随机森林模型的超参数包括决策树数目K＝[10，150]、决策树分裂时考虑的最大特征数F＝[1,10]，和叶节点的最小数量M＝[1,25]，初始化K＝91，F＝8，M＝12。
所述步骤S3中PSO-SA智能进化算法是融合粒子群算法(PSO)和模拟退火算法(SA)得到的混合算法。该算法定义了一个从初始种群中突变的过程，通过PSO对搜索空间进行广义搜索，通过SA优化搜索过程，来建立PSO和SA之间的一致性。此外，PSO-SA通过定义一个限制系数nMove，来限制每个PSO个体的邻域数目，从而控制细化量和计算量，所述步骤S3具体包括以下步骤：
S3.1：确定迭代次数max、PSO-SA参数和收敛阈值limit，在本实施例中，所述迭代次数max＝1000；PSO-SA参数包括惯性因子w＝1，学习因子c1＝c2＝2，w的变化系数wdamp＝0.99，初始温度T＝0.1，T的变化系数alpha＝0.99，每个PSO个体的SA邻域数目nMove＝20，突变率mu＝0.5；收敛阈值limit为1.05。
S3.2：设置迭代参数iter＝0，初始化PSO-SA个体向量X＝xiter的位置和向量速度v，个体向量X的位置由随机森林模型的超参数组成：
xiter＝[K,F,M]
在本实施例中，初始化PSO-SA个体向量X＝xiter＝[91,8,12]和向量速度v＝1；
S3.3：将均方根误差RMSE设为最小化的目标函数：
式中，N为样本数，yo i为评估值，yi为观测值；
S3.4：检验均方根误差RMSE是否小于收敛阈值1.05，若小于，算法达到收敛，停止迭代，若未收敛，进入下一步；
S3.5：iter＝iter+1，计算第iter次迭代的X的候选位置xiter，计算对应的RMSEpso，计算公式如式：
viter＝w viter-1+c1 rand1(pbest–xiter-1)+c2 rand2(gbest–xiter-1)
xiter＝xiter-1+viter
式中，viter为第iter次迭代的粒子速率；xiter为第iter次迭代的粒子位置；rand为介于(0,1)的随机数；pbest为同一粒子经过多次迭代的最佳位置；gbest为不同粒子经过一次迭代的最佳位置；
S3.6：对xiter进行变异，生成nMove个xiter的候选向量，记作xiter,j，0<j<nMove，计算nMove个候选向量对应RMSEnMove值，比较所得RMSEpso和RMSEnMove，选择最小RMSE值对应的候选位置为更新后的xiter；
S3.7：更新参数w＝w×wdamp，T＝T×alpha，xiter的数值、pbest和gbest，重复S3.4～S3.7，直到RMSE＝1.048达到停止标准，确定了个体向量的最佳位置X＝[97.667,2.333,2.667]，得到改进随机森林模型的最优超参数为K＝97.667，F＝2.333，M＝2.667；
步骤S4利用所述改进的随机森林模型和245组现场监测数据评估旋喷桩引起的侧向位移，见图2。
通过对侧向位移评估值和观测值的比较，可得拟合度为0.979，验证了模型的可靠性和准确性。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，包括以下步骤：
S1：收集现场监测数据并对数据进行预处理，划分输入特征数据和输出特征数据；
S2：建立随机森林模型，初始化所述随机森林模型的超参数；
S3：根据步骤S1得到的输入特征数据和输出特征数据，采用智能进化算法优化所述随机森林模型的超参数，得到改进的随机森林模型；
S4：利用所述改进的随机森林模型，确定侧向位移。
2.根据权利要求1所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，步骤S1中所述现场监测数据包括：
无侧限抗压强度、土压缩指数、土壤含水量、干容重、水泥浆流量及压力、硅酸钠流量及压力、上拔速率、旋转率、超孔隙压力和地表侧向位移。
3.根据权利要求2所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，步骤S1中所述对数据进行预处理，具体为：
对收集的现场监测数据进行去除异常值，求取最小值、最大值、标准差值以及平均值。
4.根据权利要求2所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，步骤S1中所述划分输入特征数据和输出特征数据，具体为：
所述输入特征数据为无侧限抗压强度、土压缩指数、土壤含水量、干容重、水泥浆流量及压力、硅酸钠流量及压力、上拔速率、旋转率、超孔隙压力；
所述输出特征数据为地表侧向位移。
5.根据权利要求4所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，步骤S2中所述随机森林模型为利用多棵决策树对样本进行训练并评估的一种分类器，通过在训练阶段建立决策树集合并输出单个树的平均评估值来进行评估，具体包括步骤：
生成训练集和OOB测试集；
生成决策树；
对每一颗决策树的性能进行评估，得到随机森林模型的评估精度。
6.根据权利要求5所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，所述生成训练集和OOB测试集，具体为：
从步骤S1中收集的现场监测数据随机且有放回的抽取N个样本组成训练集，得到一个大小为N的训练集，进行k轮抽取，得到k组训练集，分别为T1,T2,…,Tk；每一轮抽取中未被抽取的样本组成OOB测试集，得到k组OOB测试集，分别为O1,O2,...,Ok。
7.根据权利要求6所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，所述生成决策树，具体为：
对于每一组训练集，从输入特征数据中随机抽取部分特征数据组成新的特征集，并生成决策树，k组训练集共生成k个决策树。
8.根据权利要求7所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，所述对每一颗决策树的性能进行评估，得到随机森林模型的评估精度，具体为：
将k个OOB测试集依次输入对应的决策树并计算均方误差函数MSEk，取k个OOB测试集的平均值MSE作为随机森林模型的评估精度：
式中，N(Ok)为第k个OOB测试集的样本数，x(Ok)i为OOB测试集Ok的第i个样本的评估值，y(Ok)i为OOB测试集Ok的第i个样本的观测值，MSEk为第k个OOB测试集的均方误差。
9.根据权利要求5所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，所述随机森林模型的超参数包括决策树数目k、决策树分裂时考虑的最大特征数F，和叶节点的最小数量M。
10.根据权利要求9所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法，其特征在于，所述步骤S3中采用PSO-SA智能进化算法优化所述随机森林模型的超参数，具体包括以下步骤：
S3.1：确定迭代次数max、PSO-SA参数和收敛阈值limit，所述PSO-SA参数包括惯性因子w，学习因子c1和c2，w的变化系数wdamp，初始温度T，T的变化系数alpha，每个PSO个体的SA邻域数目nMove，突变率mu；
S3.2：设置迭代参数iter＝0，初始化PSO-SA个体向量X＝xiter的位置和向量速度v，个体向量X的位置由随机森林模型的超参数组成：
xiter＝[k,F,M]
S3.3：将均方根误差RMSE设为最小化的目标函数：
式中，N为样本数，yo i为评估值，yi为观测值；
S3.4：检验均方根误差RMSE是否小于收敛阈值limit，若小于，算法达到收敛，停止迭代，若未收敛，进入下一步；
S3.5：iter＝iter+1，计算第iter次迭代的X的候选位置xiter，计算对应的RMSEpso，计算公式如式：
viter＝w viter-1+c1 rand1(pbest–xiter-1)+c2 rand2(gbest–xiter-1)
xiter＝xiter-1+viter
式中，viter为第iter次迭代的粒子速率；xiter为第iter次迭代的粒子位置；rand为介于(0,1)的随机数；pbest为同一粒子经过多次迭代的最佳位置；gbest为不同粒子经过一次迭代的最佳位置；
S3.6：对xiter进行变异，生成nMove个xiter的候选向量，记作xiter,j，0<j<nMove，计算nMove个候选向量对应RMSEnMove值，比较所得RMSEpso和RMSEnMove，选择最小RMSE值对应的候选位置为更新后的xiter；
S3.7：更新w＝w×wdamp，T＝T×alpha，xiter、pbest和gbest，重复S3.4～S3.7直到均方根误差RMSE小于收敛阈值limit；
S3.8：确定个体向量的最佳位置X＝xiter，得到随机森林模型的最优超参数，得到改进随机森林模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518712.9A CN114169106B (zh) | 2021-12-13 | 2021-12-13 | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518712.9A CN114169106B (zh) | 2021-12-13 | 2021-12-13 | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114169106A true CN114169106A (zh) | 2022-03-11 |
| CN114169106B CN114169106B (zh) | 2024-08-13 |
Family
ID=80486132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111518712.9A Active CN114169106B (zh) | 2021-12-13 | 2021-12-13 | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169106B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048748A (zh) * | 2022-08-12 | 2022-09-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766222A (zh) * | 2019-10-22 | 2020-02-07 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN111428790A (zh) * | 2020-03-26 | 2020-07-17 | 沈阳理工大学 | 基于粒子群优化的双准确度加权随机森林算法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| CN113344272A (zh) * | 2021-06-08 | 2021-09-03 | 汕头大学 | 一种基于机器学习的circRNA与miRNA、RBP相互作用关系的预测方法 |
-
2021
- 2021-12-13 CN CN202111518712.9A patent/CN114169106B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN110766222A (zh) * | 2019-10-22 | 2020-02-07 | 太原科技大学 | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 |
| CN111428790A (zh) * | 2020-03-26 | 2020-07-17 | 沈阳理工大学 | 基于粒子群优化的双准确度加权随机森林算法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN112557393A (zh) * | 2020-11-19 | 2021-03-26 | 南京农业大学 | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113344272A (zh) * | 2021-06-08 | 2021-09-03 | 汕头大学 | 一种基于机器学习的circRNA与miRNA、RBP相互作用关系的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴长林;陈玉;高文根;: "基于VMD-IPSO-RFR模型的光伏发电功率预测", 四川轻化工大学学报(自然科学版), no. 02, 20 April 2020 (2020-04-20) * |
| 王鑫圆;曹春萍;: "基于随机森林与改进极限学习机的PM2.5浓度模型", 软件, no. 06, 15 June 2020 (2020-06-15) * |
| 赵东;臧雪柏;赵宏伟;: "基于果蝇优化的随机森林预测方法", 吉林大学学报(工学版), no. 02, 15 March 2017 (2017-03-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048748A (zh) * | 2022-08-12 | 2022-09-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
| CN115048748B (zh) * | 2022-08-12 | 2022-10-28 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114169106B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103955750B (zh) | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 | |
| CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
| CN115983062B (zh) | 一种基于有限元模型修正的高拱坝地震损伤评估方法及系统 | |
| CN111666529B (zh) | 一种海浪数据处理及波浪谱生成方法 | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| Gandomi et al. | Expression programming techniques for formulation of structural engineering systems | |
| CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
| CN114169106A (zh) | 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法 | |
| CN108667069A (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN117473851A (zh) | 一种基于随机森林的盾构隧道上浮过程预测方法 | |
| CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
| CN114218835A (zh) | 一种考虑风致疲劳效应的输电塔结构全寿命抗多灾性能评估方法 | |
| WO2021142901A1 (en) | Method of physical mode extraction for engineering structure flexibility identification | |
| CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
| CN113919201A (zh) | 一种水力压裂裂缝多尺度扩展的网格自适应方法 | |
| KR101627771B1 (ko) | 석션 케이슨 앵커의 인발력을 예측하기 위한 데이터 지향 모델링 방법 | |
| CN115759203A (zh) | 一种多要素耦合条件下海上桩基冲刷预测方法 | |
| CN106934729A (zh) | 建筑检测鉴定方法及装置 | |
| CN110119568B (zh) | 一种抛石护岸抛石效果影响因子评价方法 | |
| CN110288726B (zh) | 一种基于bp神经网络甘蔗转运车危险预测方法 | |
| CN113128108A (zh) | 一种基于差异进化人工智能的旋喷桩直径的确定方法 | |
| CN117973161B (zh) | 一种浮式风电平台的疲劳裂纹扩展评估方法 | |
| CN118153786B (zh) | 基于深度学习的对流性大风短时预报方法及系统 | |
| CN114894619B (zh) | 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 | |
| CN116663793A (zh) | 一种涉水桥墩韧性多尺度综合评价方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |