一种新的基于叠加的集成学习模型用于土岩开挖钻井效率预测

IF 3.3 3区 工程技术 Q1 ENGINEERING, MULTIDISCIPLINARY Journal of Zhejiang University-SCIENCE A Pub Date : 2022-12-01 DOI:10.1631/2023.A2200297
Fei Lv, Jia Yu, Jun Zhang, YU Peng, Dawei Tong, Bin-ping Wu
{"title":"一种新的基于叠加的集成学习模型用于土岩开挖钻井效率预测","authors":"Fei Lv, Jia Yu, Jun Zhang, YU Peng, Dawei Tong, Bin-ping Wu","doi":"10.1631/2023.A2200297","DOIUrl":null,"url":null,"abstract":"对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型,存在参数敏感性和过拟合等问题,且往往忽略了环境因素和人员操作因素的影响。针对这些问题,本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。 1. 建立一种基于Stacking集成学习的钻进效率预测模型;2. 定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响;3. 提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ,优化模型关键参数。 1. 通过多次对比实验,最终选择极值梯度提升(XGBoost)、随机森林(RF)和反向传播神经网络(BPNN)三个模型作为基学习器,支持向量回归(SVR)作为元学习器进行集成。2. 建立基于自适应步长策略的改进布谷鸟搜索优化算法,对集成模型的Max_depth等超参数进行优化。3. 将钻进效率值及相关影响因素的样本数据输入到每个基学习器中,得到相应的输出结果,再将预测结果作为元学习器的输入值,得到最终的预测结果。4. 以中国西南地区某土石方工程为例,通过五折交叉验证方法,验证模型的鲁棒性,并采用五个常用评价指标评价模型的精度和泛化性能。 工程应用结果表明,相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型,本文所提方法的平均绝对百分比误差(MAPE)分别提高了16.43%和4.88%。","PeriodicalId":17508,"journal":{"name":"Journal of Zhejiang University-SCIENCE A","volume":"10 1","pages":"1027 - 1046"},"PeriodicalIF":3.3000,"publicationDate":"2022-12-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":"{\"title\":\"A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation\",\"authors\":\"Fei Lv, Jia Yu, Jun Zhang, YU Peng, Dawei Tong, Bin-ping Wu\",\"doi\":\"10.1631/2023.A2200297\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型,存在参数敏感性和过拟合等问题,且往往忽略了环境因素和人员操作因素的影响。针对这些问题,本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。 1. 建立一种基于Stacking集成学习的钻进效率预测模型;2. 定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响;3. 提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ,优化模型关键参数。 1. 通过多次对比实验,最终选择极值梯度提升(XGBoost)、随机森林(RF)和反向传播神经网络(BPNN)三个模型作为基学习器,支持向量回归(SVR)作为元学习器进行集成。2. 建立基于自适应步长策略的改进布谷鸟搜索优化算法,对集成模型的Max_depth等超参数进行优化。3. 将钻进效率值及相关影响因素的样本数据输入到每个基学习器中,得到相应的输出结果,再将预测结果作为元学习器的输入值,得到最终的预测结果。4. 以中国西南地区某土石方工程为例,通过五折交叉验证方法,验证模型的鲁棒性,并采用五个常用评价指标评价模型的精度和泛化性能。 工程应用结果表明,相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型,本文所提方法的平均绝对百分比误差(MAPE)分别提高了16.43%和4.88%。\",\"PeriodicalId\":17508,\"journal\":{\"name\":\"Journal of Zhejiang University-SCIENCE A\",\"volume\":\"10 1\",\"pages\":\"1027 - 1046\"},\"PeriodicalIF\":3.3000,\"publicationDate\":\"2022-12-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Journal of Zhejiang University-SCIENCE A\",\"FirstCategoryId\":\"5\",\"ListUrlMain\":\"https://doi.org/10.1631/2023.A2200297\",\"RegionNum\":3,\"RegionCategory\":\"工程技术\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q1\",\"JCRName\":\"ENGINEERING, MULTIDISCIPLINARY\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of Zhejiang University-SCIENCE A","FirstCategoryId":"5","ListUrlMain":"https://doi.org/10.1631/2023.A2200297","RegionNum":3,"RegionCategory":"工程技术","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q1","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}
引用次数: 1

摘要

对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型,存在参数敏感性和过拟合等问题,且往往忽略了环境因素和人员操作因素的影响。针对这些问题,本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。 1. 建立一种基于Stacking集成学习的钻进效率预测模型;2. 定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响;3. 提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ,优化模型关键参数。 1. 通过多次对比实验,最终选择极值梯度提升(XGBoost)、随机森林(RF)和反向传播神经网络(BPNN)三个模型作为基学习器,支持向量回归(SVR)作为元学习器进行集成。2. 建立基于自适应步长策略的改进布谷鸟搜索优化算法,对集成模型的Max_depth等超参数进行优化。3. 将钻进效率值及相关影响因素的样本数据输入到每个基学习器中,得到相应的输出结果,再将预测结果作为元学习器的输入值,得到最终的预测结果。4. 以中国西南地区某土石方工程为例,通过五折交叉验证方法,验证模型的鲁棒性,并采用五个常用评价指标评价模型的精度和泛化性能。 工程应用结果表明,相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型,本文所提方法的平均绝对百分比误差(MAPE)分别提高了16.43%和4.88%。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation
对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型,存在参数敏感性和过拟合等问题,且往往忽略了环境因素和人员操作因素的影响。针对这些问题,本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。 1. 建立一种基于Stacking集成学习的钻进效率预测模型;2. 定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响;3. 提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ,优化模型关键参数。 1. 通过多次对比实验,最终选择极值梯度提升(XGBoost)、随机森林(RF)和反向传播神经网络(BPNN)三个模型作为基学习器,支持向量回归(SVR)作为元学习器进行集成。2. 建立基于自适应步长策略的改进布谷鸟搜索优化算法,对集成模型的Max_depth等超参数进行优化。3. 将钻进效率值及相关影响因素的样本数据输入到每个基学习器中,得到相应的输出结果,再将预测结果作为元学习器的输入值,得到最终的预测结果。4. 以中国西南地区某土石方工程为例,通过五折交叉验证方法,验证模型的鲁棒性,并采用五个常用评价指标评价模型的精度和泛化性能。 工程应用结果表明,相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型,本文所提方法的平均绝对百分比误差(MAPE)分别提高了16.43%和4.88%。
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
Journal of Zhejiang University-SCIENCE A
Journal of Zhejiang University-SCIENCE A 工程技术-工程:综合
CiteScore
5.60
自引率
12.50%
发文量
2964
审稿时长
2.9 months
期刊介绍: Journal of Zhejiang University SCIENCE A covers research in Applied Physics, Mechanical and Civil Engineering, Environmental Science and Energy, Materials Science and Chemical Engineering, etc.
期刊最新文献
A novel approach for the optimal arrangement of tube bundles in a 1000-MW condenser Influence of overhanging tool length and vibrator material on electromechanical impedance and amplitude prediction in ultrasonic spindle vibrator Dynamics of buoyancy-driven microflow in a narrow annular space Key technologies and development trends of the soft abrasive flow finishing method Solid-liquid flow characteristics and sticking-force analysis of valve-core fitting clearance
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1