基于贝叶斯优化的XGBoost模型预测路基回弹模量

为了确保路基系统的安全性并获得可靠的结构响应设计,准确且高效地估算路基回弹模量至关重要。以路基回弹模量为研究目标,利用包含12种不同路基的样本数据,共计2813组实际回弹模量数据,运用机器学习算法进行了预测。首先,综合考虑了力学、土性、环境等多个参数,选取了加权塑性指数、干密度、剪应力、偏应力、含水量和冻融循环次数6个影响因素作为输入参数。随后,采用熵权法和数据归一化技术对数据集进行了预处理,以获取各个影响因素的权重系数,更准确地反映了对回弹模量的影响。在此基础上,采用了XGBoost算法对路基回弹模量进行预测,同时考虑到XGBoost算法超参数较多,选取较为困难,结合了贝叶斯优化(BO)算法对超参数进行调整。最后,进行了敏感性分析,调查了每个输入变量的相对重要性。结果表明:相比基于网格搜索的XGBoost,BO-XGBoost模型能够以较短的耗时准确预测路基回弹模量,其测试集的相关系数R2为0.9966,RMSE为1.53;相比基于遗传算法优化的人工神经网络模型、支持向量机模型及传统的LGP和Kim经验模型,BO-XGBoost模型均展现出了更优越的性能;输入参数敏感性分析结果表明,不同的输入参数对路基回弹模量的影响程度不同,其中干密度是影响XGBoost算法预测性能最显著的因素。