基于TPE-GBT模型的地下水封洞库灌浆量预测研究

为改善灌浆施工隐蔽性强带来的灌浆量及渗控效果难以预测的现状,基于大量现场施工数据和机器学习方法,探索建立高效、准确的灌浆量预测模型,优化并指导现场灌浆施工管理。引入梯度提升树(Gradient Boosting Trees,GBT)模型,旨在对灌浆过程中的单位耗灰量进行预测,并采用TPE(Tree-Structured Parzen Estimator)算法对GBT模型进行超参数优化,以提升模型预测的准确性和泛化能力。研究结果表明:(1)在预灌浆测试集数据中,TPE-GBT单位耗灰量预测模型的决定系数R~2达到0.80,平均绝对百分比误差(MAPE)为0.2414;在后灌浆测试集数据中,模型的R~2达到0.84,MAPE为0.2810,均处于可接受的预测精度范围内,相较于传统的线性回归模型和GBT模型预测精度明显提高;(2)通过SHAP(Shapley Additive Explanations)值对输入参数进行敏感性分析,发现灌前透水率对模型预测的贡献最为显著,是灌浆工程中的关键控制参数;(3)在围岩条件一定的情况下,选取合适的灌浆压力并采用分序施工的方式可以提升灌浆渗控效果。