土石坝渗流性态分析的IAO-XGBoost集成学习模型与预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态,而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题,提出土石坝渗流性态分析的IAO-XGBoost集成学习模型,并基于Shapley加性解释(SHapley Additive exPlanation,SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上,基于改进的天鹰(Improved Aquila Optimization,IAO)算法优化极限梯度提升(eXtreme Gradient Boosting,XGBoost)集成学习算法中的n_estimators、max_depth和learning_rate等超参数,进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型,以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地,将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合,挖掘影响大坝渗流性态指标预测结果的关键特征,并解释特征变量对渗流性态指标预测的影响。案例研究表明,IAO-XGBoost具有较高的预测精度,相比于IAO-GBDT、IAO-RF、IAO-DT和IAO-SVR算法,其预测精度分别提高了0.52%、11.64%、37.21%和25.07%;且相比于IAO-XGBoost、IAO-GBDT和IAO-RF算法的特征重要性分析方法,SHAP理论具有更强的模型可解释性,提高了预测结果的可信度。