关键词:
隧道衬砌支护力
黏弹塑性
LightGBM算法
机器学习
数据驱动预测模型
摘要:
在流变软岩中进行水工隧道施工时,围岩-衬砌相互作用将在接触面处产生与时间相关的支护力。合理预测支护力对衬砌结构设计和围岩稳定性分析至关重要。然而,黏弹塑性问题的数值模拟需要长时间的计算迭代和复杂的前后处理,而解析方法则面临公式推导与程序实现的难题,限制了推广应用。基于衬砌支护隧道的黏弹塑性解析模型生成大量数据集,将围岩和衬砌材料特性及几何参数等6个核心参数作为特征,利用LightGBM机器学习方法建立了稳态支护力的数据驱动预测模型。结果表明:该模型在测试集上的预测效果稳定,训练集与测试集的校正决定系数均超过0.9,平均绝对百分比误差低于4.2%,显著优于XGBoost及SVR等其他机器学习算法。此外,利用SHAP方法分析了输入特征与预测结果之间的依赖性,增强了模型的可解释性。该预测模型不仅能快速准确地进行稳态支护力预测,还能应用于衬砌设计和其他反分析工作,具有较高的工程应用价值。