基于机器学习的电力隧道施工工法预测（论文）.pdf

·657 · 基于机器学习的电力隧道施工工法预测 张小颖 1， 李继波 1， 黄业胜 1， 郭 飞 2， 傅睿智 2， 郭庆宇 1 （1. 北京电力经济技术研究院有限公司，100120，北京；2. 北京市政建设集团有限责任公司，100048，北京） 摘　要：在电网的建设中，合理的施工方法不仅能够有效地降低成本、减少工期，并可在很大程度上减 少施工过程中的风险，因此，提供一个能够合理预测电力隧道施工工法的系统显得尤为重要。本研究采用决 策树、随机森林、 XGBoost、KNN和BP 神经网络 5种机器学习算法对电力隧道开挖工法进行预测。以全国 10 余个省、市电网所提供的电力隧道工程工法应用情况为基础，整理出 855条数据集，包括 7个影响开挖 工法的参数，并将 75 %的数据用于训练预测模型， 25 %用于验证。最后将预测结果和真实值进行比较，发 现决策树、 XGBoost与BP 神经网络在电力隧道开挖工法方面的预测效果要优于随机森林和 KNN算法。最 终在此基础上设计出可以智能推荐开挖工法的软件。 关键词：机器学习；电力隧道；开挖工法；软件开发 中图分类号：TU 74 文献标志码：A 文章编号：1000-4726(2023)06-0657-04 prediction of power tunnel excavation method BaSed on machine learning ZHANG Xiao-ying 1, LI Ji-bo 1, HUANG Ye-sheng 1, GUO Fei 2, FU Rui-zhi 2, GUO Qing-yu 1 (1. Beijing Electric Power Economic and Technological Research Institute Co., Ltd., 100120, Beijing, China; 2. Beijing Municipal Construction Co., Ltd., 100048, Beijing, China) abstract: In the construction of power grid, reasonable construction methods can not only effectively save costs and reduce the construction period, but also reduce the risk in the construction process to a large extent. Therefore, it is very important to provide a system that can reasonably predict the construction method of power tunnel excavation. In this paper, five machine learning algorithms including decision tree, random forest, XGBoost, KNN and BP neural network are used to predict the excavation method of electric power tunnel. Based on the application of power tunnel engineering methods provided by power grids in more than 13 provinces and cities, 855 data sets were sorted out, including 7 parameters affecting excavation methods. 75 % of the data were used for training prediction model and 25 % for verification. Finally, by comparing the predicted results with the real values, it is found that the prediction effect of decision tree, XGBoost and BP neural network is better than that of random forest and KNN algorithm in power tunnel excavation. Finally, the software which can recommend the excavation method intelligently is designed on this basis. Keywords: machine learning; power tunnel; excavation method; software development 由于城市化进程加快，人们对用电的需求也明显 增加，为了缓解电力负荷迅速增长带来的电力供应不 足，我国电网开始大量建设 [1]。选择合理的隧道开挖 工法可以有效降本增效、保障施工安全。为此，本研 究旨在提供一些能够合理预测电力隧道开挖工法的机 器学习模型，并以此为基础开发出相应的智能预测软 件。随着统计技术、人工智能和机器学习高速发展， 也逐渐深入各行业，为各行各业带来了一定的好处， 其中也为分析隧道问题开发出了许多有力的工具 [2]。 机器学习方法能学习非线性函数映射，并能充分 调整复杂函数 [3]。学者们也成功地使用机器学习方法 来解决隧道问题 [4]。由于机器学习有许多算法子集， 因此可利用这些算法对电力隧道开挖工法进行预测， 本工程采用决策树、随机森林、 XGBoost、KNN和 BP 神经网络 5种机器学习算法，分别研究了它们对 预测电力隧道开挖工法的能力。训练中的数据库由各 省提供的调查问卷所得，共包含了 855条数据集，利 用 sklearn 库中的 train_test_split 函数随机划分 75 % 的数据集用于训练预测模型， 25 %用于验证模型。 最终通过 4种不同的评价指标对预测结果和真实值比 较，以确定各模型对电力隧道开挖工法的预测能力。 1 电力隧道常见工法 1.1 工法比选 现如今，在修建电力隧道工程中常采用明开、暗 挖、顶管、盾构以及一些组合工法，见表 1。 1.2 工法适用情况 一般来说，明开法适用于线路附近建（构）筑物、 收稿日期：2023–02–11 作者简介： 张小颖（1981—），男，江苏如皋人，高级工程师，硕士， e-mail:Zhangxiaoying-001@126.com. *1? ? _ Architecture Technology 1\54 思1\ 6 O 2023 ?3 8 Vol.54 No.6 Mar. 2023 ·658 ·