曹放　李培駿　詹同安　孫徐　張鈺

摘要 公路工程在進(jìn)行崩塌落石處治設(shè)計(jì)時(shí)，需要解決措施有效性與經(jīng)濟(jì)性之間的矛盾，如何在勘察設(shè)計(jì)工作中充分運(yùn)用機(jī)器學(xué)習(xí)工具，是一個(gè)前沿的領(lǐng)域。以省道S463改擴(kuò)建為國(guó)道G664的項(xiàng)目為契機(jī)，充分利用項(xiàng)目勘察設(shè)計(jì)階段獲得的342組工點(diǎn)數(shù)據(jù)集，首先采用XGBoost算法構(gòu)建“XGB—崩塌”模型，利用改擴(kuò)建前的220組數(shù)據(jù)集構(gòu)建測(cè)試集進(jìn)行訓(xùn)練，然后對(duì)改擴(kuò)建后的數(shù)據(jù)集進(jìn)行測(cè)試，實(shí)現(xiàn)了對(duì)122段新增邊坡工點(diǎn)的崩塌、落石風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)價(jià)，最后與支持向量機(jī)（SVM）、隨機(jī)森林（RF）的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比。結(jié)果表明：“XGB—崩塌”模型較參照機(jī)器學(xué)習(xí)工具更具優(yōu)勢(shì)，取得了91.04%～94.12%的準(zhǔn)確率。

關(guān)鍵詞 公路工程；崩塌；預(yù)測(cè)；XGBoost；機(jī)器學(xué)習(xí)；監(jiān)督學(xué)習(xí)；SVM；RF

中圖分類(lèi)號(hào) P642.22文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 2096-8949（2024）12-0001-04

0 引言

崩塌、落石是山區(qū)公路修建時(shí)的常見(jiàn)地質(zhì)病害[1]。該文研究的依托項(xiàng)目位于四川省甘孜州稻城縣境內(nèi)，為既有省道S463升級(jí)改擴(kuò)建為國(guó)道G664，路線全長(zhǎng)為164 km，沿線海拔在2 240～4 100 m，屬構(gòu)造剝蝕高山峽谷地貌。斷裂、褶皺發(fā)育，崩塌落石十分發(fā)育。

目前，針對(duì)崩塌、落石的工程防治措施主要為主、被動(dòng)網(wǎng)，掛網(wǎng)噴混凝土，錨桿、錨索框架梁等。但此類(lèi)災(zāi)害分布十分廣泛，偶發(fā)性極強(qiáng)，無(wú)法做到全線處治。因此，勘察設(shè)計(jì)階段需要做好風(fēng)險(xiǎn)分類(lèi)，盡可能針對(duì)高風(fēng)險(xiǎn)段落進(jìn)行靶向防護(hù)[2-3]。

對(duì)于崩塌、落石的災(zāi)害的風(fēng)險(xiǎn)評(píng)估，主要基于InSAR、衛(wèi)星遙感、航空遙感等GIS技術(shù)手段，獲得大區(qū)域內(nèi)可能發(fā)生的時(shí)間、地點(diǎn)、成災(zāi)范圍和影響程度等信息。但受限于GIS手段僅能探測(cè)地球表面及探測(cè)精度不高，其效果無(wú)法達(dá)到直接指導(dǎo)設(shè)計(jì)的目的，加之缺乏高精度的地質(zhì)資料分析，無(wú)法進(jìn)行工程推廣[4]。

因此，充分挖掘工點(diǎn)的多尺度信息并構(gòu)建高精度預(yù)測(cè)模型，對(duì)崩塌落石的防護(hù)處治來(lái)說(shuō)，有著顯著的現(xiàn)實(shí)意義。目前，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)等算法已廣泛應(yīng)用于風(fēng)險(xiǎn)預(yù)測(cè)領(lǐng)域。近年來(lái)，Bagging、Boosting等集成學(xué)習(xí)算法因速度快、精度高、魯棒性強(qiáng)等優(yōu)勢(shì)，為公路邊坡崩塌、落石風(fēng)險(xiǎn)評(píng)價(jià)及預(yù)測(cè)提供了新思路。極端梯度提升樹(shù)（Extreme Gradient Boosting，XGBoost）是基于梯度提升改進(jìn)的算法，具有非線性數(shù)據(jù)處理、計(jì)算量小、運(yùn)算速度更快及能夠更好地防止過(guò)擬合等優(yōu)勢(shì)[5]。

該文結(jié)合機(jī)器學(xué)習(xí)理論，采用極端梯度提升樹(shù)（XGBoost）算法，通過(guò)網(wǎng)格搜索和曲線搜索調(diào)整內(nèi)部學(xué)習(xí)參數(shù)，反復(fù)迭代后建立“XGB—崩塌”預(yù)測(cè)模型。此外，與SVM、RF兩種學(xué)習(xí)算法進(jìn)行對(duì)比，評(píng)價(jià)其效果。

1 XGBoost算法基本原理

XGBoost算法的基本原理，是建立多個(gè)弱學(xué)習(xí)器，將決策樹(shù)作為基學(xué)習(xí)器，采用梯度提升算法，通過(guò)計(jì)算模型負(fù)梯度，多次迭代訓(xùn)練，逐步提高模型的準(zhǔn)確性；損失函數(shù)用二階泰勒級(jí)數(shù)展開(kāi)，并加入正則項(xiàng)，可以有效地避免經(jīng)過(guò)高度擬合、多線程的并行處理問(wèn)題[5-10]。

樹(shù)模型預(yù)測(cè)結(jié)果通式為：

損失函數(shù)為：

二階泰勒級(jí)數(shù)展開(kāi)優(yōu)化后的目標(biāo)函數(shù)與Gain函數(shù)分別為：

式中，Gain——樹(shù)分裂后目標(biāo)函數(shù)損失量；Gj——損失函數(shù)一階導(dǎo)之和；Hj——損失函數(shù)二階導(dǎo)之和；γT——懲罰項(xiàng)；GL、GR——左、右損失函數(shù)一階導(dǎo)和；HL、HR——左、右損失函數(shù)二階導(dǎo)之和；λ——懲罰系數(shù)。

2 “XGB—崩塌”預(yù)測(cè)模型的建立

2.1 崩塌預(yù)測(cè)指標(biāo)因子

充分利用公路工程勘察設(shè)計(jì)階段獲得的設(shè)計(jì)參數(shù)、地質(zhì)及水文指標(biāo)，重點(diǎn)考察14組定量指標(biāo)因子，詳見(jiàn)表1所示。由于模型的創(chuàng)建及分析需要用到Python編程，為便于程序?qū)崿F(xiàn)和解釋?zhuān)瑢?duì)應(yīng)因子譯成英文，并作對(duì)照解釋。

2.2 數(shù)據(jù)準(zhǔn)備

為了檢驗(yàn)?zāi)Ｐ偷倪m用性、合理性和準(zhǔn)確度，數(shù)據(jù)集基于沿線長(zhǎng)期跟蹤的實(shí)際案例樣本。依托項(xiàng)目改造前共計(jì)220處的基巖邊坡工點(diǎn)，結(jié)合發(fā)生頻率、發(fā)生次數(shù)、崩落塊石粒徑、坍塌方量等指標(biāo)進(jìn)行風(fēng)險(xiǎn)劃分：高風(fēng)險(xiǎn)46處，中風(fēng)險(xiǎn)34處，低風(fēng)險(xiǎn)140處，并分別賦予其風(fēng)險(xiǎn)特征值（高風(fēng)險(xiǎn)為3，中風(fēng)險(xiǎn)為2，低風(fēng)險(xiǎn)為1）。

既有道路改擴(kuò)建后，隨著邊坡的開(kāi)挖，路塹產(chǎn)生的新基巖邊坡共計(jì)122處，“新基巖邊坡+既有道路基巖邊坡”共計(jì)342處，數(shù)據(jù)集樣本總數(shù)為342組。

2.3 數(shù)據(jù)預(yù)處理

2.3.1 缺失值處理

在該文研究過(guò)程中，少量工程指標(biāo)未能采集齊全，缺失值共計(jì)28個(gè)，缺失比例為0.67%，按照眾數(shù)填充進(jìn)行處理。

2.3.2 異常值處理

指標(biāo)因子較多，部分因子存在一定的換算關(guān)系。過(guò)多的輸入指標(biāo)會(huì)增加模型訓(xùn)練的時(shí)長(zhǎng)、指標(biāo)之間的強(qiáng)相關(guān)性，也會(huì)增加模型結(jié)構(gòu)的復(fù)雜性，降低模型的預(yù)測(cè)效果。該文模型考慮通過(guò)計(jì)算皮爾遜（Pearson）相關(guān)性系數(shù)對(duì)指標(biāo)進(jìn)行相關(guān)性分析，原理如下：

式中，x1i、x2i——指標(biāo)x1、x2的統(tǒng)計(jì)數(shù)據(jù)；——指標(biāo)x1的平均值；——指標(biāo)x2的平均值；r——指標(biāo)x1和x2之間的皮爾遜相關(guān)性系數(shù)。

由表2及圖1可見(jiàn)，坡長(zhǎng)、坡寬、坡高、坡率、面積之間的皮爾遜相關(guān)性系數(shù)絕對(duì)值大于0.6，具有強(qiáng)相關(guān)性；真、視傾角之間的皮爾遜相關(guān)性系數(shù)絕對(duì)值大于0.8，具有極強(qiáng)相關(guān)性。因此，需要將有關(guān)評(píng)價(jià)指標(biāo)之間的冗余信息進(jìn)行優(yōu)化或刪除。

該文利用Boruta算法進(jìn)行指標(biāo)篩選，其是一種基于包裝器的特征選擇技術(shù)。其基本思路是，將原始的訓(xùn)練集進(jìn)行數(shù)據(jù)拓展，初始數(shù)據(jù)與拓展數(shù)據(jù)經(jīng)水平連接后形成混洗副本，通過(guò)基于樹(shù)模型的監(jiān)督學(xué)習(xí)算法，進(jìn)行迭代擬合，最后逐步篩選出最優(yōu)解。

經(jīng)算法篩選，剔除坡高、真傾角這2項(xiàng)因子，保留坡長(zhǎng)、坡寬、坡率、面積、巖性強(qiáng)度、巖層厚度、完整性指數(shù)、巖層傾向、邊坡坡向、巖層傾向—邊坡坡向夾角、巖層視傾角、地下水出露這12項(xiàng)作為定量評(píng)價(jià)因子。

3 模型建立與處理

3.1 模型建立

將邊坡開(kāi)挖前的220組數(shù)據(jù)作為訓(xùn)練集，其中：高風(fēng)險(xiǎn)46組，占20.91%；中風(fēng)險(xiǎn)34組，占15.45%；低風(fēng)險(xiǎn)140組，占63.64%。此外，將122組改造后邊坡作為測(cè)試集，擬合目標(biāo)為回歸測(cè)算風(fēng)險(xiǎn)特征值，進(jìn)而判別分類(lèi)標(biāo)記。基于默認(rèn)參數(shù)，分別采用AUC（Area Under Curve）、KS（Kolmogorov-Smirnov）、F1和Acc的分?jǐn)?shù)（Accuracy）這4項(xiàng)指標(biāo)對(duì)該模型進(jìn)行評(píng)價(jià)。“XGB—崩塌”模型初步建立后，得到了0.852 4的AUC和0.596 9的KS，分類(lèi)能力良好。同時(shí)F1值達(dá)到了0.886 8，Accuracy達(dá)到了0.899 8，預(yù)測(cè)準(zhǔn)確度很高。

3.2 參數(shù)調(diào)優(yōu)

為解決XGBoost過(guò)擬合降低運(yùn)算性能的問(wèn)題，同時(shí)獲得更優(yōu)的預(yù)測(cè)精度，需要進(jìn)行超參數(shù)調(diào)優(yōu)，其核心部分包含3個(gè)方面：通用參數(shù)、Booster參數(shù)及目標(biāo)參數(shù)。該文主要針對(duì)Booster參數(shù)進(jìn)行調(diào)整。通過(guò)對(duì)Python程序xgboost庫(kù)中默認(rèn)參數(shù)進(jìn)行優(yōu)化調(diào)整，尋找到更優(yōu)的參數(shù)組合：learning_rate的優(yōu)化值為0.02、n_estimators的優(yōu)化值為150、gamma的優(yōu)化值為0.2、max_depth的優(yōu)化值為5，此時(shí)模型的預(yù)測(cè)效果有了明顯提高。

3.3 性能評(píng)價(jià)

由表3可以看到，在訓(xùn)練集上，經(jīng)調(diào)參優(yōu)化后，得到了0.887 6的AUC和0.658 8的KS，分類(lèi)能力提升明顯。同時(shí)F1值達(dá)到了0.933 4，Accuracy達(dá)到了0.931 5，預(yù)測(cè)準(zhǔn)確度進(jìn)一步提高。

3.4 模型對(duì)比評(píng)價(jià)

為了對(duì)比XGBoost模型與傳統(tǒng)機(jī)器學(xué)習(xí)方法的差異，繼續(xù)采用Python的Scikit-learn庫(kù)，實(shí)現(xiàn)SVM、RF兩種模型對(duì)測(cè)試集的學(xué)習(xí)成果對(duì)比，同時(shí)針對(duì)精確度P、召回率R以及F1、Accuracy值進(jìn)行對(duì)比，各模型主要調(diào)整參數(shù)見(jiàn)表4所示、分析結(jié)果如表5所示。

由表5可以看到，XGBoost無(wú)論是性能還是準(zhǔn)確率，較其他參照模型都具有明顯優(yōu)勢(shì)，能更好地服務(wù)于實(shí)踐應(yīng)用。

4 案例應(yīng)用

訓(xùn)練集完成后，利用“XGB—崩塌模型”對(duì)依托項(xiàng)目改造后新增的122處路塹邊坡作為測(cè)試集進(jìn)行了預(yù)測(cè)分析，得到該模型在實(shí)際使用中的預(yù)測(cè)結(jié)果。真實(shí)值綜合考察挖開(kāi)后邊坡的實(shí)際坍塌情況及專(zhuān)家評(píng)判成果如圖2所示。

如圖2混淆矩陣所示：低風(fēng)險(xiǎn)段落預(yù)測(cè)成功35段，成功率92.11%；中風(fēng)險(xiǎn)段預(yù)測(cè)成功61段，成功率91.04%；高風(fēng)險(xiǎn)段落預(yù)測(cè)成功16段，成功率94.12%。由此可見(jiàn)，該模型在該項(xiàng)目中實(shí)際運(yùn)用的成功率較高，有較好的適應(yīng)性，基本滿足工程輔助手段的需求。針對(duì)評(píng)估預(yù)測(cè)的成果，應(yīng)加強(qiáng)較高風(fēng)險(xiǎn)段的防護(hù)措施，有助于降低對(duì)崩塌、落石病害的主觀認(rèn)識(shí)風(fēng)險(xiǎn)。

5 結(jié)論

該文將具體的工程實(shí)踐與當(dāng)前熱門(mén)的機(jī)器學(xué)習(xí)工具相結(jié)合，以中國(guó)西南高山峽谷地區(qū)勘察設(shè)計(jì)過(guò)程中獲得的342組崩塌落石數(shù)據(jù)為基礎(chǔ)，初步建立了“XGB—崩塌”預(yù)測(cè)模型，并將此模型應(yīng)用到勘察設(shè)計(jì)工作中，作為輔助決策手段，獲得了較高的預(yù)測(cè)成果。

（1）機(jī)器學(xué)習(xí)算法是一種理性、客觀的技術(shù)手段，利用人工智能工具輔助公路工程的勘察設(shè)計(jì)，有助于提高決策效率，拓寬了行業(yè)發(fā)展的新思路。

（2）XGBoost與SVM、RF模型對(duì)比，其準(zhǔn)確率、處理性能整體更高，該文在測(cè)試集上獲得了91.04%～94.12%的準(zhǔn)確率，有著更好的推廣優(yōu)勢(shì)。

（3）XGBoost模型也存在著制約瓶頸，為了進(jìn)一步改善模型的準(zhǔn)確率及運(yùn)行效率，需要對(duì)多元參數(shù)進(jìn)行調(diào)整，調(diào)參過(guò)程通常會(huì)非常繁復(fù)；為了獲得最優(yōu)參數(shù)，也需要探究更多的基于模型本身的伴生改良型算法。

（4）該文只是針對(duì)崩塌落石模型的初步探討，實(shí)際上，崩塌、落石形成和發(fā)生的隨機(jī)性較大，需要針對(duì)不同的致災(zāi)機(jī)制探究更合理的分類(lèi)方式，進(jìn)而形成更合理的評(píng)估判定標(biāo)準(zhǔn)。

參考文獻(xiàn)

[1]孟暉， 胡海濤. 我國(guó)主要人類(lèi)工程活動(dòng)引起的滑坡、崩塌和泥石流災(zāi)害[J]. 工程地質(zhì)學(xué)報(bào)， 1996（4）： 69-74.

[2]鐘立勛. 中國(guó)重大地質(zhì)災(zāi)害實(shí)例分析[J]. 中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)， 1999（3）： 2-7+11.

[3]吉隨旺， 唐永建， 胡德貴， 等. 四川省汶川地震災(zāi)區(qū)干線公路典型震害特征分析[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2009（6）： 1250-1260.

[4]林報(bào)嘉， 劉曉東， 楊川， 等. XGBoost機(jī)器學(xué)習(xí)模型與GIS技術(shù)結(jié)合的公路崩塌災(zāi)害易發(fā)性研究[J]. 公路， 2020（7）： 20-26.

[5]Chen T ， Guestrin C . XGBoost： A Scalable Tree Boosting System. [J]. CoRR， 2016， abs/1603. 02754

[6]高永濤， 朱強(qiáng)， 吳順川， 等. 基于AVOA-XGBoost模型的巖爆預(yù)測(cè)研究[J]. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023（12）： 151-157.

[7]齊石， 李墨瀟， 呂偉， 等. 基于L-XGB算法的巖爆傾向等級(jí)預(yù)測(cè)模型[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2023（9）： 33-38.

[8]趙曉東， 徐振濤， 劉福， 等. 基于極端梯度提升算法的滑坡易發(fā)性評(píng)價(jià)模型[J]. 科學(xué)技術(shù)與工程， 2022（23）： 10347-10354.

[9]胡旭東. 基于集成學(xué)習(xí)的地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)研究[D]. 武漢：中國(guó)地質(zhì)大學(xué)， 2019.

[10]李堯. 基于深度學(xué)習(xí)的滑坡檢測(cè)算法研究[D]. 成都：成都理工大學(xué)， 2018.