留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高斯过程回归的岩体结构面粗糙度系数预测模型

郑可馨 吴益平 李江 苗发盛 柯超

郑可馨, 吴益平, 李江, 苗发盛, 柯超. 基于高斯过程回归的岩体结构面粗糙度系数预测模型[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230113
引用本文: 郑可馨, 吴益平, 李江, 苗发盛, 柯超. 基于高斯过程回归的岩体结构面粗糙度系数预测模型[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230113
Prediction model of joint roughness coefficient based on Gaussian process regression[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230113
Citation: Prediction model of joint roughness coefficient based on Gaussian process regression[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230113

基于高斯过程回归的岩体结构面粗糙度系数预测模型

doi: 10.19509/j.cnki.dzkq.tb20230113
基金项目: 省部级-湖北省自然资源厅科研计划项目(ZRZY2022KJ07)

Prediction model of joint roughness coefficient based on Gaussian process regression

  • 摘要: 由于岩体结构面几何形貌的复杂性,单一统计参数法估算结构面粗糙度系数(JRC)精度较低。针对目前JRC难获取的问题,选取表征结构面粗糙形态的8种统计参数,结合主成分分析法(PCA)和高斯过程回归(GPR)算法,构建基于多参数融合的JRC预测模型。以公开的112条岩体结构面剖面线数据集(95条训练样本、17条验证样本)为例进行分析研究,利用试验所得JRC对比分析预测效果。结果表明:由高斯过程回归构建的JRC预测模型决定系数高达0.972,均方根误差(MSE)为0.517,反映出高斯过程回归方法对于小样本的复杂多参数JRC值预测的适用性,为今后人工智能在JRC指标预测方面实现合理预测提供思路。

     

  • 加载中
计量
  • 文章访问数:  48
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-03-06
  • 网络出版日期:  2023-12-17

目录

    /

    返回文章
    返回