A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation

对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型，存在参数敏感性和过拟合等问题，且往往忽略了环境因素和人员操作因素的影响。针对这些问题，本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。 1. 建立一种基于Stacking集成学习的钻进效率预测模型；2. 定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响；3. 提出一种基于自适应步长策略的改进布谷鸟搜索优化方法 ，优化模型关键参数。 1. 通过多次对比实验，最终选择极值梯度提升（XGBoost）、随机森林（RF）和反向传播神经网络（BPNN）三个模型作为基学习器，支持向量回归（SVR）作为元学习器进行集成。2. 建立基于自适应步长策略的改进布谷鸟搜索优化算法，对集成模型的Max_depth等超参数进行优化。3. 将钻进效率值及相关影响因素的样本数据输入到每个基学习器中，得到相应的输出结果，再将预测结果作为元学习器的输入值，得到最终的预测结果。4. 以中国西南地区某土石方工程为例，通过五折交叉验证方法，验证模型的鲁棒性，并采用五个常用评价指标评价模型的精度和泛化性能。 工程应用结果表明，相比于目前流行的单个机器学习方法中预测性能最好的XGBoost和基于粒子群算法优化的Stacking集成模型，本文所提方法的平均绝对百分比误差（MAPE）分别提高了16.43%和4.88%。