来源：期刊VIP网 时间：
作者：邓子昂;张玉贤;张继勋;
单位：河海大学水利水电学院;
摘要：针对现有盾构掘进速度预测方法存在的模型算法单一、精度不高和泛化性较差等问题，为了提高盾构掘进速度预测精度，建立一种基于变分模态分解(VMD)、蜣螂优化算法(DBO)和Stacking(VMD-DBO-Stacking)集成学习的盾构掘进速度预测模型。首先，为了得到更有效的数据，采用VMD对原始数据进行分解重构得到去噪后的施工参数数据用于后续模型预测；其次，基于集成学习策略，选取支持向量回归(SVR)模型、随机森林(RF)模型、极端梯度提升(XGBoost)模型作为基学习器，高斯过程回归(GPR)模型作为元学习器，从而构建预测精度更高、泛化性更强的Stacking集成学习预测模型；然后，为了进一步提高预测精度，采用DBO对集成学习模型进行超参数优化；最后，将此预测模型用于河南某引水隧洞工程盾构施工中并与其他预测模型进行对比。结果表明，与其他单一模型(SVR、RF、XGBoost)相比，所建模型具有更高的预测精度，平均精度分别提升7.76%、6.70%、4.97%,为盾构掘进速度预测提供一种新思路。
关键词：盾构;;掘进速度;;变分模态分解;;蜣螂优化算法;;Stacking集成学习
基金资助：云南省重大科技专项计划项目(202102AF080001)
