冻结过程土体导热系数影响因素及预测模型研究 |
| |
引用本文: | 刘凤云,罗怀瑞,万旭升,骆吉庆.冻结过程土体导热系数影响因素及预测模型研究[J].冰川冻土,2024(1):221-234. |
| |
作者姓名: | 刘凤云 罗怀瑞 万旭升 骆吉庆 |
| |
作者单位: | 1. 西南石油大学土木工程与测绘学院;2. 中国石油川庆钻探工程有限公司安全环保质量监督检测研究院 |
| |
摘 要: | 为探究土体导热系数的基本规律,采用瞬态平面热源法测试了冻结过程土体导热系数。研究了土体在不同温度、含水率和干密度物理指标下导热系数变化规律,分析了这三个物理指标动态变化对土体导热系数的影响机制。基于试验数据,建立了DT、RF、GBDT、AdaBoost、SVR、BPNN共六种机器学习模型以预测土体导热系数,通过四个性能指标评估了六种机器学习模型的预测能力,并与三种经验模型进行了对比。此外,基于RF和GBDT进行了特征重要性分析。结果表明:未冻结阶段土体导热系数无显著变化。剧烈相变阶段,因含水率和干密度的不同,土体导热系数随温度的降低分别呈现出减小和增大的趋势,其中增大的趋势随着含水率的增加而增加。冻结阶段,因测试过程中土样的水分蒸发和迁移,土体导热系数随着温度的降低而减小。土体导热系数均随干密度和含水率的增加而增加。根据评估结果,六种机器学习模型中RF的表现较好(RMSE=0.036,MAE=0.028,R2=0.993,AD=0.004),明显优于三种经验模型,RF相较于经验模型也能更准确地预测出其他地区的土体导热系数,建议使用RF预测冻结过程土体导热系数。特征...
|
关 键 词: | 导热系数 温度 含水率 机器学习模型 特征重要性 |
|
|