Page 108 - 2025年第56卷第8期

水 利 学 报

２０２５年 ８月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５６卷 第 ８期

文章编号：０５５９ － ９３５０（２０２５）０８ － １０７２ － １２

地下厂房洞室群施工通风频率 ＩＨＰＯ － ＸＤＦ鲁棒预测模型

１
２
１
１
１
王晓玲 ，郭章潮 ，余 佳 ，余红玲 ，刘长欣 ，吴斌平 １
（１．天津大学 水利工程智能建设与运维全国重点实验室，天津 ３０００７２；２．中国农业大学 水利与土木工程学院，北京 １０００８３）
摘要：水电站地下厂房洞室群洞室布置纵横交错、通风死角多、风流组织紊乱，确定合适的施工通风频率是保障
通风安全的关键。但其施工过程中存在的电磁干扰和爆破振动常导致环境监测数据出现噪声与缺失现象，而现有
基于机器学习的施工通风频率预测模型对异常值十分敏感，模型鲁棒性差。针对上述问题，选择深度森林（ ＤＦ）
模型作为通风频率预测的 基 础 模 型，并 将 其 中 的 随 机 森 林 基 学 习 器 改 进 为 极 致 梯 度 提 升 树 （ＸＧＢｏｏｓｔ），利 用
ＸＧｂｏｏｓｔ的梯度提升机制以及正则化策略增强模型的鲁棒性和泛化能力；此外，采用改进的猎人猎物优化（ＩＨＰＯ）
算法对 ＤＦ模型进行超参数优化，以弥补传统人工调参难以获得最优超参数的不足，从而构建出地下厂房洞室群
施工通风频率 ＩＨＰＯ － ＸＤＦ鲁棒预测模型。进一步，基于 Ｓｈａｐｌｅｙ加性解释（ＳＨＡＰ）对 ＩＨＰＯ － ＸＤＦ模型进行可解释
性分析，挖掘影响施工通风频率预测结果的关键特征。案例研究表明，与 ＸＧＢｏｏｓｔ改进的 ＤＦ模型、传统 ＤＦ、梯
度提升决策树（ ＧＢＤＴ）和决策树（ＤＴ）４种模型相比，本文模型在预测精度方面分别提升 ３．４８％、５．０１％、１３．１３％
和 １３．４８％，且在异常值环境下预测精度降低幅度最小，表现出良好的鲁棒性。
关键词：地下厂房洞室群；通风频率鲁棒预测；深度森林模型；ＸＧＢｏｏｓｔ；改进的猎人猎物算法；可解释性
文献标识码：Ａ
中图分类号：ＴＶ５１２ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２４０２６２

１ 研究背景

施工通风作为水电站地下厂房洞室群建设的关键环节，不仅可以及时排出地下厂房洞室群内的粉
尘与有毒有害气体，还可以为施工作业人员提供新鲜空气，是健康、绿色施工的重要基础 ［１ － ２］ 。水电
站地下厂房洞室群洞室布置纵横交错、钻爆产尘量大、通风死角多、风流组织紊乱，合理确定通风频
率是保证施工安全的关键 ［３］ 。然而，在地下厂房洞室群施工过程中，电力传输、机械运行等会产生大
量电磁信号，干扰环境监测传感器信号；同时，施工爆破振动也可能影响传感器数据传输的稳定性和
准确性，致使监测数据出现噪声和缺失。现有基于机器学习的通风频率预测模型，对传感器信号传输
的异常值十分敏感，模型鲁棒性差，导致复杂环境下通风频率预测精度较低 ［４ － ６］ 。因此，构建具有高
精度、高鲁棒性的通风频率预测模型，对于保障地下厂房洞室群施工通风安全具有重要意义。
［７］
深度森林（ ＤｅｅｐＦｏｒｅｓｔ，ＤＦ） 是一种非神经网络的深度学习算法，以集合树作为基础模块，借鉴
类似深度神经网络的深层结构，通过级联多个集合树进行学习，具备深度模型逐层加工、特征转换和
结构复杂的特点。更重要的是，作为一种深度模型，深度森林具有较少的超参数，可以适应大规模和
小规模的数据集 ［８］ ，同时具有良好的预测能力和稳健的鲁棒性 ［９］ 。目前，ＤＦ算法已经得到广泛的应
用，康文豪等 ［１０］ 使用极端随机森林改进 ＤＦ算法基学习器，并结合特征选择方法，实现了对短期风电
功率的预测；Ｃｈｅｎ等 ［１１］ 提出了基于 ＤＦ算法的炉温场温度预测方法，证明炉排速度是影响温度场的关

收稿日期：２０２４ － ０５ － ０７；网络首发日期：２０２５ － ０７ － １８
网络首发地址：ｈｔｔｐｓ：??ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ?ｕｒｌｉｄ?１１．１８８２．ＴＶ．２０２５０７１７．１５１３．００１
基金项目：国家自然科学基金项目（５２２７９１３７）
作者简介：王晓玲（ １９６８ － ），博士，教授，主要从事水利工程智能建设研究。Ｅ － ｍａｉｌ：ｗａｎｇｘｌ＠ｔｊｕ．ｅｄｕ．ｃｎ
通信作者：余佳（１９９２ － ），博士，副教授，主要从事水利工程智能建设研究。Ｅ － ｍａｉｌ：ｙｕｊｉａ＠ｔｊｕ．ｅｄｕ．ｃｎ
— １ ０ ２ —
７