Page 59 - 2023年第54卷第10期

水 利 学 报

２０２３年 １０月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５４卷 第 １０期

文章编号：０５５９ － ９３５０（２０２３）１０ － １１９５ － １５

土石坝渗流性态分析的 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习模型与

预测结果解释

余红玲，王晓玲，任炳昱，郑鸣蔚，吴国华，朱开渲

（天津大学 水利工程仿真与安全国家重点实验室，天津 ３０００７２）

摘要：针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态，而现有基于机器学习算法
建立的代理模型又存在模型可解释性较差的问题，提出土石坝渗流性态分析的 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习模型，并基
于 Ｓｈａｐｌｅｙ加性解释（ＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘＰｌａｎａｔｉｏｎ，ＳＨＡＰ）理论对预测结果进行解释。在采用多地质体自动建模方
法和 ＣＦＤ技术对大坝渗流场进行计算分析的基础上，基于改进的天鹰（ＩｍｐｒｏｖｅｄＡｑｕｉｌａＯｐｔｉｍｉｚａｔｉｏｎ，ＩＡＯ）算法优
化极限梯度提升（ ｅＸｔｒｅｍｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ，ＸＧＢｏｏｓｔ）集成学习算法中的 ｎ＿ｅｓｔｉｍａｔｏｒｓ、ｍａｘ＿ｄｅｐｔｈ和 ｌｅａｒｎｉｎｇ＿ｒａｔｅ等
超参数，进而建立基于 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习算法的大坝渗流性态指标预测模型，以揭示上下游水位和坝基地层
渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地，将 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习
算法与可解释机器学习框架 ＳＨＡＰ理论相结合，挖掘影响大坝渗流性态指标预测结果的关键特征，并解释特征变
量对渗流性态指标预测的影响。案例研究表明，ＩＡＯ － ＸＧＢｏｏｓｔ具有较高的预测精度，相比于 ＩＡＯ － ＧＢＤＴ、ＩＡＯ －
ＲＦ 、ＩＡＯ － ＤＴ和 ＩＡＯ － ＳＶＲ算法，其预测精度分别提高了 ０．５２％、１１．６４％、３７．２１％和 ２５．０７％；且相比于 ＩＡＯ － ＸＧ
Ｂｏｏｓｔ 、ＩＡＯ － ＧＢＤＴ和 ＩＡＯ － ＲＦ算法的特征重要性分析方法，ＳＨＡＰ理论具有更强的模型可解释性，提高了预测结
果的可信度。
ｏｏｓｔ；可解释性；ＳＨＡＰ理论；改进的天鹰优化算法
关键词：土石坝；渗流性态分析；ＸＧＢ
中图分类号：ＴＶ６４１ 文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２３０２４０

１ 研究背景

渗流数值模拟是分析土石坝渗流性态的一种有效手段，目前有许多不同的数值模拟方法应用于大
坝渗流性态分析研究中 ［１ － ３］ 。虽然各种渗流数值模拟方法在大坝渗流场计算分析中发挥了重要作用，
然而，复杂地质条件下的大坝渗流数值模型对计算资源的要求较高，求解时间较长，存在计算效率较
低、难以实时分析大坝渗流性态的问题。基于机器学习方法的代理模型通过寻求输入变量与输出变量
间的复杂响应关系，实现对复杂物理过程的近似描述，可代替真实系统快速给出所求解 ［４］ 。常用的代
理模型包括径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）、Ｋｒｉｇｉｎｇ模型、支持向量回归（ＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅ
ｇｒｅｓｓｉｏｎ ，ＳＶＲ）、多元自适应回归样条（ＭｕｌｔｉｖａｒｉａｔｅＡｄａｐｔｉｖｅＲｅｇｒｅｓｓｉｏｎＳｐｌｉｎｅｓ，ＭＡＲＳ）等单一代理模
型以及由多种机器学习算法构成的组合代理模型 ［５］ 。基于机器学习算法建立大坝渗流数值模拟模型的
代理模型，能够减少计算量、有效提高大坝渗流性态分析的效率。然而，现有机器学习算法大多将复
杂的渗流数理机制作为 “黑箱” 处理，难以理解模型决策过程，导致模型可信度较低。因此，构建一
种高效且具有可解释性的渗流性态分析模型具有重要的意义。
［６］
极限梯度提升（ ｅＸｔｒｅｍｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ，ＸＧＢｏｏｓｔ） 是一种基于梯度提升的集成学习算法，其不

收稿日期：２０２３ － ０４ － ２２；网络首发日期：２０２３ － ０９ － ２６
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２３０９２５．１２３５．００２．ｈｔｍｌ
基金项目：国家自然科学基金雅砻江联合基金项目（Ｕ１９６５２０７）
作者简介：余红玲（１９９４ － ），博士生，主要从事大坝渗流性态分析研究。Ｅ － ｍａｉｌ：ｙｕｈｏｎｇｌｉｎｇ＠ｔｊｕ．ｅｄｕ．ｃｎ
１
— １ ９ ５ —