基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用，各影响因子间的相互关联会引起多重共线性问题，容易导致以此为输入的预测模型出现伪回归现象。此外，现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象，其预测精度还有待提高。针对上述问题，提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维，降低影响因子的多重共线性影响；进而通过SSA算法优化XGBoost的超参数，以避免传统算法过拟合，进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程，对应力及应力相关监测数据进行处理、分析和预测，并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明，基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题，在预测精度方面具有优越性。