基于NMI-FA-DELM模型的土壤热导率预测

doi:10.12141/j.issn.1000-565X.220746

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (9): 129-138.doi: 10.12141/j.issn.1000-565X.220746

基于NMI-FA-DELM模型的土壤热导率预测

雷宇黄亦凡罗学东周盛涛付超

中国地质大学（武汉）工程学院，湖北武汉 430074

收稿日期:2022-11-13 出版日期:2023-09-25 发布日期:2023-03-15
通信作者: 罗学东（1971-），男，教授，主要从事岩土工程研究。 E-mail:cugluoxd@foxmail.com
作者简介:雷宇（1998-），男，博士生，主要从事岩土工程和机器学习研究。E-mail:cugleiyu@cug.edu.cn
基金资助:
国家自然科学基金资助项目(42072309);武汉市基础研究知识创新计划项目(20220208010199);中国地质大学（武汉）中央高校基本科研业务费专项资金资助项目(CUGDCJJ202217);湖北省爆破工程重点实验室基金资助项目(HKLBEF202002)

Prediction of Soil Thermal Conductivity Based on NMI-FA-DELM Model

LEI Yu HUANG Yifan LUO Xuedong ZHOU Shengtao FU Chao

Faculty of Engineering，China University of Geosciences，Wuhan 430074，Hubei，China

Received:2022-11-13 Online:2023-09-25 Published:2023-03-15
Contact: 罗学东（1971-），男，教授，主要从事岩土工程研究。 E-mail:cugluoxd@foxmail.com
About author:雷宇（1998-），男，博士生，主要从事岩土工程和机器学习研究。E-mail:cugleiyu@cug.edu.cn
Supported by:
the National Natural Science Foundation of China(42072309)

摘要/Abstract

摘要：

土壤热导率是影响地下温度分布的重要土壤性质，在岩土工程和土木工程施工设计中有重要意义，采用合理手段对其进行预测可有效解决测量耗时长、过程复杂等问题。针对土壤热导率数据非线性和时序性等特征，文中提出一种基于归一化互信息法（NMI）下的萤火虫算法（FA）优化极限学习机（DELM）预测模型（NMI-FA-DELM）进行土壤热导率预测。该模型首先通过NMI筛选影响土壤热导率的关键参数，并将筛选后的参数作为数据集，然后用萤火虫算法优化下的极限学习机（FA-DELM）对土壤热导率进行预测，并对比统计预测方程、随机森林方法、BP神经网络模型、DELM模型、SVR（支持向量回归）模型的预测结果。研究结果表明，NMI-FA-DELM模型能有效预测土壤热导率，预测结果对应的均方根误差、平均绝对百分比误差、a10指数和决定系数分别为0.363、9.667%、0.961和0.92，其预测效果较其他预测模型更好，粘性土含量、含沙量对土壤热导率预测结果影响较大。NMI-FA-DELM模型可有效提高土壤热导率预测精度，对实际工程中预测土壤热导率有重要的指导意义。

关键词: 土壤热导率, 岩土工程, 归一化互信息, 极限学习机, 萤火虫算法

Abstract:

The thermal conductivity of soil is an important soil property, which affects the soil temperature distribution underground. It has significant practical importance in geotechnical and civil engineering design and construction. Using reasonable means to predict it can effectively solve the problems such as time-consuming and complex process. According to the characteristics of nonlinearity and timing of soil thermal conductivity data, this paper proposed a firefly algorithm (FA) optimization limit learning machine (DELM) prediction model (NMI-FA-DELM) under NMI for soil thermal conductivity prediction. The model first screened the key parameters affecting the soil thermal conductivity by NMI, and took the filtered parameters as the data set. Then the soil thermal conductivity was predicted with the FA-DELM optimized by the firefly algorithm, and the predictive results were compared with those of statistical prediction equations, random forest methods, BP neural network models, DELM models, and SVR (support vector regression) models. The results show that the NMI-FA-DELM model can effectively predict soil thermal conductivity, with corresponding root mean square error, average absolute percentage error, a10 index, and determination coefficient of 0.363, 9.667%, 0.961 and 0.92, respectively. The prediction accuracy of the NMI-FA-DELM model is better than that of other prediction models, and the content of viscous soil and sand has greater influence on the prediction results of soil thermal conductivity. This model can significantly improve the prediction accuracy of soil thermal conductivity and provides important guidance for predicting soil thermal conductivity in practical engineering applications.

Key words: soil thermal conductivity, geotechnical engineering, normalized mutual information, extreme learning machine, firefly algorithm

中图分类号:

TK448.21

雷宇, 黄亦凡, 罗学东, 等. 基于NMI-FA-DELM模型的土壤热导率预测[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 129-138.

LEI Yu, HUANG Yifan, LUO Xuedong, et al.. Prediction of Soil Thermal Conductivity Based on NMI-FA-DELM Model[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(9): 129-138.

图/表 14

图1

图2

图3

图4

表1

图5

图6

图7

图8

图9

图10

表2

图11

图12

参考文献 36

1	李毅，邵明安，王文焰，等．质地对土壤热性质的影响研究［J］．农业工程学报，2003，19（4）：62-65.
	LI Yi， SHAO Mingan， WANG Wenyan，et al ．Influence of soil textures on the thermal properties［J］．Transactions of the Chinese Society of Agricultural Engineering，2003，19（4）：62-65.
2	陆森，任图生．不同温度下的土壤热导率模拟［J］．农业工程学报，2009，25（7）：13-18.
	LU Sen， REN Tusheng ．Model for predicting soil thermal conductivity at various temperatures［J］．Transactions of the Chinese Society of Agricultural Engineering，2009，25（7）：13-18.
3	刘晨晖，周东，吴恒．土壤热导率的温度效应试验和预测研究［J］．岩土工程学报，2011，33（12）：1877-1886.
	LIU Chen-hui， ZHOU Dong， WU Heng ．Measurement and prediction of temperature effects of thermal conductivity of soils［J］．Chinese Journal of Geotechnical Engineering，2011，33（12）：1877-1886.
4	陆森，任图生，杨泱，等．多针热脉冲技术测定土壤热导率误差分析［J］．农业工程学报，2010，26（6）：20-25.
	LU Sen， REN Tusheng， YANG Yang，et al ．Error analysis of multi-needle heat pulse probe for soil thermal conductivity measurement［J］．Transactions of the Chinese Society of Agricultural Engineering，2010，26（6）：20-25.
5	杜宜臻，李韧，吴通华，等．土壤热导率的研究现状及其进展［J］．冰川冻土，2015，37（4）：1067-1074.
	DU Yizhen， LI Ren， WU Tonghua，et al ．Study of soil thermal conductivity：research status and advances［J］．Journal of Glaciology and Geocryology，2015，37（4）：1067-1074.
6	曾召田，范理云，莫红艳，等．土壤热导率的影响因素实验研究［J］．太阳能学报，2018，39（2）：377-384.
	ZENG Shaotian， FAN Liyun， MO Hongyan，et al ．Experimental study of influence factors of soil thermal conductivity［J］．Acta Energiae Solaris Sinica，2018，39（2）：377-384.
7	LIU Y， LI K Q， LI D A Q，et al ．Coupled thermal-hydraulic modeling of artificial ground freezing with uncertainties in pipe inclination and thermal conductivity［J］．Acta Geotechnica，2022，17（1）：257-274.
8	YU X X， ZHENG G， ZHOU H Z，et al ．Influence of geosynthetic reinforcement on the progressive failure of rigid columns under an embankment load ［J］．Acta Geotechnica，2021，16（9）：3005-3012.
9	王卫华，蔡礼良，龚一丹．土壤热导率影响因素及模型评估研究［J］．华南农业大学学报，2020，41（5）：124-132.
	WANG Weihua， CAI Liliang， GONG Yidan ．Research on influencing factors and model assessment of soil thermal conductivity［J］．Journal of South China Agricultural University，2020，41（5）：124-132.
10	WIENER O ．Abhandl math-phys Kl Konigl SachsischenGes［M］．Leipizig：Klasse．Sachs Akad．Wiss，1912：509.
11	VRIES D ．The physics of plant environments-science direct［J］．Environmental Control of Plant Growth，1963，26（4）：5-22.
12	KERSTEN M S ．Laboratory research for the determination of the thermal properties of soils［D］．Minneapolis：Minnesota University，1949.
13	CHEN S X ．Thermal conductivity of sands［J］．Heat and Mass Transfer，2008，44（10）：1241-1246.
14	RIZVI Z H， ZAIDI H H， AKHTAR S J，et al ．Soft and hard computation methods for estimation of the effective thermal conductivity of sands［J］．Heat and Mass Transfer，2020，56（6）：1947-1959.
15	ZHANG N， ZOU H F， ZHANG L M，et al ．A unified soil thermal conductivity model based on artificial neural network ［J］ International Journal of Thermal Sciences，2020，155（106414）：1-6.
16	JIANG X F， DUAN H C， LIAO J，et al ．Estimation of soil salinization by machine learning algorithms in different arid regions of northwest China ［J］．Remote Sensing，2022，14（2）：347.
17	MAES F， COLLIGNON A， VANDERMEULEN D，et al ．Multimodality image registration by maximization of mutual information ［J］．IEEE Transactions on Medical Imaging，1997，16（2）：87-98.
18	GANDOMI A H， YANG X S， ALAVI A H ．Mixed variable structural optimization using firefly algorithm ［J］．Computers & Structures，2011，89（23/24）：2325-2336.
19	GANDOMI A H， YANG X S， TALATAHARI S，et al ．Firefly algorithm with chaos ［J］．Communications in Nonlinear Science and Numerical Simulation，2013，18（1）：89-98.
20	颜学龙，马润平．基于深度极限学习机的模拟电路故障诊断［J］．计算机工程与科学，2019，41（11）：1911-1918.
	YAN Xue-long， MA Run-ping ．Fault diagnosis of analog circuits based on depth extreme learning machine［J］．Computer Engineering & Science，2019，41（11）：1911-1918.
21	商强，杨兆升，李志林，等．基于相空间重构和RELM的短时交通流量预测［J］．华南理工大学学报（自然科学版），2016，44（4）：109-114.
	SHANG Qiang， YANG Zhao-sheng， LI Zhi-lin，et al ．Short-term traffic flow prediction based on phase space reconstruction and RELM［J］．Journal of South China University of Technology（Natural Science Edition），2016，44（4）：109-114.
22	闫嘉，陈飞越，易若男，等．基于样本分布加权跨域极限学习机的电子鼻漂移补偿［J］．华南理工大学学报（自然科学版），2020，48（12）：105-113.
	YAN Jia， CHEN Feiyue， YI Ruonan，et al ．Drift compensation for electronic nose based on sample distribution weighting cross domain extreme learning machine［J］．Journal of South China University of Technology（Natural Science Edition），2020，48（12）：105-113.
23	TARNAWSKI V R， MOMOSE T， MCCOMBIE M L，et al ．Canadian field soils Ⅲ．thermal-conductivity data and modeling［J］．International Journal of Thermophysics，2015，36（1）：119-156.
24	CHEN S K ．Thermal conductivity of sands［J］．Heat and Mass Transfer，2008，44（10）：1241-1246.
25	ZHANG N， YU X， PRADHAN A，et al ．Thermal conductivity of quartz sands by thermo-time domain reflectometry probe and model prediction［J］．Journal of Materials in Civil Engineering，2015，27（12）：17-24.
26	MCCOMBIE M L， TARNAWSKI V R， BOVESECCHI G，et al ．Thermal conductivity of pyroclastic soil （pozzolana） from the environs of Rome［J］．International Journal of Thermophysics，2017，38：1-15.
27	TARNAWSKI V R， MCCOMBIE M L， MOMOSE T，et al ．Thermal conductivity of standard sands．Part Ⅲ．Full range of saturation［J］．International Journal of Thermophysics，2013，34（6）：1130-1147.
28	KARDANI N， BARDHAN A， SAMUI P，et al ．Predicting the thermal conductivity of soils using integrated approach of ANN and PSO with adaptive and time-varying acceleration coefficients［J］．International Journal of Thermal Sciences，2022，173：107427/1-15.
29	ARABGOL S， KO H S ．Application of artificial neural network and genetic algorithm to healthcarewaste prediction［J］．Journal of Artificial Intelligence & Soft Computing Research，2013，3（4）：243-250.
30	SANG Y J， LIU G， HORTON R ．Wind effects on soil thermal properties measured by the dual-probe heat pulse method ［J］．Soil Science Society of America Journal，2020，84（2）：414-424.
31	FORMAN E， PENIWATI K. Aggregating individual judgments and priorities with the analytic hierarchy process ［J］．European Journal of Operational Research，1998，108（1）：165-169.
32	YIN X， LIU Q， HUANG X，et al ．Perception model of surrounding rock geological conditions based on TBM operational big data and combined unsupervised-supervised learning［J］．Tunnelling and Underground Space Technology，2022，120：104285/1-15.
33	LIU Y ．Incomplete big data imputation mining algorithm based on BP neural network ［J］．Journal of Intelligent and Fuzzy Systems，2019，37（4）：4457-4466.
34	ZHOU J， QIU Y G， ARMAGHANI D J，et al ．Predicting TBM penetration rate in hard rock condition：A comparative study among six XGB-based metaheuristic techniques［J］．Geoscience Frontiers，2021，12（3）：1-9.
35	LEI Y， ZHOU S T， LUO X D，et al.，A comparative study of six hybrid prediction models for uniaxial compressive strength of rock based on swarm intelligence optimization algorithms［J］．Frontiers in Earth Science，2022，10（1）：1-11.
36	CIESIELKI M J， KALLA P， ASKAR S ．Taylor expansion diagrams［C］∥ Proceedings of the IEEE Computer Society PUB769．Washington，DC：IEEE，2006，55：1188-1201.

序号	岩石种类	ρ_d/（g·cm^-3）	n/%	S_r/%	m_q/%	m_s/%	m_c/%	K/（W·m^-1·K^-1）
1	淤泥质土壤	1.22	0.55	0.10	0.51	0.33	0.10	0.80
2	淤泥质土壤	1.22	0.55	0.25	0.51	0.33	0.10	1.73
3	淤泥质土壤	1.22	0.55	0.50	0.51	0.33	0.10	2.06
4	淤泥质土壤	1.22	0.55	0.70	0.51	0.33	0.10	3.00
5	沙质土壤	1.49	0.45	0.10	0.61	0.61	0.05	0.88
6	沙质土壤	1.49	0.45	0.25	0.61	0.61	0.05	2.70
7	沙质土壤	1.49	0.45	0.50	0.61	0.61	0.05	2.65
︙	︙	︙	︙	︙	︙	︙	︙	︙
256	丰浦砂	1.64	0.38	0.10	0.87	1.00	0.00	9.31
257	丰浦砂	1.59	0.40	0.10	0.87	1.00	0.00	8.56

	预测模型	E_RMSE		E_MAPE		R²		a10
	预测模型	取值	得分	取值/%	得分	取值	得分	取值	得分
训练集	NMI-FA-DELM	0.359	1.000	10.180	1.000	0.961	1.000	0.90	1.000
	统计预测方程	5.974	0.000	45.860	0.000	0.357	0.000	0.14	0.000
	极限学习机	1.789	0.745	22.789	0.646	0.807	0.745	0.34	0.263
	随机森林	1.700	0.761	17.910	0.783	0.817	0.761	0.64	0.657
	BP神经网络	2.216	0.669	39.358	0.182	0.761	0.668	0.30	0.210
	支持向量回归	1.546	0.788	20.679	0.705	0.833	0.788	0.34	0.263
测试集	NMI-FA-DELM	0.363	1.000	9.667	1.000	0.961	1.000	0.92	1.000
	统计预测方程	5.813	0.000	44.480	0.000	0.375	0.000	0.16	0.000
	极限学习机	1.795	0.737	22.714	0.625	0.807	0.737	0.38	0.289
	随机森林	1.665	0.761	15.845	0.822	0.821	0.761	0.60	0.578
	BP神经网络	2.130	0.675	31.475	0.373	0.766	0.667	0.36	0.263
	支持向量回归	1.521	0.787	20.723	0.682	0.836	0.786	0.32	0.210

[1]	陶文斌, 陶杰, 侯俊领, 等. 深埋巷道地应力特征及优化支护设计[J]. 华南理工大学学报（自然科学版）, 2020, 48(4): 28-37.
[2]	闫嘉, 陈飞越, 易若男, 等. 基于样本分布加权跨域极限学习机的电子鼻漂移补偿 [J]. 华南理工大学学报（自然科学版）, 2020, 48(12): 105-113.
[3]	许玉格赖春伶罗飞. 基于不平衡分类的Bagging集成污水处理故障诊断[J]. 华南理工大学学报（自然科学版）, 2018, 46(8): 107-115.
[4]	于宏涛高立群韩希昌. 求解旅行商问题的离散人工萤火虫算法[J]. 华南理工大学学报（自然科学版）, 2015, 43(1): 126-131,139.

基于NMI-FA-DELM模型的土壤热导率预测

Prediction of Soil Thermal Conductivity Based on NMI-FA-DELM Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 36

相关文章 4

编辑推荐

Metrics

本文评价