17、数据增强技术在爆破诱导飞石距离预测中的应用

数据增强技术在爆破诱导飞石距离预测中的应用

1. 引言

在采石场爆破作业中，飞石距离的预测至关重要。为了提高预测的准确性，采用数据增强技术生成合成数据，并使用多种机器学习（ML）模型进行验证。

2. 数据准备与模型训练

2.1 数据集合

为了训练 ML 模型，准备了三个数据集：
- 真实数据 ：包含 131 个数据样本。
- 合成数据 ：使用 TVAE 模型基于训练数据集合成，包含 1000 个样本。
- 混合数据 ：由真实数据和合成数据组成，共 1131 个样本。

这些数据集中，输入参数包括 HL、BS、St、PF、MC 和 NH，输出为 FRD（飞石距离）。

2.2 机器学习模型

采用了五种常用的 ML 模型：SVR、LightGBM、ELM、GMDH 和 MLP，用于建立飞石距离预测模型。建模步骤如下：
1. 分别使用三个数据集拟合五种 ML 模型。使用网格搜索方法确定 ML 模型的最佳超参数或架构，各模型的超参数如下表所示：
| 模型 | 关键超参数或架构 |
| — | — |
| SVR | kernel = ‘rbf’, C = 80,000, gamma = ‘scale’, epsilon = 0.1 |
| LightGBM | n_estimators = 500, subsample = 0.5, boosting_type = ‘gbdt’ |
| ELM | h