为准确评估尾矿库溃坝强度,提出1种基于指数三角优化算法(exponential trigonometric optimization,ETO)和随机森林(random forest,RF)的ETO-RF模型,通过优化RF模型的超参数,并结合美国公众参与科学中心(Centre for Science in Public P...为准确评估尾矿库溃坝强度,提出1种基于指数三角优化算法(exponential trigonometric optimization,ETO)和随机森林(random forest,RF)的ETO-RF模型,通过优化RF模型的超参数,并结合美国公众参与科学中心(Centre for Science in Public Participation,CSP2)提供的全球尾矿库溃坝数据库,构建ETO-RF模型及可视化评估系统。研究结果表明:与前人提出的经验公式相比,ETO-RF模型在均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)上分别降低0.320,0.564和0.223,显著提升预测精度;开发的可视化系统为用户提供便捷的操作界面,增强模型的工程实用性。研究结果可为尾矿库安全管理提供科学根据,并为类似工程风险评估提供参考。展开更多
文摘为准确评估尾矿库溃坝强度,提出1种基于指数三角优化算法(exponential trigonometric optimization,ETO)和随机森林(random forest,RF)的ETO-RF模型,通过优化RF模型的超参数,并结合美国公众参与科学中心(Centre for Science in Public Participation,CSP2)提供的全球尾矿库溃坝数据库,构建ETO-RF模型及可视化评估系统。研究结果表明:与前人提出的经验公式相比,ETO-RF模型在均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)上分别降低0.320,0.564和0.223,显著提升预测精度;开发的可视化系统为用户提供便捷的操作界面,增强模型的工程实用性。研究结果可为尾矿库安全管理提供科学根据,并为类似工程风险评估提供参考。
