可解释性贝叶斯优化极端梯度提升(BO-XGBoost)框架在高台阶抛掷爆破爆堆形态三维预测中的应用

《Journal of Rock Mechanics and Geotechnical Engineering》：Interpretable Bayesian-optimised extreme gradient boosting framework for 3D prediction of muck-pile morphology in high-bench cast blasting

　　

精确预测爆堆(muck-pile)形态对保障爆破安全和提高装载效率至关重要。本研究建立了一个可解释性的贝叶斯优化极端梯度提升(Bayesian-optimised Extreme Gradient Boosting, BO–XGBoost)模型，用于预测高台阶抛掷爆破(cast blasting)形成的爆堆三维(3D)形态。研究人员开发了一种融合高斯(Gaussian)分布与威布尔(Weibull)分布的组合函数来描述爆堆剖面，有效捕捉了峰值区域与尾部区域的变化特征（决定系数(R2)达0.9996）。基于无人机(unmanned aerial vehicle, UAV)采集的280组数据集，训练BO–XGBoost模型预测组合函数的各项系数。优化后模型在训练集和测试集上分别达到R2=0.982和R2=0.934，优于BO–AdaBoost(自适应提升)和BO–CatBoost(类别提升)模型。通过多剖面数据融合实现了爆堆的三维重建，抛掷距离最大预测误差仅为1.27%。利用Shapley加性解释(Shapley Additive exPlanations, SHAP)、偏依赖图(Partial Dependence Plot, PDP)和累积局部效应(Accumulated Local Effects, ALE)进行可解释性分析的结果表明，单位耗药量(powder factor, q)是影响爆堆形态的主导参数。本研究解决了以往机器学习研究仅能进行二维形态预测的局限，为高精度的爆破参数优化和智能化设计提供了高精度、可解释的数据驱动方法。

论文解读：可解释性贝叶斯优化极端梯度提升(BO-XGBoost)框架在高台阶抛掷爆破爆堆形态三维预测中的应用

研究背景与意义

高台阶抛掷爆破(cast blasting)因其高效率、低成本广泛应用于露天矿山，但爆破后爆堆(muck-pile)形态复杂多变，准确预测其形态对保障安全及优化装载效率具有重要意义。现有研究多采用离散元(Discrete Element Method, DEM)或单一函数（如傅里叶级数、高斯函数）拟合二维剖面，存在计算成本高、难以同时刻画爆堆峰值集中与尾部延伸特征、无法还原三维空间分布及"黑箱"模型缺乏可解释性等局限。为此，研究人员以黑岱沟露天煤矿为工程背景，提出基于高斯-威布尔(Weibull)组合函数表征形态，结合贝叶斯优化极端梯度提升(BO-XGBoost)预测组合函数系数，并通过多剖面融合与Delaunay三角剖分实现三维重建，辅以SHAP、PDP及ALE进行模型决策机制解析，研究成果发表于《Journal of Rock Mechanics and Geotechnical Engineering》。

主要关键技术方法

研究人员选取黑岱沟露天煤矿35个爆堆、共280个剖面样本（UAV点云获取），采用孤立森林(Isolation Forest)剔除异常值，Spearman相关性分析验证输入无严重多重共线性后，对输入做Min-Max归一化。构建三阶高斯+修正威布尔组合函数拟合实测剖面作为输出目标（11个系数）；以贝叶斯优化(Bayesian Optimisation, BO)调优XGBoost、CatBoost、AdaBoost超参数，五折交叉验证评估；训练后利用SHAP分析特征重要性，PDP及累积局部效应(ALE)解析单位耗药量(powder factor, q)及全段高(H_q)的单/双因子影响，最终通过多剖面预测融合Delaunay三角网重建三维爆堆。

研究结果

3.1. Visualisation of parameter tuning（超参数调优可视化）

以输出参数c₃为例展示贝叶斯优化过程，目标函数值(MSE)随迭代稳定收敛；不同超参数组合（如较小gamma配中等学习率~0.1、n_estimators适中且max_depth 10~15）可有效降低MSE。各输出对应最优超参数不同，反映各系数分布与噪声差异。

3.2. Model performance comparison and analysis（模型性能对比分析）

3.2.1 五折交叉验证显示BO-XGBoost预测11个组合系数的平均MAPE普遍低于0.2且波动最小，泛化能力最优；BO-CatBoost居中；BO-AdaBoost MAPE最高近0.5且波动大。

3.2.2 收敛性显示BO-XGBoost训练集RMSE=2.219、测试集RMSE=2.242，差距极小无过拟合，收敛最快；BO-CatBoost次之；BO-AdaBoost收敛最慢。

3.2.3 综合指标：BO-XGBoost训练集R²=0.982、测试集R²=0.934，RMSE、MAE、MAPE均最低，相对误差小，全面优于另两模型。

3.2.4 实测值与预测值散点及直方图表明BO-XGBoost预测分布与实测最吻合。

3.3. BO–XGBoost muck-pile morphology prediction（BO-XGBoost爆堆形态预测）

典型爆堆13-10、14-8、27-6剖面预测曲线与实测吻合；26-8爆堆通过多起始点输入模型获多剖面，经Delaunay三角化完成三维重建。实测最大抛距204.5 m，模型预测201.9 m，相对误差1.27%，低于PFC2D数值模拟的5.77%，满足工程精度。

3.4. Model interpretability analysis（模型可解释性分析）

3.4.1 SHAP特征重要性表明单位耗药量(q)全局累计重要性评分1.93居首，最小抵抗线(W)最弱(0.32)；不同输出受不同输入主导（如坡角ζ主导a₁，孔距b主导b₁）。

3.4.2 PDP-ICE显示q对爆堆峰高(a₁-a₃)、峰位水平距(b₁-b₃)、峰宽(c₁-c₃)呈单调正相关，q>0.7 kg/m³时b₃增幅明显；尾部参数k、l受q影响小，ICE簇集PDP旁证模型稳定。

3.4.3 ALE交互作用显示q与全段高(H_q)同步增大对输出的协同增强效应显著，如q>0.7 kg/m³且H_q>60 m时b₃的ALE增幅(~20%)高于单因子调控(~6.7%)，为现场参数匹配提供依据。

讨论与结论翻译

讨论指出本方法突破二维限制实现三维重建、组合函数R²=0.9996优于文献中四阶傅里叶或五阶高斯、BO-XGBoost内置正则抑制过拟合且样本量为既往3.5倍，预测精度与可解释性均具优势；基于PDP与ALE量化出的"q-H_q协同放大效应"可将爆破设计由经验试错转为定量调控（如需远抛选H_q>70 m且q>0.67 kg/m³，需紧凑堆积选q<0.7 kg/m³）；局限为数据源于单一矿区，未来拟引入岩体物理力学参数建多因子耦合模型并结合物联网(IoT)实时监测动态优化。

结论：本研究建立了基于组合函数的可解释BO-XGBoost模型预测高台阶抛掷爆破爆堆三维形态。(1)利用三轴多旋翼UAV获取280组样本，孤立森林有效剔除离群点提升数据质量；(2)高斯-改进威布尔组合函数拟合爆堆剖面R²=0.9996，优于四阶傅里叶(R²=0.9992)与五阶高斯(R²=0.9992)；(3)BO-XGBoost测试集R²=0.934、RMSE=2.242、MAE=1.644、MAPE=0.138，优于BO-CatBoost与BO-AdaBoost；(4)多剖面预测融合法实现三维表征，典型爆堆最大抛距预测误差仅1.27%，低于PFC2D数值模拟误差(5.77%)；(5)SHAP分析确定单位耗药量(q)为影响爆堆形态主导因子(重要性1.93)，q与全段高(H_q)协同效应对爆破参数优化提供科学指导。该BO-XGBoost框架为高台阶抛掷爆破爆堆形态预测提供了高精度、可解释的数据驱动方案，可直接服务于现场爆破参数优化设计与智能决策。