矿业研究与开发

作者：翟东豪,王向鹏,姚磊钧,樊立博,吴旭,孔秋平,卢焱保

关键词：注浆材料;强度预测;机器学习预测框架;数据增强

注浆材料强度预测对提升注浆材料设计可靠性具有重要意义.针对传统经验模型难以准确捕捉材料成分与强度之间的关系,以及小样本导致的模型泛化能力不足的问题,提出了一种融合物理机理与数据增强的机器学习预测框架,并对随机森林回归(Random Forest Regression,RFR)、人工神经网络(Artificial Neural Network,ANN)、支持向量机回归(Support Vector Regression,SVR)和线性回归(Linear Regression,LR)4种机器学习方法的材料性能预测结果进行对比分析.结果表明:RFR模型的预测性能最优,其决定系数R2 提升至0.934,较LR、SVR、ANN模型分别提高了21.8％、10.4％、1.6％,均方误差MAE 降至2.59,较LR、SVR、ANN模型分别降低了14.5％、13.4％、9.1％;特征重要性分析中,石墨比例对抗压强度贡献度达37.6％;物理约束的数据增强技术可显著提升小样本建模的鲁棒性,RFR和ANN 模型的MAE 较未纳入数据增强时分别提升39.8％和18.3％;RFR模型在各水固比条件下的预测误差均稳定低于10％.研究结果可为矿山注浆加固材料配比提供参考.

来源：2026年第4期

《矿业研究与开发》期刊编辑部

查看矿业研究与开发杂志2026年第4期