基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究

何伟; 余红玲; 吴国华

欢迎来到能源电力期刊网！

您当前的位置：

首页 >

文章列表页 >

基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究

水工建筑 | 更新时间：2026-04-09

- 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究
- 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究
- 水力发电 2026年52卷第4期页码：52-58
- 作者机构：
  
  1. 水电水利规划设计总院
  2. 中国农业大学水利与土木工程学院
  3. 天津大学水利工程智能建设与运维全国重点实验室
- 作者简介：
- 基金信息：
  
  中国电力建设股份有限公司科技项目(DJ-ZDXM-2020-50);天津市科技重大专项与工程项目(24ZXZSSS00380)
- DOI：
  中图分类号： TV641;TV223.4
- 纸质出版：2026
- 稿件说明：
移动端阅览
何伟, 余红玲, 吴国华. 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究[J]. 水力发电, 2026,52(4):52-58.

何伟, 余红玲, 吴国华. 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究[J]. 2026, 52(4): 52-58.
何伟, 余红玲, 吴国华. 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究[J]. 水力发电, 2026,52(4):52-58. DOI：

何伟, 余红玲, 吴国华. 基于IStacking异质集成学习的土石坝渗流效应量快速计算方法研究[J]. 2026, 52(4): 52-58. DOI：

摘要

为提升复杂工况下土石坝渗流效应量的计算效率与预测精度，提出一种基于异质集成学习(IStacking)的快速计算方法。模型以广义回归神经网络、最小二乘支持向量机和随机森林为基学习器，混合核极限学习机为元学习器，构建改进的Stacking异质集成结构。通过引入综合误差指标对交叉验证结果进行加权修正，显著增强了元学习器的泛化能力。实例验证结果表明，IStacking模型的相关系数(R)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)分别为0.972 8、0.983 5 m、0.835 6 m、1.220 0%

在预测精度方面均优于传统Stacking及单一学习模型，能够实现土石坝渗流效应量的高精度、快速计算。

Abstract

关键词

Keywords

references

李益言.面向PM_(2.5)浓度模拟的多模型耦合方法[D].武汉大学,2019(06).

郭晓静.基于Stacking集成学习方式的高速磁浮列车智能运控研究[D].北京交通大学,2020(03).

J.A.K. Suykens,J. Vandewalle.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letters,1999(3).

Leo Breiman.Bagging Predictors[J].Machine Learning,1996(2).

史明泉,崔丽珍,赫佳星.基于PSO-GRNN神经网络的煤矿井下定位算法研究[J].中国矿业,2020(02).

王晓玲,李克,张宗亮,余红玲,孔令学,陈文龙.耦合ALO-LSTM和特征注意力机制的土石坝渗压预测模型[J].水利学报,2022(04).

王喜燕,陈庆花.基于粒子群优化最小二乘支持向量机的铁路客运量预测[J].郑州铁路职业技术学院学报,2022(01).

王民,杨金路,王鑫,李进步,徐亮,言语.基于随机森林算法的泥页岩岩相测井识别[J].地球科学,2023(01).

刘宇明,王建,郭艳惠,朱进.土石坝安全鉴定渗流反演分析现状与应用研究[J].科技创新与应用,2025(25).

冯雪松,向勇.基于多样性增强集成学习的电池健康状态评估[J].电测与仪表,2023(09).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据