力学季刊

作者：李珊珊, 孙朝阳, 李国栋

关键词：可解释性机器学习；空腔积水；贝叶斯优化；LightGBM；SHAP

传统的机器学习模型主要围绕如何提升模型预测精度进行研究，从而忽略了预测结果的可解释性．本研究基于LightGBM (Light Gradient Boosting Machine)建立了预测掺气设施空腔积水深度的黑箱模型，与常用的机器学习模型如RF (Random Forest)、SVM (Support Vector Machine)及XGBoost (Extreme Gradient Boosting)对比结果表明LightGBM拥有较高的预测精度．进一步通过贝叶斯优化技术对LightGBM的四个超参数进行优化，较大程度上提升了模型的R2（决定系数）得分．应用SHAP (Shapley Additive Explanation)事后解释方法对LightGBM的预测结果进行全局解释和局部解释．全局解释结果表明：流速、水舌冲击角、坎高及流量是影响空腔积水形成的主要因素，特征交互解释可以用来解释特征之间的复杂非线性关系，局部解释则可以显示单个样本各特征的影响大小．研究建立的基于LightGBM-SHAP的空腔积水深度可解释性机器学习模型在掺气设施体型优化及模型试验方案优化方面有很好的应用前景．

来源：2024年第2期

《力学季刊》期刊编辑部

查看力学季刊杂志2024年第2期