买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国水利水电第七工程局有限公司;成都理工大学申请的专利一种基于地质特征适配和PSO-RF算法的隧道大变形预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121562429B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610077298.9，技术领域涉及：G06F30/27；该发明授权一种基于地质特征适配和PSO-RF算法的隧道大变形预测方法是由帅永建;孙志强;贺国龙;于飞;李信;陈柯朴;李怀良;陈涛;王杰;尚苗苗;宋宇;赵雪峰设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本一种基于地质特征适配和PSO-RF算法的隧道大变形预测方法在说明书摘要公布了：本发明公开了一种基于地质特征适配和PSO‑RF算法的隧道大变形预测方法，属于隧道工程安全监测技术领域。该方法针对现有技术对地质条件适配性差、预测精度不足的问题，通过构建“数据预处理‑地质场景聚类‑PSO参数优化‑RF预测‑结果验证”的全流程技术框架。首先采集9项核心指标，经缺失值处理和标准化后，采用K‑means聚类将地质场景划分为软岩富水段、断层破碎段和硬岩稳定段三类；进而采用改进PSO算法同步优化RF超参数与特征权重，通过场景化惯性权重调整和适应度函数约束实现参数自适应；最后构建加权特征矩阵训练PSO‑RF模型，输出Ⅰ‑Ⅴ级大变形等级预测结果及特征重要性排序。实验表明，本发明准确率高，误判率低。

本发明授权一种基于地质特征适配和PSO-RF算法的隧道大变形预测方法在权利要求书中公布了：1.一种基于地质特征适配和PSO-RF算法的隧道大变形预测方法，其特征在于：包括以下步骤： 数据预处理阶段：采集隧道工程的核心指标数据，并进行标准化处理，包括缺失值填充、异常值修正和数据转换，然后输出标准化特征矩阵； 地质场景聚类划分阶段：基于编码后的岩性和地应力作为核心聚类特征，采用K-means算法进行聚类分析，消除量纲差异确定最优聚类数并划分地质场景为软岩富水段、断层破碎段和硬岩稳定段三类，为每个样本分配场景标签； 改进PSO联合优化阶段：构建多维粒子向量，对应RF模型的超参数和核心指标数据的特征权重，通过场景化惯性权重调整和适应度函数优化，输出最优超参数和最优特征权重向量； 模型训练与大变形预测阶段：将预处理后的标准化特征矩阵与最优特征权重向量点乘，构建加权特征矩阵，采用最优超参数与交叉验证训练RF模型得到PSO-RF模型，使用训练好的PSO-RF模型预测隧道大变形等级，并输出特征重要性排序； 所述的数据预处理阶段中缺失值填充包括以下步骤：对分类变量的缺失值填充为“未知”并编码为0；对数值变量的缺失值采用同类岩性段的算术平均值填充； 异常值修正采用3σ准则识别异常值，对第j个数值特征指标Xj，在同类岩性段内计算其均值与标准差，当样本值满足时判定为异常值；对判定为上侧异常的取值采用该数值特征指标在同类岩性段内的95%分位数进行替换，对判定为下侧异常的取值采用该数值特征指标在同类岩性段内的5%分位数进行替换； 数据转换包括以下步骤：对分类变量采用独热编码转换为数值向量，对数值变量采用min-max归一化映射至[0,1]区间； 所述的地质场景聚类划分阶段中，对岩性的编码值和地应力的归一化值采用StandardScaler进行标准化处理消除量纲差异； 采用肘部法分析聚类误差平方和随聚类数K的变化趋势，当K=3时SSE曲线出现明显拐点，确定最优聚类数为3； 场景聚类采用K-means算法，根据簇中心的岩性编码和地应力值划分地质场景，并命名为软岩富水段、断层破碎段和硬岩稳定段； 所述的改进PSO联合优化阶段中，粒子向量为13维，前4维对应随机森林模型的超参数，后9维对应9项核心指标数据的特征权重； 适应性函数为：，其中MSE为预测均方差；为决策树数量；为场景核心特征权重。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国水利水电第七工程局有限公司;成都理工大学，其通讯地址为：611730 四川省成都市郫都区郫筒镇北大街成灌东路349号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。