寒区隧道冻结特性及冻结深度预测.pdf

引用格式:马超,黎忠灏,邱军领,等.寒区隧道冻结特性及冻结深度预测J.隧道建设(中英文),2023,43(8):1369.MA Chao,LI Zhonghao,QIU Junling,et al.Freezing characteristics and freezing depth prediction of tunnels in cold regionsJ.Tunnel Construction,2023,43(8):1369.收稿日期:2022-12-19;修回日期:2023-07-02基金项目:交通运输部应用基础项目(2015319812140);四川公路桥梁建设集团有限公司技术开发(委托)项目(220221210155)第一作者简介:马超(1999),男,陕西宝鸡人,长安大学土木工程专业在读硕士,主要从事隧道与地下工程的设计和研究工作。E-mail:1187858451 。通信作者:邱军领,E-mail:junlingqiu 。寒区隧道冻结特性及冻结深度预测马 超1,黎忠灏1,邱军领1,赖金星1,罗燕平2,曾 斌2,冯志华3(1.长安大学公路学院,陕西 西安 710064;2.四川川交路桥有限责任公司,四川 广汉 618300;3.河北省交通规划设计研究院有限公司,河北 石家庄 050011)摘要:为研究寒区隧道冻结特性并对冻结深度进行预测,采用数值模拟分析的方法,探讨兴安岭隧道温度场及冻结深度分布规律,并基于正交试验分析冻结深度各影响因素的敏感性及显著性。此外,提出一种基于 XGBoost(extreme gradient boosting)和 LightGBM(light gradient boosting machine)的混合预测模型对冻结深度进行预测。结果表明:1)距隧道洞口越远,围岩冻结深度越小;距隧道洞口越近,围岩冻结深度变化越大,在距洞口 300 m 之后,围岩冻结深度趋于稳定。2)各个断面不同部位冻结深度的变化规律基本一致,除仰拱部位冻结深度明显较大以外,其余各部位均无明显差别。3)各影响因素对冻结深度的影响敏感性排序为初始地温最冷月平均气温围岩比热容围岩导热系数衬砌导热系数衬砌比热容。4)与传统单一模型预测方法相比,提出的基于 XGBoost和 LightGBM 的混合预测模型精度较高,具有较强的适用性。关键词:寒区隧道;冻结深度;正交试验;XGBoost 模型;LightGBM 模型;混合模型DOI:10.3973/j.issn.2096-4498.2023.08.011文章编号:2096-4498(2023)08-1369-10中图分类号:U 457+.2 文献标志码:A开放科学(资源服务)标识码(OSID):F Fr re ee ez zi in ng g C Ch ha ar ra ac ct te er ri is st ti ic cs s a an nd d F Fr re ee ez zi in ng g D De ep pt th h P Pr re ed di ic ct ti io on n o of f T Tu un nn ne el ls s i in n C Co ol ld d R Re eg gi io on ns sMA Chao1,LI Zhonghao1,QIU Junling1,*,LAI Jinxing1,LUO Yanping2,ZENG Bin2,FENG Zhihua3(1.School of Highway,Changan University,Xian 710064,Shaanxi,China;2.Sichuan Chuanjiao Road&Bridge Co.,Ltd.,Guanghan 618300,Sichuan,China;3.Hebei Provincial Communications Planning,Design and Research Institute Co.,Ltd.,Shijiazhuang 050011,Hebei,China)A Ab bs st tr ra ac ct t:The on-site measured data of the Xinganling tunnel and the numerical simulation results are studied together to investigate the characteristics of the tunnels freezing depth in cold regions and further predict the freezing depth.Therefore,the temperature field and the distribution law of the freezing depth are explored.Subsequently,based on the orthogonal test,the sensitivity and significance of various influencing factors of the freezing depth are analyzed.Additionally,a hybrid prediction model is proposed based on extreme gradient boosting and light gradient boosting machine models to predict the freezing depth.The results reveal the following:(1)As the distance from the tunnel portal increases,the freezing depth of the surrounding rock shortens;moreover,the freezing depth of the surrounding rock varies sharply when close to the tunnel portal,whereas the freezing depth tends to be stable when the distance from tunnel portal is larger than 300 m.(2)The freezing depths change rule in different locations of each cross-section is similar.There is an obvious increase in the freezing depth in the inverted arch and no obvious difference in other parts.(3)The sensitivities of the freezing depth to various factors are ranked as follows:initial ground temperatureaverage temperature in the coldest monthspecific heat capacity of the surrounding rockthermal conductivity of the surrounding rockthermal conductivity of the liningspecific heat capacity of the lining.(4)The proposed hybrid prediction model 隧道建设(中英文)第 43 卷based on XGBoost and LightGBM model has a higher accuracy and stronger applicability than the traditional single-model prediction method.K Ke ey yw wo or rd ds s:tunnel in cold region;freezing depth;orthogonal test;extreme gradient boosting;light gradient boosting machine;hybrid model0 引言随着我国交通运输行业的快速发展,隧道工程建设逐步向高海拔、高纬度地区发展,所面临的环境、气候等工程地质条件越来越复杂。在季节性冻土区,隧道施工和运营遇到了一系列严重的冻融病害。截至2018 年底,我国共有 15 117 座铁路隧道。其中,发生冻害的铁路隧道有 7 921 座,占铁路隧道总数的52.4%;发生严重冻害的铁路隧道有 3 855 座,占铁路隧道总数的 25.5%。我国发生冻害的隧道主要集中于高纬度和高海拔地区,分布于青藏高原、东北和内蒙古等地区。寒区隧道冻害的发生与温度场和围岩的冻结深度有关。围岩的最大冻结深度是影响冻胀力的重要因素,同时也是防排水设施埋设深度的重要依据1。夏才初等1以准稳态假设为基础,利用积分方法推导了在考虑衬砌、保温层和冻结围岩中未冻水含量情况下的最大冻结深度解析表达式。张晨曦等2对20 座隧道的温度场进行了数值模拟,结果表明,随着地表温度和洞外气温的上升,隧道的径向冻结深度逐渐减小。丁云飞等3通过数值仿真得出隧道入口段冻结深度与冻结时间和外界温度密切相关的结论,冻结时间越长冻结深度越大,在极端气温下洞口冻结深度可达到 8.2 m。王建军等4对竖井施工过程中的温度变化进行了现场监测,得出竖井冻结深度的主要影响因素是通风时间,而风速对竖井冻结深度的影响不大。周元辅等5通过室内试验对冻结深度的不同计算方法进行分析,发现采用鲁基扬诺夫公式计算冻结深度比其他方法更加精确。赵鑫等6-7对兴安岭隧道进行了温度实测,研究了温度场的时空分布特征,并基于斯蒂芬法建立了冻结深度的计算方程。随着计算机技术的飞速发展,机器学习方法已经应用到各行各业中8-9。一些学者将机器学习引入到隧道工程的施工与运营中。例如:王冰泉等10利用集成模拟策略训练了基准时期的支持向量机模型,用于模拟过去和未来季节冻土的最大冻结深度。上述对寒区隧道冻结深度特性的研究,主要关注的是冻结深度与温度、时间的关系,而对冻结深度沿隧道径向及环向的变化规律及影响因素研究较少。针对冻结深度的预测问题,学者们多采用现场试验与理论推导相结合的方法,而采用机器学习方法的研究较少。本文对冻结深度沿隧道径向及环向的变化规律以及冻结深度各影响因素的显著性及敏感性进行探究,并提出一种基于 XGBoost(extreme gradient boosting)和 LightGBM(light gradient boosting machine)的混合模型对冻结深度进行预测,以期为寒区隧道防冻害研究及设计提供参考。1 工程背景兴安岭隧道是内蒙古最寒冷地区呼伦贝尔市牙克石和阿荣旗交界处的一条重要公路隧道,其横穿大兴安岭中南部的中、低洼山区。该地区最高海拔为 1 210 m,山势总体平缓。由于地处欧亚高纬度地区,该地区春季干燥风大,夏季温凉短促,秋季气温聚降,冬季寒冷漫长。山区积雪深厚,部分地区霜冻深度超过 3 m。历年最低气温为-46.7,最大风速为 29 m/s。隧道为双向 4 车道,最高设计时速为 100 km,左线隧道里程为 ZK164+605 ZK168+565,全长 3 960 m,交通方向由牙克石到阿荣旗。2 温度场及冻结深度特性分析2.1 数值模型建立采用有限元软件 ANSYS 建立洞口段温度场,得出衬砌及围岩中温度场的分布情况。隧道受环境影响的最大深度为 20 m11,因此所建立的模型上下边界、左右边界均距隧道衬砌 20 m。模型的对称面、恒温边界及对流换热边界如图 1 所示。其中,为了清晰地显示对流换热边界,将二维平面图进行了旋转。图 1 计算模型(单位:m)Fig.1 Computational model(unit:m)空 气 与 衬 砌 之 间 的 对 流 换 热 系 数 取 10 W/(m2k)12-13。洞内沿程的温度荷载根据兴安岭0731第 8 期马 超,等:寒区隧道冻结特性及冻结深度预测隧道各断面壁面温度的监测数据确定,即将兴安岭隧道现场实测数据进行函数拟合,然后将所拟合的函数作为温度荷载施加于隧道衬砌表面。考虑到数值模拟的结果主要用于定性研究,研究中并未具体到某一天,且为了方便建模并简化计算,温度荷载加载的时间均取360 d,加载步长均取 1 d。模型的初始温度是围岩的初始 地 温,综 合 考 虑 当 地 气 温 条 件 并 参 考 文献14-15,取兴安岭隧道全年实测温度值的平均值并取整作为初始温度,则得到模型的初始温度为3.5。结合 兴 安 岭 隧 道 的 相 关 资 料 及 文 献 资料9-10,模型的热力学参数如表 1 所示。表 1 模型的热力学参数Table 1 Thermodynamic parameters of the model结构导热系数/(W/(m)比热容/(J/(kg)密度/(kg/m3)衬砌1.5745401 960围岩1.3566202 2002.2 数值模型合理性验证为验证数值模型的合理性,提取各断面径深 1 m 处的温度数值模拟结果与实测数据进行对比,如图2 所示。图 2 各断面径深 1 m 处的温度数值模拟结果与实测数据对比Fig.2 Comparison of temperature distribution laws between measured values and simulated values 通过图 2 可知,温度模拟结果与实测数据变化规律一致且变化曲线基本吻合。实测数据与数值模拟结果最大差值为 1.51,平均差值为 0.42,满足工程中对数值模拟计算的误差要求3。2.3 数值模拟结果分析2.3.1 温度场分布规律为进一步分析隧道围岩径向的温度场分布规律,建立仰拱中心沿隧道径向的求解路径,提取数值模拟结果,并将各断面径向的温度模拟结果绘制成如图 3所示的点线图。(a)距洞口 50 m(b)距洞口 150 m(c)距洞口 300 m(d)距洞口 500 m图 3 各断面沿径向的温度变化曲线Fig.3 Temperature change of each cross-section along radial depth1731隧道建设(中英文)第 43 卷 由图 3 可以看出:1)各个断面沿径向的温度场分布规律与洞内气温紧密相关。对于气温高于初始地温的 8、9、10 月,围岩径向温度逐渐减小;对于气温低于初始地温的 1、2、3、4、5 月,围岩径向温度逐渐增加。但最终都趋于稳定,稳定后的围岩温度值与初始地温相近。11 月出现了反常的先增后减现象,6 月、7 月出现了反常的先减后增现象。这主要是由于 6 月、7 月、11 月处于正负温交替时期,而围岩中热量的传递具有一定的滞后性,6月、7 月、11 月受到围岩中原赋存热量的影响出现了反常的先增后减或先减后增现象。2)根据各断面围岩不同径深温度场的变化情况,并综合考虑温度场的变化对隧道的影响程度2-3,可将围岩温度沿径向的变化划分为快速变化阶段、缓慢发展阶段、稳定阶段 3 个阶段。不同阶段划分的主要依据是围岩温度沿径向的变化幅度。当每米范围内围岩温度的变化幅度超过 0.5 时,将其界定为快速变化阶段;当每米范围内围岩温度的变化幅度在 0.10.5 时,将其界定为缓慢发展阶段;当每米范围内围岩温度的变化幅度小于 0.1 时,将其界定为稳定阶段。则快速变化阶段的范围是沿径深 05 m,缓慢发展阶段的范围是沿径深 5 10 m,在沿径深 10 m 之后,围岩温度稳定在初始地温附近,这也表明了隧道内气温对围岩温度场的最大影响范围为 10 m。2.3.2 冻结深度分布规律在不考虑隧道进出口高程差、隧道内交通量以及车辆行驶速度的情况下,并以 0 作为围岩是否发生冻结的判断依据,各断面不同位置冻结深度变化规律如图 4 所示。图 4 各断面不同位置冻结深度变化规律(单位:m)Fig.4 Freezing depth change of each cross-section(unit:m)由图 4 可知:1)距洞口 50、150、300、500 m 处的最大冻结深度分别为 3.99、2.61、2.42、2.35 m,相比于前一断面,各断面最大冻结深度降幅分别为 34.6%、7.3%及 2.9%。这表明距洞口越远围岩冻结深度越小,距洞口越近围岩冻结深度变化越大,在距洞口 300 m 之后冻结深度趋于稳定。2)各个断面不同部位冻结深度的变化规律基本一致。除仰拱部位冻结深度明显较大外,其余各部位未出现明显差别。这主要是由于仰拱部位相较于其他部位地下水含量高,围岩中赋存孔隙水多;此外,地下水的流动会带走热量,促进围岩的冻结。3 冻结深度影响因素分析3.1 正交试验及影响因素确定冻结深度受初始地温、最冷月平均气温、衬砌和围岩热力学参数(热导率、比热容)等诸多因素的影响。为了探讨影响冻结深度各种因素的显著性、敏感性及其与冻结深度的关系,采用 ANSYS 软件并结合正交试验方法进行分析。正交试验本质上是一种局部试验,在试验中找到一组有代表性的点作为试验对象,通过正交试验可以减少试验次数,降低工作量16。本次试验研究的影响因素包括最冷月平均气温初始地温、衬砌导热系数、围岩导热系数、衬砌比热容、围岩比热容,每个因素设计 5 个水平。衬砌导热系数、围岩导热系数、衬砌比热容及围岩比热容以表 1 中的数据为基准参数,最冷月平均气温取距洞口 50 m 断面处的监测结果,并在此基础上对各参数分别增 15%、30%和减 15%、30%作为试验的 5 个试验水平,具体取值如表 2 所示。本试验是以 6 因素 5 水平为标准进行正交试验的,因此选择L50(511)正交表进行试验,共需进行 50 次试验。3.2 试验结果分析3.2.1 各影响因素敏感性与显著性分析正交试验分析一般采用方差分析法或直观分析法。直观分析法计算简单,但无法给出各因素的显著性;方差分析法比较精细,计算量稍大,但可以根据方差分析结果给出各因素的敏感性及显著性。因此,本文采用方差分析法进行分析。方差分析主要包括计算离差平方和、计算自由度、计算平均离差平方 F 和显著性检验 4 步17。F 值越大表明该因素对试验结果的影响越敏感。给定显著性水平 0.005,若 FF0.005(fi,fE)=F0.005(f4,f19),则该因素对结果影响显著。其中,fi为因素自由度,fE为误差自由度。2731第 8 期马 超,等:寒区隧道冻结特性及冻结深度预测表 2 影响因素参数取值Table 2 Parameter values of influencing factor水平最冷月平均气温/初始地温/围岩导热系数/(W/(m)围岩比热容/(J/(kg)衬砌导热系数/(W/(m)衬砌比热容/(J/(kg)1-10.732.450.7184901.422525.02-9.492.980.8725951.726637.53-8.253.501.0267002.031750.04-7.014.031.1808052.336862.55-5.784.551.3349102.640975.0 经过方差分析之后的试验结果如图 5 所示。从图中 F 值的大小可以看出,不同因素对冻结深度的影响从大到小排序为:初始地温最冷月平均气温围岩比热容围岩导热系数衬砌导热系数衬砌比热容。在显著性水平为 0.005 的条件下,F(A)=345.602 F0.005(4,19)=5.27;F(B)=393.229 F0.005(4,19)=5.27;F(C)=86.119 F0.005(4,19)=5.27;F(D)=207.918 F0.005(4,19)=5.27;F(E)=35.181 F0.005(4,19)=5.27;F(F)=4.644最冷月平均气温围岩比热容围岩导热系数衬砌导热系数衬砌比热容。冻结深度与围岩导热系数、衬砌导热系数呈线性正相关关系,而冻结深度与最冷月平均气温、初始地温、围岩比热容呈线性负相关关系。3)提出的 XGBoost-LightGBM 模型与传统单一模型相比预测精度较高,具有更强的适用性。值得注意的是,不同的寒区隧道会因为气候等原因导致冻结深度趋于稳定时距洞口的距离不同,在距洞口 300 m 之后冻结深度趋于稳定这一结论在类似的地质、气候和工程条件下才具有一定的适用性。另外,在探究冻结深度各影响因素敏感性及显著性时并未涉及到各个影响因素间的相互作用(即交互性)。此外,XGBoost-LightGBM 混合模型预测冻结深度的最佳适用范围为 1.52.0 m,超过该范围的冻结深度预测值会出现一定的偏差。参考文献(R Re ef fe er re en nc ce es s):1 夏才初,吕志涛,黄继辉,等.寒区隧道围岩最大冻结深度计算的半解析方法J.岩土力学,2018,39(6):2145.XIA Caichu,LYU Zhitao,HUANG Jihui,et al.Semi-analytical method of maximum frozen depth calculation in cold region tunnelJ.Geotechnical Mechanics,2018,39(6):2145.2 张晨曦,张明明,朱永全,等.西成铁路寒区主要隧道温度场及防寒设计分析J.科学技术与工程,2022,22(3):1250.ZHANG Chenxi,ZHANG Mingming,ZHU Yongquan,et al.Temperature field and cold prevention design analysis of main tunnels in cold area of Xicheng railwayJ.Science Technology and Engineering,2022,22(3):1250.3 丁云飞,高焱,包旭,等.草木沟隧道温度场实测与分析J.科学技术与工程,2022,22(12):5051.DING Yunfei,GAO Yan,BAO Xu,et al.Measurement and analysis of temperature field in Caomugou tunnel J.Science Technology and Engineering,2022,22(12):5051.4 王建军,杨林霖,杨文波,等.高寒地区通风竖井温度场分布规律及防冻保温研究J.现代隧道技术,2022,59(4):118.WANG Jianjun,YANG Linlin,YANG Wenbo,et al.Study on the distribution pattern of temperature fields and anti-freezing and heat preservation of ventilation shafts in high-altitude and cold regions J.Modern Tunnelling Technology,2022,59(4):118.5 周元辅,张丹锋,李明勇,等.季节性冻土区黏土冻结深度预测J.科学技术与工程,2021,21(13):5460.ZHOU Yuanfu,ZHANG Danfeng,LI Mingyong,et al.Research on predicted frost depth of clay in seasonally frozen ground region J.Science Technology and Engineering,2021,21(13):5460.6ZHAO Xin,ZHANG Hongwei,LAI Hongpeng,et al.Temperature field characteristics and influencing factors on frost depth of a highway tunnel in a cold region-science directJ.Cold Regions Science and Technology,2020,179:103141.7 赵鑫,张洪伟,杨晓华,等.寒区隧道温度简谐波传热特征与影响因素的敏感性J.交通运输工程学报,2020,20(6):148.ZHAO Xin,ZHANG Hongwei,YANG Xiaohua,et al.Heat transfer characteristics for temperature of simple harmonic quantity in the cold-region tunnel and sensitivity of influencing factors J.Journal of Transportation Engineering,2020,20(6):148.8 梁铭,彭浩,解威威,等.基于超前钻探及优化集成算法的隧道围岩双层质量评价J.隧道建设(中英文),2022,42(8):1443.7731隧道建设(中英文)第 43 卷LIANG Ming,PENG Hao,XIE Weiwei,et al.Double-layer quality evaluation of surrounding rock of a tunnel based on advance drilling and optimized integration algorithm J.Tunnel Construction,2022,42(8):1443.9 苏连成,朱娇娇,郭高鑫,等.基于 XGBoost 和 Wasserstein距离的风电机组塔架振动监测研究J.太阳能学报,2023,44(1):306.SU Liancheng,ZHU Jiaojiao,GUO Gaoxin,et al.Research on wind turbine tower vibration monitoring based on XGBoost and Wasserstein distance J.Journal of Solar Energy,2023,44(1):306.10 王冰泉,冉有华.中国西北、西藏和周边地区 19612020 年每十年 1 km 季节冻土最大冻结深度数据集J.地球科学进展,2021,36(11):1137.WANG Bingquan,RAN Youhua.A decadal dataset of the seasonal maximum freezing depth wih l km resolution from 1961 to 2020 in Northwest China,Tibet and surrounding areaJ.Progress in Earth Science,2021,36(11):1137.11 YU Q,ZHANG C,DAI Z,et al.Impact of tunnel temperature variations on surrounding rocks in cold regionsJ.Periodica Polytechnica Civil Engineering,2019,63(1):160.12 王志杰,周飞聪,周平,等.高寒高海拔隧道保温层敷设方式及设计参数优化J.中国公路学报,2020,33(8):182.WANG Zhijie,ZHOU Feicong,ZHOU Ping,et al.Laying method and design parameter optimization of the thermal insulation layer in alpine and altitude tunnelsJ.Journal of China Highway Engineering,2020,33(8):182.13 雷飞亚.考虑相变过程岩体孔隙率对寒区隧道温度场时空规律影响研究J.隧道建设(中英文),2019,39(增刊 1):245.LEI Feiya.Study on influence of rock porosity on time-space laws of rock mass temperature field of tunnel in cold region considering phase transition J.Tunnel Construction,2019,39(S1):245.14 许鹏,伍毅敏,严晓东,等.严寒地区高铁隧道温度场及保温层有效性分析J.中国铁道科学,2022,43(4):64.XU Peng,WU Yimin,YAN Xiaodong,et al.Analysis of temperature field and thermal insulation layer effectiveness of high-speed railway tunnel in severe cold region J.China Railway Science,2022,43(4):64.15 王志杰,李振,蔡李斌,等.考虑随机裂隙的高寒隧道温度场和保温层研究J.铁道工程学报,2020,37(9):54.WANG Zhijie,LI Zhen,CAI Libin,et al.Research on the temperature field and insulation layer in alpine tunnel with random cracksJ.Journal of Railway Engineering,2020,37(9):54.16 王开运,贺思悦,候航,等.寒区隧道温度场测试及其影响因素的正交试验J.公路,2018,63(11):312.WANG Kaiyun,HE Siyue,HOU Hang,et al.Test of temperature field and orthogonal test of influencing factors in cold region tunnelJ.Highway,2018,63(11):312.17 罗燕平,马超,黎忠灏,等.季冻区隧道冻胀力影响因素交互性及敏感性正交试验分析J.科学技术与工程,2022,22(27):12183.LUO Yanping,MA Chao,LI Zhonghao,et al.Orthogonal test analysis on interaction and sensitivity of influencing factors of tunnel frost heaving force in seasonal freezing areaJ.Science Technology and Engineering,2022,22(27):12183.18 刘明阳,余宏淦,陶建峰,等.基于盾构机运行参数的局部切空间排列与 Xgboost 融合的地质类型识别J.中南大学学报(自然科学版),2022,53(6):2080.LIU Mingyang,YU Honggan,TAO Jianfeng,et al.Geological-type identification with LTSA and Xgboost algorithm based on EPB shield operating dataJ.Journal of Central South University(Natural Science Edition),2022,53(6):2080.19 何军,林广东,申小军,等.基于贝叶斯优化 XGBoost的隧道沉降量预测J.计算机系统应用,2022(7):379.HE Jun,LIN Guangdong,SHEN Xiaojun,et al.Prediction of tunnel subsidence based on Bayesian optimized XGBoostJ.Computer Systems&Applications,2022(7):379.20 钱宇,何益丰,谢斌鑫,等.基于特征工程的 XGboost风速短期预测J.武汉大学学报(工学版),2022,55(10):1057.QIAN Yu,HE Yifeng,XIE Binxin,et al.Short-term XGboost wind speed prediction based on feature engineeringJ.Journal of Wuhan University(Engineering Edition),2022,55(10):1057.21 符锌砂,葛洪成,鲁岳.基于 LightGBM 的高速公路隧道段驾驶人压力负荷评估J.交通运输研究,2022,8(5):46.FU Xinsha,GE Hongcheng,LU Yue.Driver stress load assessment of freeway tunnel sections based on LightGBMJ.Transportation Research,2022,8(5):46.22 张凯,张科.基于 LightGBM 算法的边坡稳定性预测研究J.中国安全科学学报,2022,32(7):113.ZHANG Kai,ZHANG Ke.Prediction study on slope stability based on LightGBM algorithm J.Chinese Journal of Safety Sciences,2022,32(7):113.23 贾凯,江明,袁啸林,等.基于代价敏感型 LightGBM 的分子泵故障检测J.电子测量与仪器学报,2022,36(10):55.JIA Kai,JIANG Ming,YUAN Xiaolin,et al.Fault detection of molecular pump based on cost-sensitive LightGBM J.Journal of Electronic Measurement and Instrumentation,2022,36(10):55.8731