基于XGBoost的水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)

丁煒　金有杰　張日　俞蕊　

摘要：水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)評(píng)估是水庫(kù)大壩風(fēng)險(xiǎn)評(píng)估體系的重要組成部分，然而水庫(kù)大壩基礎(chǔ)設(shè)施數(shù)據(jù)量大、數(shù)據(jù)特征多、還存在數(shù)據(jù)缺失的情況。XGBoost算法作為一種基于決策樹(shù)的集成算法，在應(yīng)對(duì)大規(guī)模含有缺失情況的、具有混合類型的特征數(shù)據(jù)方面具有獨(dú)特優(yōu)勢(shì)。為了更快速準(zhǔn)確地對(duì)水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)進(jìn)行評(píng)估，提出了一種基于XGBoost的水庫(kù)大壩設(shè)施潛在風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)方法。首先將水庫(kù)大壩統(tǒng)計(jì)數(shù)據(jù)進(jìn)行預(yù)處理，并用該數(shù)據(jù)對(duì)XGBoost模型進(jìn)行訓(xùn)練，然后通過(guò)GridSearch和Cross-validation計(jì)算模型最優(yōu)參數(shù)，最后根據(jù)準(zhǔn)確率、召回率等精度指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。預(yù)測(cè)結(jié)果表明：XGBoost在測(cè)試集上的準(zhǔn)確率達(dá)91.26%，相比于其他4種常規(guī)機(jī)器模型（隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、最鄰近算法、支持向量機(jī)）高出2.12%，5.59%，19.31%，38.65%，滿足工程實(shí)際的要求。

關(guān) 鍵 詞：水庫(kù)大壩； 風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)； 準(zhǔn)確率； 召回率； XGBoost

中圖法分類號(hào)： TV63

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.04.035

0 引 言

第一次全國(guó)水利普查報(bào)告以及相關(guān)的統(tǒng)計(jì)數(shù)據(jù)顯示，中國(guó)大陸地區(qū)共有水庫(kù)98 002座，其中小型水庫(kù)93 308座，中型水庫(kù)3 938座，大型水庫(kù)756座，總庫(kù)容達(dá)到9 323.12億m3，有相當(dāng)一部分興建于1950～1970年間［1-2］。受限于當(dāng)時(shí)科學(xué)技術(shù)發(fā)展水平以及經(jīng)濟(jì)條件，部分大壩存在設(shè)計(jì)缺陷、施工質(zhì)量［3-4］等病險(xiǎn)問(wèn)題。由于水庫(kù)數(shù)量眾多、分布較廣，難以通過(guò)專家判斷的方式評(píng)估每座水庫(kù)基礎(chǔ)設(shè)施的風(fēng)險(xiǎn)。因此，如何準(zhǔn)確、快速地評(píng)估水庫(kù)大壩基礎(chǔ)設(shè)施風(fēng)險(xiǎn)便成為亟需解決的問(wèn)題。

國(guó)內(nèi)外在水庫(kù)風(fēng)險(xiǎn)評(píng)估方面已有一定的研究，Chauhan等［5］將不確定性分析和水庫(kù)大壩風(fēng)險(xiǎn)評(píng)估相結(jié)合，更為全面準(zhǔn)確地評(píng)估多種因素下的水庫(kù)大壩風(fēng)險(xiǎn)；Xin等［6］利用影響尾礦壩變形和穩(wěn)定的壩體材料、壩高等影響因素構(gòu)建水庫(kù)大壩風(fēng)險(xiǎn)評(píng)估體系，并建立了基于風(fēng)險(xiǎn)評(píng)估指標(biāo)法的風(fēng)險(xiǎn)評(píng)估模型；Kuo等［7］在納入水庫(kù)特性不確定性和水文事件自然隨機(jī)性的基礎(chǔ)上，通過(guò)考慮溢洪道閘門(mén)的可用性來(lái)評(píng)估水庫(kù)大壩的溢流風(fēng)險(xiǎn)，結(jié)果表明考慮到基礎(chǔ)設(shè)施可用性的風(fēng)險(xiǎn)高于不考慮溢洪道閘門(mén)可用性的風(fēng)險(xiǎn)；Pinto等［8］提出了一種小型水庫(kù)大壩安全指數(shù)（SDSI），構(gòu)建了具備分類標(biāo)準(zhǔn)的評(píng)價(jià)矩陣，用以評(píng)估水庫(kù)大壩的安全性，并且能夠?yàn)樾⌒退畮?kù)大壩維護(hù)行動(dòng)優(yōu)先級(jí)的確定提供支持；Smith［9］采用貝葉斯網(wǎng)絡(luò)分析了巖土、水文、結(jié)構(gòu)等風(fēng)險(xiǎn)因素，確定了對(duì)總體風(fēng)險(xiǎn)影響最大的因素；Li等［10］基于AHP方法篩選出12個(gè)風(fēng)險(xiǎn)指標(biāo)，并采用動(dòng)態(tài)灰色關(guān)聯(lián)分析法預(yù)測(cè)了尾礦壩動(dòng)態(tài)風(fēng)險(xiǎn)等級(jí)，實(shí)現(xiàn)了風(fēng)險(xiǎn)等級(jí)的智能化評(píng)估；徐耀等［11］采用主成分分析法確定了影響水庫(kù)大壩的主要風(fēng)險(xiǎn)指標(biāo)；楊德瑋等［12］以脆弱度和后果系數(shù)為依據(jù)建立水庫(kù)風(fēng)險(xiǎn)指數(shù)，并對(duì)實(shí)際案例進(jìn)行了分析；周端祺等［13］基于層次分析法，以脆弱度和模糊數(shù)學(xué)為工具，構(gòu)建了水庫(kù)大壩風(fēng)險(xiǎn)評(píng)價(jià)體系。隨著人工智能技術(shù)的快速發(fā)展，各種機(jī)器學(xué)習(xí)算法逐漸在水庫(kù)大壩風(fēng)險(xiǎn)評(píng)估領(lǐng)域得到應(yīng)用并取得了較好的效果，Mcmanamay等［14］利用美國(guó)水庫(kù)大壩統(tǒng)計(jì)數(shù)據(jù)，建立了基于決策樹(shù)的水庫(kù)大壩風(fēng)險(xiǎn)評(píng)價(jià)模型，實(shí)現(xiàn)了水庫(kù)大壩風(fēng)險(xiǎn)的快速評(píng)估；Assaad等［15］利用ANN等機(jī)器學(xué)習(xí)方法建立了水庫(kù)大壩風(fēng)險(xiǎn)預(yù)測(cè)模型，用以評(píng)估水庫(kù)大壩的安全風(fēng)險(xiǎn)等級(jí)。

水庫(kù)大壩基礎(chǔ)設(shè)施數(shù)據(jù)量大、數(shù)據(jù)特征多，還存在缺失情況。XGBoost算法是一種集成機(jī)器學(xué)習(xí)算法，在處理大規(guī)模水庫(kù)大壩基礎(chǔ)特征數(shù)據(jù)時(shí)更高效、快速，面對(duì)缺失情況還具有一定的魯棒性，同時(shí)在模型構(gòu)建、模型優(yōu)化等方面能夠減少主觀因素。因此本文選取XGBoost算法構(gòu)建水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)評(píng)估模型，旨在為水庫(kù)大壩早期風(fēng)險(xiǎn)預(yù)警提供一種簡(jiǎn)便有效的手段，為水庫(kù)大壩進(jìn)行全面風(fēng)險(xiǎn)評(píng)估提供支持。

1 研究方法

1.1 XGBoost基本原理及參數(shù)

XGBoost全名為eXtreme Gradient Boosting，是一種基于樹(shù)的集成模型，它的核心思想就是在訓(xùn)練過(guò)程中不停將特征參數(shù)作為變量加入目標(biāo)函數(shù)，通過(guò)新的目標(biāo)函數(shù)擬合損失函數(shù)，并在訓(xùn)練中不斷地調(diào)整特征權(quán)重，以達(dá)到最好的效果。

1.2 潛在風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)流程

本文主要研究思路是利用機(jī)器學(xué)習(xí)模型從水庫(kù)大壩基礎(chǔ)設(shè)施相關(guān)數(shù)據(jù)中學(xué)習(xí)風(fēng)險(xiǎn)評(píng)估的一般規(guī)律，使其能通過(guò)水庫(kù)大壩基礎(chǔ)設(shè)施數(shù)據(jù)評(píng)估預(yù)測(cè)大壩的風(fēng)險(xiǎn)等級(jí)。潛在風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)的流程如圖1所示。

（1） 數(shù)據(jù)清洗。由于主觀和客觀因素，研究數(shù)據(jù)中大多存在數(shù)據(jù)缺失、內(nèi)容格式異常等問(wèn)題，無(wú)法直接讀入模型訓(xùn)練，因此首先需要查看各字段數(shù)據(jù)類型、數(shù)據(jù)缺失、異常值分布情況，然后將不符合要求的數(shù)據(jù)進(jìn)行相應(yīng)的處理。

（2） 數(shù)據(jù)編碼。模型對(duì)于輸入數(shù)據(jù)格式和類型有一定的要求，通常數(shù)據(jù)包含文本型、數(shù)值型等多種類型，因此在輸入模型前需對(duì)文本數(shù)據(jù)編碼。當(dāng)前主要編碼方式有LabelEncoder和OneHot。

（3） 模型優(yōu)化。模型優(yōu)化是指通過(guò)對(duì)模型參數(shù)調(diào)整使得該模型在訓(xùn)練樣本上獲得高預(yù)測(cè)準(zhǔn)確度，并且在對(duì)未知數(shù)據(jù)預(yù)測(cè)時(shí)能夠有良好的表現(xiàn)。

（4） 模型評(píng)估。模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確率無(wú)法表明其性能優(yōu)劣，需要用測(cè)試數(shù)據(jù)來(lái)綜合評(píng)估模型性能，常用的評(píng)價(jià)指標(biāo)依據(jù)有Precision、Recall、混淆矩陣、總體精度等。

1.3 模型評(píng)估方法

為了能客觀評(píng)估模型的評(píng)估預(yù)測(cè)能力，采用混淆矩陣對(duì)模型進(jìn)行綜合評(píng)價(jià)?；煜仃囀且环N可視化的、能比較分類結(jié)果和真實(shí)值的可視化工具，基本結(jié)構(gòu)如表1所列，其主要評(píng)價(jià)指標(biāo)包括準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）以及F-Score。

由此評(píng)價(jià)指標(biāo)可分別表示為

式中：Accuracy（準(zhǔn)確率）為測(cè)試數(shù)據(jù)中分類正確的樣本占全部樣本的比值；Precision（精確率）為測(cè)試數(shù)據(jù)中預(yù)測(cè)結(jié)果為正確類別（類別1）的樣本在分類結(jié)果中的比例；Recall（召回率）表示實(shí)際為類別1的樣本中被預(yù)測(cè)為類別1的比例；F-Score為衡量Precision和Recall的調(diào)和值，它能較為全面地評(píng)估模型分類能力；β為Precision和Recall的權(quán)重。

2 實(shí)例評(píng)估與結(jié)果驗(yàn)證

2.1 研究數(shù)據(jù)

本文選擇2019年美國(guó)水庫(kù)大壩清單（National Inventory of Dams）作為研究數(shù)據(jù)，該數(shù)據(jù)將水庫(kù)大壩潛在風(fēng)險(xiǎn)等級(jí)分成3類，如表2所列。從中選取39 396條數(shù)據(jù)并篩選出25項(xiàng)大壩重要基礎(chǔ)特征，特征情況如表3所列。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的好壞將直接影響模型的預(yù)測(cè)能力，依據(jù)模型要求對(duì)輸入數(shù)據(jù)采用的預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)編碼。

本文研究數(shù)據(jù)為實(shí)地勘測(cè)和統(tǒng)計(jì)數(shù)據(jù)，針對(duì)特征數(shù)據(jù)中存在的數(shù)據(jù)內(nèi)容、數(shù)據(jù)格式異常等問(wèn)題，通過(guò)數(shù)據(jù)清洗使其符合模型要求，并將特征數(shù)據(jù)缺失嚴(yán)重的刪除。

針對(duì)研究數(shù)據(jù)包含文本數(shù)據(jù)、數(shù)值數(shù)據(jù)等多類型的情況，通過(guò)數(shù)據(jù)編碼將數(shù)據(jù)形式進(jìn)行統(tǒng)一。

以處理后的數(shù)據(jù)為基礎(chǔ)，隨機(jī)選取80%數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余20%數(shù)據(jù)作為測(cè)試集數(shù)據(jù)。為防止數(shù)據(jù)泄露，在訓(xùn)練階段測(cè)試數(shù)據(jù)不參與模型訓(xùn)練的任何過(guò)程，確保能科學(xué)評(píng)估模型的評(píng)估預(yù)測(cè)能力。

2.3 模型最優(yōu)參數(shù)設(shè)置

模型最優(yōu)參數(shù)計(jì)算采用網(wǎng)格搜索和交叉驗(yàn)證相結(jié)合的方式，首先將數(shù)據(jù)集分為k個(gè)子集，將其中1個(gè)子集作為測(cè)試樣本，k-1個(gè)子集作為訓(xùn)練樣本；在此基礎(chǔ)上將k-1個(gè)訓(xùn)練樣本輸入模型訓(xùn)練，并使用網(wǎng)格搜索獲取最優(yōu)參數(shù)，計(jì)算其預(yù)測(cè)準(zhǔn)確度；通過(guò)交叉驗(yàn)證k次并計(jì)算k次結(jié)果的平均值。本文最終參數(shù)選擇結(jié)果見(jiàn)表4。

2.4 實(shí)驗(yàn)結(jié)果分析與討論

將訓(xùn)練模型應(yīng)用于測(cè)試集數(shù)據(jù)，評(píng)估水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)并獲得每個(gè)特征因子的重要性排序結(jié)果，如圖2所示。在25個(gè)特征中，檢查頻次、筑壩材料、防滲體類型、閘門(mén)寬度和閘門(mén)數(shù)量的重要性顯著高于其他特征。相關(guān)研究結(jié)果表明，在實(shí)際工程狀況下，筑壩材料和防水材料分別對(duì)水庫(kù)大壩的變形和滲流有著重要影響［10］，例如1908年美國(guó)赫勒拿的豪瑟水庫(kù)因水壩建造材質(zhì)以及結(jié)構(gòu)問(wèn)題使得在面對(duì)洪水時(shí)出現(xiàn)潰壩；而水庫(kù)大壩閘門(mén)寬度、閘門(mén)數(shù)量決定了水庫(kù)的泄洪能力，在歷史潰壩事件中，水庫(kù)泄洪能力不足、無(wú)法及時(shí)泄洪是潰壩發(fā)生的重要原因之一；在水庫(kù)大壩建成后大壩安全檢查是確保水庫(kù)大壩安全極為重要的一環(huán)，大壩安全檢查具有及時(shí)性、全面性和直觀性的特點(diǎn)，能及時(shí)發(fā)現(xiàn)滲流、裂縫、設(shè)備故障等重大安全隱患，增加檢查頻次能極大提升大壩的安全性，這表明模型對(duì)于水庫(kù)大壩基礎(chǔ)潛在風(fēng)險(xiǎn)的預(yù)測(cè)評(píng)估具有一定的合理性。

分類結(jié)果預(yù)測(cè)準(zhǔn)確度如圖3混淆矩陣所示，高風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率為95%，中風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率為89%，低風(fēng)險(xiǎn)準(zhǔn)確率為91%。利用式（11）計(jì)算可得模型預(yù)測(cè)結(jié)果總體準(zhǔn)確率為91.3%。水庫(kù)大壩失事往往會(huì)帶來(lái)極為嚴(yán)重的后果，因此工程應(yīng)用中對(duì)高風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)準(zhǔn)確率有著較高的要求。而本文模型高風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確度達(dá)到95%，并且總體準(zhǔn)確率超過(guò)90%，滿足實(shí)際應(yīng)用的需要。為了更為全面地評(píng)估模型，利用公式（12）～（14）計(jì)算Precision（精確率）、Recall（召回率）和F-Score，從表5中可以看到3種分類結(jié)果的F-Score均超過(guò)90%，表明模型預(yù)測(cè)準(zhǔn)確率具有高可靠性。

為進(jìn)一步驗(yàn)證XGBoost相較于其他方法的優(yōu)越性，現(xiàn)將XGBoost與最鄰近算法（KNN）、人工神經(jīng)網(wǎng)絡(luò)算法（ANN）、支持向量機(jī)（SVM）、隨機(jī)森林算法（RandomForest）等研究方法進(jìn)行對(duì)比，結(jié)果如表6所列。從準(zhǔn)確率來(lái)看，5種模型中SVM和KNN表現(xiàn)不盡人意，準(zhǔn)確率僅有52.61%和71.95%，其主要原因是采用的研究數(shù)據(jù)是實(shí)際數(shù)據(jù)，數(shù)據(jù)缺失值較多，而SVM和KNN對(duì)于缺失值極為敏感，因此準(zhǔn)確率較低。相比SVM和KNN模型，神經(jīng)網(wǎng)絡(luò)和極限梯度提升樹(shù)模型在應(yīng)對(duì)存在缺失值的數(shù)據(jù)集有更好的表現(xiàn)，故ANN、RandomForest和XGBoost準(zhǔn)確率更高，其中XGBoost準(zhǔn)確率達(dá)到91.26%，分別比ANN模型、RandomForest模型高5.59%和2.12%，這充分說(shuō)明XGBoost不僅預(yù)測(cè)精度優(yōu)于其他模型，并且受缺失數(shù)據(jù)的影響較小，具有一定的魯棒性，適合在工程實(shí)際中推廣應(yīng)用。

3 結(jié) 論

迅速準(zhǔn)確地評(píng)估水庫(kù)大壩基礎(chǔ)設(shè)施潛在風(fēng)險(xiǎn)對(duì)降低水庫(kù)大壩失事風(fēng)險(xiǎn)有著重要意義。本文結(jié)合水庫(kù)大壩基礎(chǔ)資料，提出了基于XGBoost的水庫(kù)大壩潛在風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，該模型與SVM、KNN、ANN、RandomForest等模型相比，預(yù)測(cè)能力更加突出，在準(zhǔn)確率、召回率和F-score指標(biāo)上均優(yōu)于其他模型，能準(zhǔn)確地評(píng)估預(yù)測(cè)水庫(kù)大壩風(fēng)險(xiǎn)等級(jí)；同時(shí)該模型受數(shù)據(jù)缺失的影響較小，具有良好的泛化性能，能夠在實(shí)際場(chǎng)景中進(jìn)行使用。

然而，潛在風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)研究以水庫(kù)大壩基礎(chǔ)特征為主，尚未將全部影響因素納入研究范圍，后續(xù)可以結(jié)合洪水、滲流、降雨等動(dòng)態(tài)風(fēng)險(xiǎn)因子，針對(duì)水庫(kù)大壩風(fēng)險(xiǎn)動(dòng)態(tài)預(yù)警做進(jìn)一步研究。

參考文獻(xiàn)：

［1］中華人民共和國(guó)水利部，中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局.第一次全國(guó)水利普查公報(bào)［J］.中國(guó)水利，2013（7）：1-2.

［2］黃強(qiáng)，劉東，魏曉婷，等.中國(guó)筑壩數(shù)量世界之最原因分析［J］.水力發(fā)電學(xué)報(bào)，2021，40（9）：35-45.

［3］楊啟貴，高大水.我國(guó)病險(xiǎn)水庫(kù)加固技術(shù)現(xiàn)狀及展望［J］.人民長(zhǎng)江，2011，42（12）：6-11.

［4］孫繼昌.中國(guó)的水庫(kù)大壩安全管理［J］.中國(guó)水利，2008（20）：10-14.

［5］CHAUHAN S S，BOWLES D S.Dam safety risk assessment with uncertainty analysis［J］.Ancold Bulletin，2004：73-88.

［6］XIN Z，KAILI X.Study on the risk assessment of the tailings dam break［J］.Procedia Engineering，2011，26：2261-2269.

［7］KUO J T，HSU Y C，TUNG Y K，et al.Dam overtopping risk assessment considering inspection program［J］.Stochastic Environmental Research and Risk Assessment，2008，22（3）：303-313.

［8］PINTO W L H，F(xiàn)AIS L M C F.The small dam safety index（SDSI）：a tool for small dam safety assessment［J］.International Journal of River Basin Management，2022：1-26.

［9］SMITH M.Dam risk analysis using Bayesian networks［J］.ECI Digital Archives，2006，43：51-62.

［10］LI W，YE Y，HU N，et al.Real-time warning and risk assessment of tailings dam disaster status based on dynamic hierarchy-grey relation analysis［J］.Complexity，2019，26：711-736.

［11］徐耀，趙春，汪洋.基于主成分分析法的水庫(kù)大壩風(fēng)險(xiǎn)排序綜合指標(biāo)研究［J］.水利發(fā)展研究，2018，18（2）：43-47.

［12］楊德瑋，彭雪輝，盛金保.基于大壩缺陷的群壩風(fēng)險(xiǎn)排序方法研究［J］.安全與環(huán)境學(xué)報(bào)，2016，16（2）：11-15.

［13］周端祺，周志維.基于模糊層次分析法的大壩風(fēng)險(xiǎn)評(píng)價(jià)方法研究［J］.江西水利科技，2019，45（4）：235-240，246.

［14］MCMANAMAY R A，OIGBOKIE C O，KAO S C，et al.Classification of US hydropower dams by their modes of operation［J］.River Research and Applications，2016，32（7）：1450-1468.

［15］ASSAAD R，EL-ADAWAY I H.Evaluation and prediction of the hazard potential level of dam infrastructures using computational artificial intelligence algorithms［J］.Journal of Management in Engineering，2020，36（5）：04020051.

（編輯：胡旭東）

Evaluation and prediction of potential risks of reservoir dam infrastructures based on XGBoost

DING Wei1，JIN Youjie1，2，ZHANG Ri1，YU Rui1

（1.Nanjing Research Institute of Hydrology and Water Conservation Automation of MWR，Nanjing 210012，China； 2.Hydrology and Water Resources Engineering Research Center for Monitoring of MWR，Nanjing 210012，China）

Abstract：

The potential risk evaluation of the reservoir dam infrastructures is an important part of the reservoir dam risk evaluation system.However，the monitoring data of reservoir dam infrastructures is large with many characteristics and easy to lose.As an integrated algorithm based on decision tree，XGBoost algorithm has unique advantages in dealing with feature data with large-scale missing data and mixed type.Therefore，in order to evaluate the potential risk of reservoir dam infrastructures quickly and accurately，this paper proposed a potential risk assessment and prediction method for reservoir dam infrastructures based on XGBoost.Firstly，the reservoir dam monitoring data was preprocessed，and the XGBoost model was trained with the data.Then，the optimal parameters of the model were calculated by GridSearch and Cross-validation.Finally，the model was evaluated according to accuracy indicators such as accuracy and recall rate.The prediction results showed that the accuracy of XGBoost on the test set reached 91.26%，which was 2.12%，5.59%，19.31% and 38.65% higher than the other four conventional machine models （random forest，artificial neural network，nearest neighbor algorithm and support vector machine）.The proposed model can meet the requirements of engineering practice.

Key words： reservoir dam；risk evaluation and prediction；accuracy；recall rate；XGBoost

收稿日期：2022-04-01

基金項(xiàng)目：中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（Y520022，Y520009）

作者簡(jiǎn)介：丁 煒，男，助理工程師，碩士，研究方向?yàn)樗畔⒒皺C(jī)器學(xué)習(xí)。 E-mail：dingwei@nsy.com.cn