挖泥船是疏浚工程中重要的设备,其中绞吸式挖泥船由于对土质具有较强适应性、效率较高等优点,因此被广泛应用于航道疏浚、吹填造地等疏浚工程中。现代的绞吸式挖泥船普遍配备先进的设备,自动化程度较高。然而,疏浚作业生产率易受到土质、天气等环境因素以及船速、绞刀深度等人为因素的影响,预测挖泥船生产率变得非常复杂。在绞吸式挖泥船生产率计算方式中,生产率通过泥浆浓度数据和泥浆流量数据计算获得,但是泥浆浓度计所处环境恶劣,无法确保泥浆浓度计始终正常运行,一旦泥浆浓度计发生损坏,则难以获得准确的挖泥船生产率,操作人员无法根据生产率情况来调整疏浚策略。因此如何在泥浆浓度数据缺失、较少考虑船舶机理模型的前提下预测挖泥船生产率成为疏浚作业中的难题。本文运用机器学习算法建立绞吸式挖泥船疏浚作业生产率预测模型。通过分析绞吸式挖泥船疏浚作业过程中采集到的数据,删除不相关的特征、方差为0的特征,综合传统生产率计算中特征之间的数学关系,去除泥浆浓度、流速、密度,使用Spearman相关系数选择最优特征集,再对最优特征集的数据进行数据清洗、L2正则化。将正则化后的最优特征集作为输入,生产率作为输出,分别构建Lasso模型、RF模型、GBDT模型以及XGBoost模型,并比较不同生产率模型的预测效果。结果表明,在泥浆浓度计发生损坏导致缺乏泥浆浓度数据的情况下,使用随机森林模型的拟合度R~2接近0.93,效果优于其他三种模型。同时该方法较少考虑挖泥船的机理模型,对于预测绞吸式挖泥船的生产率具有重要的理论意义和工程价值。