冲击地压预测的PSO-SVM模型

冲击地压是一种复杂的非线性动力学现象,其发生机制非常复杂,而在监测数据的基础上对其进行分析预测,是冲击地压的一个重要研究方法,但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系,其中采用时间序列进行预测是一个重要的研究方向。针对这一问题,将冲击地压看作一时间序列过程,采用支持向量机建立冲击地压序列之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用微粒群算法对支持向量机参数进行优化选择,从而提出冲击地压预测的PSO-SVM模型,提高支持向量机的推广预测能力,并对一具体算例进行研究分析。研究结果表明,该方法是科学可行的,并具有很好的精度。     

冲击地压危险性预测的最小二乘支持向量机模式识别

冲击地压受到多种复杂因素的影响，对其危险性进行预测可看成非线性、高维数、小样本的多类模式识别问题。利用最近发展的新的机器学习方法——支持向量机，提出了冲击地压危险性预测的最小二乘支持向量机方法，建立了预测模型，很好地表达了冲击地压危险等级与其影响因素之间的非线性关系。算例结果表明，该预测方法是可行的，且可以获得较高的准确度。     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。     

基坑工程变形预报的新方法

本文将进化支持向量机方法应用到基坑工程的变形研究中,提出了基坑变形预报的进化支持向量机方法,该方法用遗传算法来搜索支持向量机的参数和核函数,用支持向量机来表示变形时间序列之间的映射关系,进而对未来的变形进行预报;利用这种非线性预测方法,可以实时预测变形量,对信息化施工具有重要的意义.将该方法应用于某基坑的沉降预测中,得到了满意的结果,利用该结果可以指导施工,并且该方法具有科学可靠、实时性的优点,具有广泛的应用前景.     

混凝土强度预测的两种非线性模型比较研究

混凝土的强度的预测是一个复杂的问题,受多种因素的影响.采用两种先进的非线性算法支持向量机与小波支持向量机,建立 了混凝土强度预测的两种非线性预测方法.研究结果表明:两种方法的预测结果与实测结果吻合较好,小波支持向量机的预测精度较支持向量机精度高,在混凝土的强度预测中具有较好的适应性.     

考虑多因素的深基坑轴力支持向量机时间序列预测研究

为了研究沈阳管廊工程中深基坑钢支撑轴力的变化规律及其与地下水位、天气温度等因素之间的关系,采用最小二乘支持向量机为计算手段,将轴力变化看作一个非线性变形序列并通过向量机建立不同因素与轴力值之间的映射规律,最终依据时间序列,采用改进的单步滚动预测法对未来的轴力变化趋势进行预测。结果表明,该方法可准确描述不同因素之间的非线性关系,适用于沈阳管廊工程的深基坑轴力预测计算。     

高速公路软土路基沉降预测

软土路基沉降量的准确预测对高速公路施工与维护是非常重要的，但是影响路基沉降量的因素众多，并且沉降量之间具有高度复杂的非线性关系，用传统的数学、力学方法很难表示；将最新的机器学习技术一支持向量机应用于软土路基沉降量预测研究，提出了软土路基沉降量预测的支持向量机模型，该模型的应用结果表明，利用支持向量机进行预测是科学可行的，建立的模型很好地表示了沉降量之间的映射关系，并且提出的模型准确性高、推广预测能力强。     

基于混沌时序预测方法的冲击地压预测研究

冲击地压的预测研究通常是通过监测对冲击地压的发生、发展过程比较敏感的指标来进行的，监测指标值的大小和变化规律是进行预测的基础，监测数据在未来一定时期的峰值变化和走势变化规律对于预测过程具有重要意义。首先，通过对互信息和伪邻近点数的计算，确定观测序列的延迟时间和嵌入维数等相空间重构参数；然后，在对观测序列相空间重构的基础上，运用一阶局域近似法和基于最大Lyapunov指数法等混沌预测方法对冲击地压上作面的观测时间序列进行数学建模，并与传统的数理统计预测方法进行对比分析；最后，用实例对冲击危险区域的电磁辐射序列及顶板下沉速度序列等进行预测运算和分析，其结果表明，运用混沌理论的预测方法可达到较高的预测精度。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

基于机器语言的建筑混凝土设计

建筑混凝土的强度受多种因素的影响,其强度的预测是一个多指标综合复杂问题。基于机器算法支持向量机建立了建筑混凝土的强度设计与预测的支持向量机模型,其中模型参数通过粒子群算法进行选择和优化。将建立的模型计算结果与实测混凝土28 d抗压强度进行比较,讨论了各因素与强度值之间的关系。研究表明:预测结果与实测结果一致,可见该模型可以很好的为混凝土设计提供依据。     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

岩体爆破效应预测的一种新方法

 高斯过程是一种最近发展起来新的机器学习技术，对处理非线性复杂问题具有很好的适应性。岩体爆破效应与其影响因素之间是复杂的非线性关系，针对传统方法的局限性，提出一种基于高斯过程的岩体爆破效应预测的新方法，建立相应的岩体爆破效应预测模型，并应用于三峡工程坝区岩体爆破振动速度、爆破损伤深度与损伤半径的预测。通过三峡现场爆破试验数据，建立训练数据集和测试数据集，采用高斯过程方法建立爆破效应与影响因素之间的各影响因素之间的非线性映射关系。研究结果表明，岩体爆破振动速度、爆破损伤深度与损伤半径的预测结果与现场试验结果比较吻合，用高斯过程方法预测岩体爆破效应是科学可行的。与神经网络方法相比，高斯过程方法具有算法参数自适应化的特点，且适用于小样本问题，预测精度高，并易于实现，具有良好的工程应用前景。     

岩爆基于支持向量机预测的智能模型

根据岩爆预测的特性,引入了支持向量机SVM的新方法,研究了支持向量机的基本原理及其在岩爆预测中的模型建立,通过某工程的实际应用证明：支持向量机在岩爆预测中取得了较好的效果。     

基于有限元分析的岩质边坡稳定性 模糊评判方法研究

 随着模糊数学引入到岩质边坡稳定性分析中，已取得多项成果，但评价专家主观意识对评价结果的影响较大、评价因素覆盖面不全，因此评价系统对岩质边坡的针对性不足等问题始终存在。对此，在将岩体质量分级法和卸荷岩体力学理论引入到模糊评价系统的基础上，提出一种基于有限元分析的边坡稳定性模糊评判方法。该方法在增加和修正评判因素的同时，通过有限元模型的计算结果分析，选取适当的参照量，将某些因素影响进行定量化处理，从而确定这些因素的权重比，减少专家评分中主观上造成的偏差。结合实际工程的分析过程显示，该方法实际操作性较强，对岩质边坡的分析更具针对性，能使得较多的影响边坡稳定性因素参与评判。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

当前岩石力学研究中若干关键问题的思考与认识

 本文作者对当前岩石力学发展中的若干关键问题提出了自己的看法和建议。其中首先涉及到高地应力对软弱围岩稳定性和硬质围岩的稳定性问题。第二方面涉及节理裂隙岩体和某些非线性软弱围岩及支护的研究。这其中涉及到复杂岩体的破裂机制和施工过程的影响。第三方面对模型试验方法的作用做了论述,并建议应着重在数值分析效果不佳的问题上采用模型试验。第四方面对于数值分析方法存在的问题作了评述,指出它们分别适用的条件、存在的问题和可能解决的途径。特别指出当前非连续介质分析法不能解算大工程问题的解决思路,还对复杂岩体的本构关系、今后研究的思路提出了建议。最后对其它几个热点和难点问题谈了认识和建议,包括工程岩体稳定性的判据、应发展非确定性方法作为围岩稳定性判据,及用非连续分析法分析节理岩体进行真正裂隙网络固流耦合模型的渗流问题研究等。     

基于粒子群算法优化支持向量机的岩爆预测研究

由于地下工程的复杂性,岩爆的发生受到多种因素的影响,目前尚没有一种可靠的预测方法来对其进行预报,进而有针对性地进行工程灾害的风险控制。笔者提出将应力强度比(σ_θ/σ_c)、脆性系数(σ_c/σ_t)和弹性能量指数(Wet)作为影响岩爆的主要指标,并根据粒子群优化算法的参数选取和收敛速度快的优势及支持向量机的小样本、高维度、非线性的特性,提出了用粒子群优化算法对影响支持向量机分类性能的两个主要参数进行优化,进而获得优化的支持向量机分类器。利用PSO-SVM对在建二广九标茅田界隧道深埋变质砂岩岩爆发生情况进行预测,定量地判断该标段不存在岩爆现象,预测结果与茅田界隧道的实际情况基本相符。     

滑坡的综合集成智能分析与优化设计方法研究

鉴于滑坡是多因素相互影响的高度非线性力学问题，智能、全局优化以及确定性力学分析方法的综合集成是很有吸引力的。总结了关于滑坡的监测、智能预测、分析与优化设计等方面的最新进展，包括综合集成智能分析与优化设计方法学、位移-时间序列建模的进化支持向量机、滑体参数反演的进化支持向量机-有限元方法、加固方案优化设计的演化神经网络-数值方法以及这些方法在高速公路滑坡(如福建八尺门滑坡、襄十滑坡)和三峡库区滑坡的应用研究成果。结果表明，所提出的综合集成智能分析与优化设计方法是科学合理的。最后还讨论了今后一段时间内的研究发展方向。