基于支持向量机回归爆破振动速度预测分析

运用支持向量机回归(SVMR)预测理论,对爆破振动质点振动速度进行预测,并与实测数据进行对比分析。通过与RBF神经网络、传统预测方法进行对比分析,运用支持向量机回归理论预测方法能较好地预测爆破振动速度,对研究爆破振动特征及灾害控制具有一定意义。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型.考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化.以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比.研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度.     

基于KS-GS-SVR的峰值爆破振速预测

为了保证爆破作业时周围建筑物的稳定，需要提高对峰值爆破振动速度预测的准确性。运用Kennard-Stone算法优化训练样本，采用网络搜索算法获得支持向量回归机的最优惩罚系数和核函数参数，构建KS-GS-SVR的峰值爆破振速预测模型。结合湖北铜录山现场露天台阶爆破的振速实测数据，选取影响爆破振动速度的8个主要因素作为模型的输入变量，运用KS-GS-SVR模型进行峰值振速预测，并将KS-GS-SVR模型预测结果分别与GS-SVR、KS-GA-BP、KS-萨氏公式模型预测结果对比分析。结果表明，相比于GS-SVR的预测结果，KS-GS-SVR模型预测结果的平均相对误差降低了4.31%,说明Kennard-Stone算法通过优化训练样本提高了预测精度。KS-GS-SVR模型预测结果的平均相对误差为12.17%,明显低于其他模型，说明KS-GS-SVR模型学习和泛化能力更强，预测精度更高。所构建的预测模型可供类似工程爆破振速峰值预测借鉴。     

基于ACOR-LSSVM算法的爆破振动速度预测

由于工程地质条件复杂,传统的方法很难准确预测爆破振动速度。引入连续域蚁群算法(ACOR),对最小二乘支持向量机(LS-SVM)进行参数优化,构建连续域蚁群最小二乘法爆破振动速度预测模型(ACOR-LSSVM)来提高预测精度。结合白鹤滩水电站左岸坝肩槽开挖过程中的40组爆破监测数据,分别采用ACOR-LSSVM、LS-SVM模型与萨氏公式进行爆破振动速度预测,三者的平均绝对相对误差分别为3.16%、10.07%、22.96%。相比之下,ACOR-LSSVM模型预测精度更高,泛化能力更强,在爆破振动速度预测中具有一定的理论意义和工程应用价值。     

爆破振动特征参量的粗糙集模糊神经网络预测

摘 要 爆破振动特征参量对爆破振动危害效应有重要影响。首次用粗糙集模糊神经网络方法对振幅、主频率及主频持续时间进行预测。首先介绍了粗糙集模糊神经网络的基本思想,其次,分析了印象爆破振动特征参量的主要因素,建立了基于粗糙集模糊神经网络的爆破振动特征参量预测模型;最后用某边坡开挖爆破中的振动观测指标对模型进行了训练,并对15组指标进行了测试。结果表明：粗糙集模糊神经网络预测模型能反映了影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。一次预测1个指标的精度高于同时预测3个指标的精度。     

基于EEMD和SVR的单自由度结构状态趋势预测

为了解决结构早期损伤难以正确识别的问题,本文结合聚类经验模式分解（EEMD）解决随机不确定性问题和支持向量机（SVM）解决预测问题这两者的优势,提出了一种基于EEMD特征提取的支持向量机回归（SVR）结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD,再进行希尔伯特变换（HT）,计算瞬时频率,然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明：对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。     

冷壁面霜层生长的支持向量机模型

针对结霜过程因具有明显的非线性特征,采用传统方法难以精确预测的问题。建立了基于支持向量机的冷壁面霜成生长的预测模型,应用实验数据对模型进行验证、评估,并与基于最小二乘法的非线性多元回归模型进行了对比、分析。结果表明,基于支持向量机的预测模型能够很好的解决非线性预测问题。在已建立的预测模型基础上,以霜层生长过程中传热率预测为例,分别在测试集中的自变量与因变量加入不同噪声信号对模型预测性能影响进行了研究。结果表明,基于支持向量机的模型具有良好的抗干扰能力。     

地下洞室梯段爆破振动效应分析

基于大型地下洞室开挖中,采用装药量较大的梯段爆破,本文探索了爆破振动传播规律及其引起的爆破振动效应;依据回归结果对爆破允许药量进行了核算,对峰值振速进行了预报,并对振动衰减规律进行了分析;引入数理统计中的置信概率,对回归分析的数据进行了可靠度的讨论,并对质点振动的主频分布进行了分析。