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。