37 5 2018 9 GeologicalScienceandTechnologyInformation Vol.37 No.5 Sep. 2018 doi:10.19509/j.cnki.dzkq.2018.0538. [J]. 201837(5):275-280. 1 1 2 2 2 2 (1. 550002;2. ( ) 430074) : (SVR) SVR 3 - (PSO-SVR) BP (BP-NN) RBF (RBF-NN)2 SVR PSO-SVR : ; ; :TU454 :A :1000-7849(2018)05-0275-06 [1] 3 :1 [2] [9] 4 [10] ; ; BP [12] ; RBF 2 [3-5] RMR Q Gholami [13] (UCS) (RQD) (GSI) [6] ;Shen [7] [8] Copula SVM [14] (Q ) V P E m :2017-09-12 : : (2015-K2-008) : (1981 ) E-mail:27100484@qq.com
276 2018 SVM :C C RBF [15-21] SVR (3) C g [15] SVR JRC f(xx i )=exp(-g x-x i 2 )g >0 (3) JRC SVR (PSO) [16] SVM SVR ( [17-19] [20] MSE) PSO SVR [21] SVR 1 RBF RBF SVR C g SVR [22] SVR 3 48 6 1 PSO SVR Fig.1 FlowchartforPSOoptimizedSVRprediction 1.2 [23] 3 PSO-SVR BP-NN RBF-NN PSO-SVR 1 1.1 SVR (1) D Vapnik [14] 1995 SVM : j i : n x i (i)d = x ( j i) y = (αi -α i * )f(xx i )+b (1) x i=12 m (4) i=1 :x j :αiα i * b : 烄 n i=1 (αi -α * i )=0 0 αi 烅 C 0 α * i C 烆 i=12 n (2) : (2) 0.5 j : ξ 1j( Δmin +0.5Δmax i)= (5) Δ1j(i)+0.5Δmax :Δ1j(i) = x 1 (i)-x j (i) ;Δmax = max max j i
5 : 277 x 1 (i)-x j (i) ;Δmin=min min x 1 (i)-x j (i) 48 j i : 6 γ1j = m 1 m ξ 1j( i) (6) ( 1) i=1 0.6 1 ( ) ( ) ( 2) 2 2 0.8 2.1 ( ) Barton [24] Q Q [4] ; 20 /(g cm -3 ) 1 Table1 Rockmechanicsparametersofhydropowerdamsite /% /(m s -1 ) /MPa /GPa /GPa 1 2.65 0.44 4212 69.0 36.1 0.23 17.07 2 2.68 0.28 5030 82.4 47.30 0.21 20.20 3 2.84 0.27 3915 85.1 25.8 0.22 13.32 4 2.60 0.47 4700 132.5 42.2 0.29 21.57 5 2.59 1.63 4577 31.2 38.7 0.25 18.20 6 2.71 0.79 4512 36.1 36.9 0.56 17.63 7 2.68 0.88 3926 25.5 22.5 0.27 9.06 8 2.71 0.23 5905 65.8 66.5 0.28 24.38 9 2.70 0.45 4225 46.1 34.8 0.31 17.07 46 2.64 1.10 4450 43.6 36.5 0.21 17.11 47 2.57 0.29 4718 38.9 41.8 0.22 19.6 48 2.60 0.36 5018 79.9 46.6 0.11 20.27 : : ; ; ; 2 Table2 Greyrelationalgradeofdiferentfactorwithdeformationmodulusofrockmass /(g cm -3 ) /% /(m s -1 ) /MPa /GPa 0.7649 0.7234 0.8377 0.6762 0.6842 0.7675 589 [25] 0.70;
278 2018 2.2 SVR 2.3 3 3 PSO-SVR ( 2) (MSE) (MPE) (R 2 ) 3 ( 4) 4 PSO-SVR 3 RBF SVR (1) 1 BP 2 4 PSO-SVR 315 m 48 PSO-SVR 3 40 8 (2) 2 [26] ( 3) 3 3 28 R 2 0.9 PSO-SVR 20 8 ( ) ( (3) 3 [26] ) PSO-SVR ( ) PSO-SVR 63 53 10 4 MATLAB Table4 Accuracyindicatorsofpredictionmodels RBF R PSO MSE MPE PSO-SVR 0.964 0.215 0.005 C g PSO 1 BP-NN 0.634 12.170 0.098 MSEC [0.1 RBF-NN 0.915 0.642 0.015 100]g [0.011000] PSO-SVR 0.913 0.105 0.005 PSO PSO 2 BP-NN 0.598 12.170 0.098 3 (Cg) RBF-NN 0.790 0.542 0.006 ( 3) 3 RBF-NN 0.949 1.830 0.074 SVR 3 PSO-SVR BP RBF (1) 2 3 3 SVR PSO Table3 ParametersforPSOoptimizedSVR models 1 2 3 C 68.188 13.239 121.874 g 4.496 5.943 1.646 3 PSO-SVR 0.961 1.312 0.068 BP-NN 0.915 5.227-0.105 (2) (PSO) (SVR) C RBF g SVR
第５期 刘 超等 基于支持向量机回归的岩体变形模量预测 ７９ 图 ３ 种预测模型变形模量预测值与实测值对比 Ｆｇ Ｃｍｐｎｂｗｎｍｕｄｎｄｍｄｄｍｎｍｄｕｕｖｕｍｐｎｕｍｂ３ｐｄｃｎｍｄ 图 ３ 训练样本和测试样本的实测值与 ＰＳＯ ＳＶＲ 预测值相关关系图 Ｆｇ ３Ｃｐｃｎｂｗｎｍｕｄｎｄｐｄｃｄｄｍｎｍｄｕｕｍ３ｃｂｙＰＳＯ ＳＶＲｍｄ 较准确地预测岩体变形模量 ３ 何娇 王亮清 杨国俊 基于纵波波速值的岩体质量分级及变形 ３ 通 过 对 比 分 析 可 以 证 明 ＰＳＯ ＳＶＲ 预 测 方 法的预测精 度 较 高 且 预 测 效 果 优 于 ＢＰ 神 经 网 络 黄志鹏 谭新 水电工程岩体变形模量与波速相关性研究 ４ 李维树 和 ＲＢＦ 神经网络 预测效果最好 ５ 王昌硕 梁烨 王亮清 等 基 于 三 维 结 构 面 网 络 模 拟 的 岩 体 变 参考文献 １ 王新峰 梁杏 刘蕴 等 裂隙 岩 体 局 域 离 散 模 型 构 建 及 参 数 敏 感性分析 以 锦 屏 一 级 水 电 站 坝 区 为 例 Ｊ 地 质 科 技 情 报 ０１３ ３ ６ １９５ ００ 董学晟 水工岩石力学Ｍ 北京 中国水利水电出版社 ００４ 模量估算 Ｊ 人民长江 ０１ ４３ 增刊 １４ １６ 及应用 岩石力学与工程学报 Ｊ ０ １ ０ ９ 增刊 １ ７ ７ ７ ３ ３ 形模量确定方法 Ｊ 煤田地质与勘探 ０１６ ４４ ３ ９７ １０ ６ Ｐｎ ｈ Ｓ Ｓ ｎｇｈ Ｐ Ｋ Ｋ ｎ ｈ Ａ Ｃｍｐ ｖ ｕｄｙ ｈ ｄ ｍ ｎ ｍｄｕ ｕ ｃｋｍ Ｊ Ｂｕ ｎ Ｅｎｇ ｎ ｎｇ Ｇ ｇｙ ｈ Ｅｎｖ ｎｍｎ ０１８ ７７ ７５１ ７６０ ７ Ｓｈｎ Ｘ Ｃｈｎ Ｍ Ｌｕ Ｗ Ｕ ｎｇ Ｐ ｗｖ ｍｄｕ ｕ ｍ ｈ ｍ ｃｈｎ ｃ ｍ ｃｋ ｍ Ｊ Ｂｕ ｎ ｐ
280 2018 EngineeringGeology &theenvironment201676(4):1-10. [8]. Copula Q [J]. 201233(8):2366-2372 [J]. 2014 2382. 33(3):507-513. [9]. [J]. 201139(3):82-85. [J]. 201422(6):1034-1038. [10]. [J]. [J]. 201031(2):503-508515. 199446(4):1-7.. BP [J]. 200524(1):144-148. [J]. 201624(1):87-95. [12]. RBF [J]. 200524(1):149-153. [J]. 201546(3):38-41. [13]GholamiMBodaghiA.Arobustapproachthroughcombining optimizedneuralnetworkandoptimizedsupportvectorregres- sionfor modelingdeformation modulusofrock masses[j]. ModelingEarthSystems& Environment20173(1):22. [14]VapnikV N.Thenatureofstatisticallearningtheory[J].IEEE TransactionsonNeuralNetworks20028(6):1564-1564. [15] 200019(2):79-85. [J]. 201738(2):565-573. [17]. [18]. PSO-SVM [19]. SVM [20]. [21]. [22]. EMD PSO-SVM [J]. 201333(5):1298-1306. [23]. [J]. 1985(2):1. acterisationand tunneldesign[j].internationaljournalof Rock Mechanics& MiningSciences200239(2):185-216. [25]. [J]. [26]. PredictionofRockDeformation ModulusBasedon SupportVectorMachineRegression LiuChao 1 TangXibin 1 DengDongmei 2 SunZihao 2 JiangYaofei 2 DengShan 2 (1.GuizhouElectricPowerDesignandResearchInstituteGuiyang550002China; 2.FacultyofEngineeringChinaUniversityofGeosciences(Wuhan)Wuhan430074China) [24]BartonN.Somenew Q-valuecorrelationstoassistin-sitechar- [16]. PSO-SVM [J]. : 201540(11):1904- [J]. 201734(5):68-74. 1912. Abstract:Thedeformation modulusisoneofthe mostimportantparametersforcharacterizationofrock massdeformation.itcanbeobtainedbylaboratoryandfieldexperimentsempiricalrelationmethodnu- mericalsimulationmethodandinteligentnonlinearmethods.inthesemethodstheartificialneuralnet- workmethodisthemostwidelyusedinteligentnonlinearmethodsuchasbackpropagationneuralnet- work (RBF-NN)andradialbasisfunctionneuralnetwork(RBF-NN).Butthestructureofneuralnetwork isdificulttodetermineandthedisadvantageoflocalminimizationandoverlearningleadstolowpredic- tionaccuracy.whilesupportvectormachineregression(svr)methodhasmoreadvantagesinsmalsam- plesandnonlinearpredictionbuttherearefewresearchesinpredictionofrock massmoduluswithsvr methodcurrently.withexperimentaldatafromdaciteofahydropowerstationdamareathispaperselects theoptimalinputvariableusinggreyrelationalanalysis(gra)astheinputvariablesofparticleswarmop- dertorevealitssupremacyofthepso-svr modeloveritscomparisonobjectsi.e.bp-nnrbf-nn modelsin-situtestdataoflongitudinalwavevelocityanddeformation modulusfrom3hydropowersare obtainedtodevelopthecorrespondingpso-svr modelbp-nn modelandrbf-nn model.itturnsout thatthepso-svrpredictionmodelhashigherpredictionaccuracyandismoresuitablefortheprediction ofrockmassdeformation modulus.thesimulationresultsprovedthepresented methodtobeapplicable andtheobtainedresultsconfirmthesuperiorityofthepso-svrin modelingofdeformation modulusof rockmass. timization (PSO)algorithmoptimizedSVR modeltopredictthedeformationmodulusofrockmass.inor- Keywords:rockmassdeformationmodulus;supportvectormachineregression;particleswarmoptimiza- tion;greyrelationalanalysis;longitudinalwavevelocity