何云松,薛秋池,赵其华

• 1:成都理工大学地质灾害防治与地质环境保护国家重点实验室
• 2:成都理工大学环境与土木工程学院

摘要(Abstract)：

以金沙江某水电站工程实例,应用交叉验证和网格搜索优化支持向量机(SVM)模型建立岩体质量分级模型,选取岩石单轴抗压强度(Rc)、岩石质量指标(RQD)、岩体风化程度、节理组数(Jn)、节理粗糙系数(Jr)、节理蚀变系数(Ja)、地下水状态7个参数作为输入参数构建立分类模型,对坝区复杂的岩体结构进行质量分级。通过与RMR(岩体地质力学分类)和BP神经网络分类法对比,表明:支持向量机具有高非线性映射能力,对岩体分类识别能力极强,具有较好的准确度和稳定性,能够满足实际的工程需要。

关键词(KeyWords)： 支持向量机(SVM);岩体质量分级;BP神经网络

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金(41272333)

作者(Author): 何云松,薛秋池,赵其华

DOI: 10.13928/j.cnki.wrahe.2017.01.025

参考文献(References)：

• [1]丁向东,吴继敏,顾俊.水利工程岩体质量分类方法综述[J].水电能源科学,2006,24(4):44-49,99.
• [2]徐卫亚,郑文棠,石安池.水利工程中的柱状节理岩体分类及质量评价[J].水利学报,2011,42(3):262-270.
• [3]李天斌,王兰生.岩质工程高边坡稳定性及其控制[M].北京:科学出版社,2008.
• [4]黄润秋,胡卸文,陈剑平,等.金沙江溪洛渡水电工程岩体结构模型及其工程应用研究[R].成都:成都理工大学,1997.
• [5]冯夏庭.智能岩石力学导论[M].北京:科学出版社,2000.
• [6]冯夏庭,赵洪波.岩爆预测的支持向量机[J].东北大学学报(自然科学版),2002,23(1):57-59.
• [7]赵洪波,冯夏庭.支持向量机在岩土工程中的应用研究[C]//中国岩石力学与工程学会.第八次全国岩石力学与工程学术大会论文集.北京:科学出版社,2004:433-436.
• [8]赵洪波.岩爆分类的支持向量机方法[J].岩土力学,2005,26(4):642-644.
• [9]冯夏庭,张奇志,林韵梅.矿岩设计参数神经网络预报[C]//中国岩石力学与工程学会.中国岩石力学与工程学会第三次大会论文集.北京:科学出版社,1994:571-576.
• [10]祝云华,刘新荣,周军平.基于V-SVR算法的岩爆预测分析[J].煤炭学报,2008,33(3):277-281.
• [11]王云飞,李长洪,蔡美峰.隧洞岩体质量分级的支持向量机方法[J].北京科技大学学报,2009,31(11):1357-1362.
• [12]丁宇.基于支持向量机的岩爆烈度预测研究[C]//中国岩石力学与工程学会.第3届全国工程安全与防护学术会议论文集.北京:科学出版社,2012:284-289.
• [13]白鹏,张斌.支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社,2008.
• [14]HSU Chihwei,LIN Chihjen.A Comparison of methods for multiclass support vector machine[J].IEEE transactions on neural networks,2002,13(2):415-425.
• [15]LIN C J.Formulations of support vector machin-e:a note from an optimization point of view[J].Neural computation,2001,13(2):307-317.
• [16]王彪,陈剑平,李钟旭,等.人工神经网络在岩体质量分类中的应用[J].世界地质,2004,23(1):64-68.
• [17]赵红亮,陈剑平.人工神经网络在澜沧江某电站坝基右岸复杂岩体分类中的应用[J].煤田地质与勘探,2003,31(1):31-33.
• [18]Satar Mahdevaria,Seyed Rahman Torabi.Prediction of tunnel convergence using artificial neural networks[J].Tunnelling and underground space technology,2012,28(3):218-228.