隧道围岩变形预测的最小二乘支持向量机方法.pdfVIP

隧道围岩变形预测的最小二乘支持向量机方法 李晓龙 ，王复明 ，李晓楠 (1．郑州大学 交通运输工程系，郑州 450002；2．中原工学院 计算机学院，郑州 450007) 摘要 ：为及时掌握围岩变形趋势并采取措施加以控制，在岭南高速雪家庄隧道施工过程 中，采用一种新 的时间序列预测模型——最小二乘支持向量机(LS．svM)。介绍了LS．SVM的基本原理和该预测模型的 具体操作步骤 ，实践表明，该方法不仅应用简便 ，而且对 围岩变形预测精度较高，能够满足实际工程的需 要 。 关键词 ：隧道 收敛 最小二乘支持向量机 变形预测 中图分类号 ：U456．3 l 文献标识码：B 随着新奥法的逐步推广 ，目前 已经成为我国山岭 好地克服了神经网络存在的依赖于大样本 、过拟合、易 隧道普遍采用的施工方法…。新奥法基本原则之一是 陷入局部极小 的缺点 ，因此很快被应用于路基沉降、 “勤量测”，目的是通过现场变形监测及时掌握 隧道施 隧道围岩及基坑变形等时间序列 的预测 。 工过程 中围岩动态变化情况和支护结构的工作状态 ， 目前基于支持向量机的时间序列预测方法普遍采 进而根据监测结果修改设计并指导施工。如何充分利 用标准型支持向量机 ，由于需要求解 一个二次规划问 用有限的量测信息挖掘出围岩变形规律，并对未来变 题 ，计算非常复杂 ，要求应用人员具备相当的数学基 化趋势做出合理估计 ，是实现新奥法监测 目的的关键。 础，很不利于推广。为简化支持 向量机求解过程，便于 由于岩体的不确定性使得这一工作 的实施较为困难 ， 工程应用 ，本文在岭南高速雪家庄隧道施工过程 中引 支持 向量机 (Suppo~VectorMachine，SVM)的出现为解 入一种新的围岩变形预测模型——最小二乘支持向量 决这一问题提供了较理想途径 ，它建立在结构风险 (LeastSquareSuppo~VectorMachine，LS—SVM) 。实 践证明，它不仅计算简便 ，而且具有较高的预测精度 ， 最小化基础上 ，具有强大的非线性映射和推广能力 ，较 能够满足工程需要。 收稿 日期 ：2008．07—08；修 回日期 ：2008—11-10 1 最小二乘支持 向量机 回归原理 基金项 目：国家青年杰 出基金项 目资助(编号0321000800)。 作者简介 ：李晓龙 (1977一 )，男 ，河南淅川人 ，博士研究生。 对于给定的 1个训练样本 { ，Y}(i=1，…，1)， ∈R(实数集合)为输入变量值 ，Yi∈R为相应输 出值 ， 就是用 SI．SVM对量测到 的围岩变形样本进行 回归 ， IS—SVM利用高维特征空间中的线性函数： 充分发挥支持向量机强大的学习功能和非线性映射能 厂()=W · ()+b (1) 力 ，建立围岩变形与时间的对应关系 ，进而利用此对应 式中 W∈R 为权 向量 ；b∈R为偏置 。 关系预测未来变形趋势。 以式 (1)来拟合样本集 ，其 中非线性 映射 ()把 2．1 基于滚动时窗的样本选取方式 样本集从输入空间映射到特征空间，以便使输入空间 为了构建 KS．SVM预测模型，首先需要选取训练 中的非线性函数拟合问题转化成高维特征空间中的线 样本 ，样本个数的确定非常重要。受不均匀性和施工 性拟合问题。 因素的影响，岩体变形具有强烈非线性 ，随着时间推 根据结构风险最小化原理 ，综合考虑 函数复杂度 移 ，岩体状态处于不断变化之中，不同时刻的变形反映 和拟合误差，回归式 (1)可 以表示为约束优化问题 ： 了不同时期岩体特征 ，如果