岩爆基于支持向量机预测的智能模型.docVIP

摘 要：岩爆的发生受多种用因素的影响，这些因素关系错综复杂，引进多类判别的支持向量机SVM来对岩爆发生情况预测，我们用岩石单轴抗压强度、抗拉强度和岩石冲击性倾向指数作为因子来综合反映岩爆发生的情况。 关键词：岩爆 支持向量机 因子 1 研究背景 岩爆是硐室围岩的一种伴有突然释放大量能量的剧烈的脆性破坏，形成条件及影响因素众多。因此岩爆的预测复杂但需要及时，首先根据自己的现场的条件选择适当的影响因子，再次及时对因子进行数据分析、判别来判别硐室围岩是否产生岩爆及产生岩爆的烈度。在岩爆预测模型的建立过程中，我们可以采用多种数学判别手段，支持向量机SVM（Support Vector Machine）新方法的引进，为充分利用这些宝贵的资料提供了行之有效的方法。SVM是基于统计学习理论的VC维理论和结构风险最小化理论，利用核函数的展开定理，将传统思维中的降维改变为升维。在岩爆的预测中也取得了较好的效果。 2 支持向量机的基本原理 支持向量机比较好地实现了有序风险最小化思想(SRM)，如下图的训练样本, 图1 训练样本线性分割 在线性可分的情况下,存在多个超平面(Hyperplane) (如 : H1,H2….)使得这两类被无误差的完全分开。这个超平面被定义为： 其中W·X是内积（ dot product ），b是标量。 Optimal Hyperplane （最优超平面）是指两类的分类空隙最大，即每类距离超平面最近的样本到超平面的距离之和最大。距离这个最优超平面最近的样本被称为支持向量（Support Vector）。 Margin = …..(1) H1平面： H2平面： …..(2) 求解最优超平面就相当于，在(2)的约束条件下,求(1)的最大值 Minimum: Subject to: 在线性不可分的情况下，就是某些训练样本不能满足式(2)的条件，因此可以在条件中增加一个松弛项ζ，约束条件变成 : 此时的目标函数是求下式的最小值: 这个二次优化，同样可以应用Lagrange方法求解 采用如下的内积函数： 判别函数成为： 3 支持向量机在岩爆预测中的模型建立 3.1 岩爆预测中因子的选择 王兰生等人在二郎山公路隧道岩爆研究中提出的判别准则，设 为洞壁现场2次应力场测试的实际洞壁最大切向应力， 为钻取的岩芯的单轴抗压强度（采用点载荷试验强度换算求得），岩爆的强烈程度以 与 的比值作为依据，可将岩爆分为不发生、有岩爆、轻微岩爆和中等岩爆、强烈岩爆与剧烈岩爆6个等级。 陆家佑等人提出的岩爆判别准则，岩爆的发生与否及其强烈大小与岩性有关，例如岩石的抗压强度与抗拉强度、弹性模量与泊松比、节理分布等。通常发生岩爆的岩石时致密的，影响岩爆的源主要岩性是单轴抗压强度和单轴抗拉强度。 基于能量指数的判别准则，由波兰学者Kidybinske于上世纪80年代首先提出，即将岩石试件加卸载，卸载所释放的弹性应变能 与耗损的弹性应变能 之比值，定义为岩爆倾向性指数 ，用于判断和预测岩爆。 基于以上判别准则和其它学者的研究，我们用岩石单轴抗压强度、抗拉强度和岩石冲击性倾向指数综合反映岩爆发生的情况。即 、 和 。 3.2 多类分法分类器构造 支持向量机的基本理论是从二类分类问题提出的，因此从二类分类到多类分类的过渡才是最核心的内容。下面我仅以1-a-r算法为例，解释如何由二类分类器构造多类分类器。 1-a-r算法定义：对于N类问题，构造N个两类分类器，第i个分类器用第i类训练样本作为正的训练样本，将其它类的训练样本作为负的训练样本，此时分类器的判决函数不取符号函数sign，最后的输出是N个两类分类器输出中最大的那一类。 表1 样本输出对应代码 codebook old_codebook 1 -1 -1 1（无岩爆） -1 1 -1 2（轻微岩爆） -1 -1 1 3（中等岩爆） 比较上面的old_codebook与codebook输出，注意到对于第i类，将每i类训练样本做为正的训练样本，其它的训练样本作为负的训练样本，这就是1-a-r算法定义。 3.3 核函数优化参数的自动选取 常用的核函数有：多项式、径向基、Sigmoid型。对于同一组数据选择不同的核函数，基本上都可以得到相近的训练效果。所以核函数的选择应该具有任意性，对训练效果影响最大是相关参数的选择。这里gam是控制对错分样本惩罚的程度的可调参数，sig2是径向基核函数的参数。最佳参数选择目前没有十分好的方法，本程序采用了交叉验证优化参数方法，可这种方法费时较多，但是实现了最优参数的自动选取。我们以predict 中正确率最高的参数组作为以后固定的gam和sig2，这样在以后就可以省略参数选择这个步骤，在程序运行过程中