基于多分类支持向量机的隧道挤压大变形预测.pdfVIP

第44卷第8期山西建筑Vol.44No.8

•162•2018年3月SHANXIARCHITECTUREMar.2018

文章编号：1009-6825(2018)08-0162-02

基于多分类支持向量机的隧道挤压大变形预测

孙场冯现大杨令强

(济南大学，山东济南250022)

摘要:介绍了隧道挤压大变形的危害，提出了一种基于四个参数即直径(•〇)，埋深(//),支护刚度(幻和岩石隧道开挖质量指数

(㈧的多分类支持向量机(SVM)方法，对隧道挤压大变形的预测进行了研究，解决了隧道变形多分类预测问题，提高了预测精度。

关键词：多分类支持向量机，隧道，交叉验证

中图分类号:U455文献标识码:A

1概述分类SVM，即将每类样本与其他类别的样本分别构成二分类问

题，共构造-1)/2个二分类SVM。测试样本通过所有的二分

隧道开挖引起的应力重分布会导致隧道产生较大的塑性变

类SVM进行分类，然后对所有类别进行投票，得票最多的类别

形，这种现象称为隧道挤压大变形[1]。隧道挤压变形通常发生在

受高地应力的软弱岩体（如页岩，片岩）中，是地下岩土体工程的(最占优势的类别）即为测试样本所属的类别。在“一对多”的方

法中，由K个二分类SVM组成，第i(i=1,2,…个二分类SVM

主要地质灾害之一[2]。它可能造成TBM盾构卡机、预算超支、施

将第（类训练样本的类别标记为+1，而将其余所有训练样本的类

工延误等危害，甚至可能导致隧道不稳定从而发生坍塌，造成人

别标签标记为-1。测试样本经过所有二分类SVM进行分类，然

员伤亡。因此,在隧道的施工和设计过程中，准确预测和识别隧

后根据预测得到的类别标号判断是否属于第（（（=1，2,…，K)个

道的挤压变形是非常重要的。

近年来，人们基于人工智能方法，如人工神经网络（ANN)和类别。

支持向量机(SVM)等来预测隧道挤压变形[3_7]，因为ANN和SVM

不需要事先确定一个特定的方程形式，并且具有灵活的非线性建

模能力[8]。但是，所建立的SVM模型仅能进行二分类预测，即仅

能预测隧道是否发生挤压大变形，而无法预测隧道挤压大变形的

严重程度，因此，本文提出了一种基于直径(A)，埋深(H)，支护刚

度(K)和岩石质量指数（(?）四个参数的多分类SVM分类器来预

测隧道挤压大变形的严重程度。直径/m支护刚度/MPa

a)