為了更好地預測巖土工程中的巖爆烈度,建立了基于多類型核函數(shù)的主成分分析方法與遺傳算法或粒子群優(yōu)化算法（GA/PSO）優(yōu)化的支持向量機（SVM）相結合的組合預測模型。選取圍巖最大切向應力σ_θ、巖石單軸抗拉強度σ_t、巖石單軸抗壓強度σ_c、應力集中系數(shù)SCF、脆性指數(shù)B₁和B₂以及彈性應變能指數(shù)Wet共7個指標構成巖爆預測指標體系。基于統(tǒng)計的246個國內外巖爆實例數(shù)據(jù),分別運用主成分分析和基于線性核函數(shù)、RBF核函數(shù)以及MLP核函數(shù)的主成分分析對數(shù)據(jù)進行預處理,得到2～4個線性無關的主成分。再將降維后的數(shù)據(jù)輸入GA/PSO優(yōu)化的SVM模型進行訓練和預測。經(jīng)測試,基于RBF核函數(shù)的主成分分析方法與PSO-SVM相結合的模型預測準確率達到了92.3%,為最佳組合模型,為巖土工程中的巖爆烈度預測提供了一種可靠的方法。 

【文章來源】：黃金科學技術. 2020,28(04)CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

巖爆烈度組合預測模型運行流程圖

使用標準化處理后的246組巖爆數(shù)據(jù)作主成分分析以及基于3種不同核函數(shù)（KPCA1、KPCA2和KPCA3分別代表線性核、RBF核和MLP核）的主成分分析，按照前文所述步驟，通過MATLAB R2019a實現(xiàn)計算。RBF核和MLP核中最優(yōu)核參數(shù)選擇第一主成分貢獻率大時的參數(shù)。以高斯核為例，圖3為核參數(shù)對第一主成分貢獻率的影響關系圖，可以得到當σ>890時，高斯核主成分分析的第一主成分的貢獻率增量很小，穩(wěn)定在約0.586。故選取σ=890作為最優(yōu)核參數(shù)。當核參數(shù)最佳時得到核主成分分析中各主成分累積貢獻率隨特征向量變化關系如圖4所示。根據(jù)核主成分分析方法實際應用經(jīng)驗，一般選取累積貢獻率為85%～95%的核主成分，且原始特征向量的主要信息集中在貢獻率較大的核主成分。根據(jù)累積貢獻率選取4種方法的主成分個數(shù)，結果如表4所示。然后對巖爆樣本數(shù)據(jù)進行非線性特征提取，計算主成分荷載和主成分得分，圖5為最終降維的可視化結果。

累積貢獻率對比

【參考文獻】：
期刊論文
[1]基于PCA-PNN原理的巖爆烈度分級預測方法[J]. 吳順川,張晨曦,成子橋.  煤炭學報. 2019(09)
[2]巖爆等級預測的PCA-OPF模型[J]. 趙國彥,劉雷磊,王劍波,劉煥新,趙杰,范壯.  礦冶工程. 2019(04)
[3]深部硬巖礦山巖爆的動靜組合加載力學機制與動力判據(jù)[J]. 李夕兵,宮鳳強,王少鋒,李地元,陶明,周健,黃麟淇,馬春德,杜坤,馮帆.  巖石力學與工程學報. 2019(04)
[4]基于粒子群算法的支持向量機的參數(shù)優(yōu)化[J]. 陳晉音,熊暉,鄭海斌.  計算機科學. 2018(06)
[5]基于模型可靠性檢查的QGA-SVM巖爆傾向性分類研究[J]. 邱道宏,李術才,張樂文,蘇茂鑫,謝富東.  應用基礎與工程科學學報. 2015(05)
[6]基于粒子群算法和廣義回歸神經(jīng)網(wǎng)絡的巖爆預測[J]. 賈義鵬,呂慶,尚岳全.  巖石力學與工程學報. 2013(02)
[7]基于蟻群聚類算法的巖爆預測研究[J]. 高瑋.  巖土工程學報. 2010(06)
[8]巖爆發(fā)生和烈度分級預測的距離判別方法及應用[J]. 宮鳳強,李夕兵.  巖石力學與工程學報. 2007(05)
[9]巖爆分類的支持向量機方法[J]. 趙洪波.  巖土力學. 2005(04)
[10]巖爆危險性預測的神經(jīng)網(wǎng)絡模型及應用研究[J]. 白明洲,王連俊,許兆義.  中國安全科學學報. 2002(04)



本文編號：3392132