留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于支持向量机回归的岩体变形模量预测

刘 超 唐锡彬 邓冬梅 孙自豪 姜耀飞 邓 姗

刘 超, 唐锡彬, 邓冬梅, 孙自豪, 姜耀飞, 邓 姗. 基于支持向量机回归的岩体变形模量预测[J]. 地质科技通报, 2018, 37(5): 275-280.
引用本文: 刘 超, 唐锡彬, 邓冬梅, 孙自豪, 姜耀飞, 邓 姗. 基于支持向量机回归的岩体变形模量预测[J]. 地质科技通报, 2018, 37(5): 275-280.
Tang Xibin, Deng Dongmei, Sun Zihao, Jiang Yaofei, . Prediction of Rock Deformation Modulus Based on Support Vector Machine Regression[J]. Bulletin of Geological Science and Technology, 2018, 37(5): 275-280.
Citation: Tang Xibin, Deng Dongmei, Sun Zihao, Jiang Yaofei, . Prediction of Rock Deformation Modulus Based on Support Vector Machine Regression[J]. Bulletin of Geological Science and Technology, 2018, 37(5): 275-280.

基于支持向量机回归的岩体变形模量预测

Prediction of Rock Deformation Modulus Based on Support Vector Machine Regression

  • 摘要: 岩体变形模量是表征岩体变形特性的最重要参数之一,其获取手段有室内试验与现场试验法、经 验 关 系 法、数 值 模 拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法,但神经网络易陷入局部极小值和过学习而导致低精度,支持向量机回归(SVR)方法能有效地避免神经网络的以上缺陷,并在小样本、非线性预测方面具有较大优势,但目前 SVR 应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托,采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上,以3个国内的水电站为例,分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化-支持向量机回归(PSO-SVR)变形模量预测模型,同时,通过与 BP神经网络(BP-NN)、RBF神经网络(RBF-NN)2种预测方法进行对比,对比分析表明SVR模型具有更高的预测精度,预测效果较好,说明 PSO-SVR方法更适用于岩体变形模量预测。

     

  • 加载中
计量
  • 文章访问数:  1328
  • PDF下载量:  976
  • 被引次数: 0
出版历程
  • 刊出日期:  2018-09-30

目录

    /

    返回文章
    返回