基于支持向量机的围岩定性智能分级研究.pdfVIP

JournalofEngineeringGeology 工程地质学报 1004—9665／2011／19(1)一00880·5 基于支持 向量机 的围岩定性智能分级研究木 牛文林① 李天斌① 熊国斌② 张广洋② (①成都理工大学地质灾害防治与地质环境保护国家重点实验室 成都 610059) (②~t)ll雅西高速公路有限责任公司 成都 610000) 摘 要 本文将数据挖掘的新方法支持向量机应用于隧道围岩分级。支持向量机是一种基于统计学习理论的新的学习算 法，比神经网络算法能更好地解决小样本 问题。选用岩层厚度、岩体结构 、嵌台程度、风化程度、地下水特征、节理发育程度、榔 头敲击声和地应力等8个定性指标作为评判因子，用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行训 练，并得到评判因子与围岩级别的映射关系，从而可以对未知的围岩样本进行级别判别。判别结果表明：采用多项式核的支 持向量机对围岩级别进行判别有较高的准确率，是一种值得推广和应用的围岩智能分级方法。 关键词 围岩分级 支持向量机 隧道 中图分类号：TU452 文献标识码 ：A SUPPoRT VECToR ⅣA【CHINES BASED INTELLIGENT RoCK MASS CLASSIFICATIoN M ETHoD NIU Wenlin① LITianbin① XIONG Guobin② ZHANG Guangyang~ (~()StateKeyLaboratoryofGeo—hazardPreve~ionandGeo—environmentProtectionofChengduUniversityofTechnology，Chengdu 610059) ((~SichuanYaxiExpresswayCo．Ltd．，Chengdu 610000) Abstract AnewdataminingmethodofSupportVectorMachines(SVM)isappliedontheclassificationofrock massintunnels．SVM isanovelpowerfulleaningmethodthatbasedonStatisticalLearningTheory．SVM can solve small—samplelearningproblemsbetterthan neuralnetwork．Parametersincludingrock layerthickness，rockmass structure，inlaycondition，weatheringcondition，groundwatercharacteristic，jointcondition，hammerknockingsound andgroundstress，arechoseasthejudgefactors．DatasamplesfromNibaMountaintunnelareusedtotraintheSVM withdifferentkernels．Themappingrelationshipbetweenjudgefactorsandrockmassclassesisused．TheSVMcall discriminateandprovideclass—unknowndatasamplesofrockmass．ResultoftheclassificationshowsthatSVM with polynomiM kernelhasahighaccuracywhenitisusedtoclassifytherockmass．Sothisisanintelligentclassification ofrockmassmethodthatcanbeappliedtoclassifyrockmassintunnels． Keywords Rockmassclassification，Suppo~ vectormachines，Tunnel 收稿 日期：2010—03一Ol；收到修改稿 日期：2010—07～07． 基金项 目：国家 自然科学基金项 目和四川省青年科技基金项 目(09ZQ026—083) 第一作者简介 ：牛文林 ，主要从事地质 I程科研及设计工作 Email：nwlin@163．coin 19(1) 牛文林等：基于支持向量机的围岩定性智能分级研究 89 1 引 言 在隧道施工过程中需要对