PCA-GWO-SVR机器学习用于边坡爆破振动速度峰值预测研究.pdfVIP

第37卷第8期振动工程学报Vol.37No.8

2024年8月JournalofVibrationEngineeringAug.2024

--

PCAGWOSVR机器学习用于边坡爆破振动

速度峰值预测研究

范勇1，2，胡名东1，2，杨广栋1，2，崔先泽1，2，高启栋1，3

（1.三峡大学湖北省水电工程施工与管理重点实验室，湖北宜昌443002；

2.三峡大学水利与环境学院，湖北宜昌443002；3.长安大学公路学院，陕西西安710064）

摘要:针对复杂场地环境下传统经验公式预测精度不高的问题，提出了一种主成分分析（PCA）特征选取下基于灰

狼优化支持向量回归机算法（PCA‑GWO‑SVR）的爆破振动速度峰值预测模型。以白鹤滩水电站右岸坝肩槽爆破

开挖监测数据为依据，选取爆心距、单响药量、高程差、纵波波速、炮孔间距、炮孔排距作为输入参数，通过PCA的数

据降维对特征值进行选取，将选取的6种特征降维后化为4种相关性更高的特征；使用灰狼优化算法（GWO）改进支

持向量回归机（SVR）以获取最优参数；将参数输入到SVR模型中进行计算评估。研究结果表明：PCA‑GWO‑SVR

算法对比萨道夫斯基公式，改进的萨道夫斯基公式，SVR，PCA‑SVR和GWO‑SVR的预测值和实测值的吻合效果

更好，预测结果的准确度更高，更能有效地预测边坡爆破振动峰值，为边坡爆破施工安全控制提供帮助。

关键词:爆破振动；主成分分析；灰狼优化算法；支持向量回归机

中图分类号:TV542文献标志码:A文章编号:1004-4523（2024）08-1431-11

DOI：10.16385/j.cnki.issn.1004-4523.2024.08.017

矿山爆破振动实测数据进行预测，验证了模型的可

引言行性、稳定性。史秀志等［7］基于基因表达式编程

（GEP）实现了爆破振动速度峰值预测。Dindarloo［8］

中国西南地区大型水利水电工程通常布置于深采用SVM对露天矿场PPV进行了预测，选取了12

切河谷，均涉及大规模、高强度的高陡边坡开挖。爆个输入变量，证明了该算法的适用性。陈秋松等［9］

破作为边坡开挖的主要手段，其诱发的振动必然会采用灰色关联度理论（GRA）改进了GEP算法，使

导致岩体的损伤，严重影响边坡的安全与稳定。因PPV预测误差得到了降低。卢二伟等［10］运用最小

此，准确预测爆破振动速度峰值（PPV）对保障大型二乘支持向量机（LSSVM）理论对小样本PPV数据

水电工程边坡开挖安全稳定有重要意义。进行了预测，取得了良好效果。Faradonbeh等［11］利

目前国内外学者普遍使用的PPV预测公式有：用布谷鸟算法（CS）优化了GEP算法，实现了铁矿

萨道夫斯基公式、考虑高程效应的改进萨道夫斯基爆破振动峰值准确预测。Mokfi［12］采用数据处理群

公式［1］、美国矿务局公式和印度标准局公式等。这（GMDH）方法对马来西亚槟城采石场爆破振动进

些经验公式仅仅考虑了最大单响药量、爆心距和高行了预测，并验证了其可行性。Xu［13］将主成分分析

程差对爆破振动峰值的影响，其他如场地介质和爆方法（PCA）和支持