分析岩石力学性态预测的支持向量机模型及应用.doc

分析岩石力学性态预测的支持向量机模型及应用 1引言 岩石力学性态是指岩石所处物理、化学环境下的强度、变形、动力学特性、渗透性和压缩性等性质它与岩石的成岩过程、地质赋存环境和人工活动等因素密切相关目前岩石力学性态的研究方法主要是现场试验和室内试验现场试验有测量岩体原位变形性能和强度性能的承压板试验和剪切试验、现场三轴压缩试验和岩体渗透性试验等；室内试验有单轴压缩、三轴压缩、单轴拉伸、直接剪切和渗透试验等但是无论是现场试验还是室内试验都存在着一个共同的缺陷：在将试验结果抽象成数学模型时很难把影响岩石力学性态的各种地质因素（如矿物成分、颗粒大小、空隙的分布情况等）作为变量纳入到数学模型中加以分析以致计算结果与实际情况相比有很大的离散性这也是岩石力学发展过程中尚未明确解决的问题之一针对上述情况人工神经网络方法被引入到岩石力学中来预测岩石的力学性态并取得了一定的成果但人工神经网络法是基于大样本的启发式算法推广能力较差当样本容量较小时所得成果不可靠、精度不高；样本过多又易陷入维数灾难、泛化性能不高近年来发展起来的支持向量机很好的弥补了人工神经网络的不足为岩石力学的智能化研究提供了一条新的途径 支持向量机是基于统计学习理论的机器学习工具遵循结构风险最小化原理在小样本情况下具有良好的外推能力主要用于解决模式识别问题和函数拟合问题支持向量机的核函数参数与惩罚因子对预测效果有较大的影响但其理论本身并未给出核函数与惩罚因子的最佳取值方法本文提出利用支持向量回归机来预测岩石力学性态建立符合期望风险最小原则的岩石力学性态预测模型在详细介绍该模型的原理、算法和步骤后将其应用到岩石压缩系数(coefficientofpressibility)的预测研究中查看入侵海洋微小生物快速监测论文 2支持向量机模型及分析 岩石的力学性态包括岩石的强度、变形、渗透性、压缩性等性质本文选取压缩性作为示例来讨论vm模型在岩石力学性态预测中的应用及其可行性岩石的压缩性是指岩石在压力作用下体积缩小的特性压缩性的大小通过压缩系数反映岩石压缩系数的大小除与自身所受到的压力有关外还与岩石自身的裂隙、矿物成分、密度等因素密切相关 2.1压缩系数影响 因素的确定l.caruso等人研究了砂岩中各种空隙及矿物成分等对岩石试件线弹性压缩系数的影响但在形成经验公式时未能将这些因素作为变量纳入到公式中本文考虑将上述因素作为输入变量通过svm来对压缩系数进行预测根据现有资料选定以下因素作为岩石力学性态的影响因素： （1）岩石的矿物成分含量（%）：石英含量、长石含量、碎屑粘土含量、其他成分含量 2.2svm在压缩系数预测中的应用 为了验证svm的可行性本文选取30个试验结果作为模型的学习样本另取7个试验结果作为模型精度的测试样本选取影响压缩系数的6个因素共计11个指标即矿物成分（4个指标）、颗粒尺寸、空隙分布（3个指标）、平均空隙比、密度和施加的压力作为模型的输入变量三个正交方向上的压缩系数（aaabac）依次作为模型的输出即依次建立（rn?aa）（rn?ab）和（rn?ac）3个映射关系其中rn表示模型的输入变量n为变量的维数svm的核函数类型为rbf 利用svm模型对7个测试样本的压缩系数进行了预测其预测结果与实测值的对比为了说明svm模型较传统人工神经网络方法的优越性本文将svm预测结果和人工神经网络结果做了对比结果 通过本例可以看出利用svm模型进行岩石力学性态的预测时具有以下特点： （1）、影响岩石力学性态的各种因素只要有相应的数据都能作为变量输入到svm因素的数量多少不受限制故svm能较全面的考虑岩石力学性态和各影响因素之间的关系 （2）、预测结果离散性较小预测精度较人工神经网络有了大幅度提高从7个测试样本的21个预测结果可以看出相对误差小于10%的样本比例svm为43%人工神经网络为38%相对误差小于30%样本比例svm为91%人工神经网络为86%从图1亦可见对于大部分样本svm的预测结果较ann高 （3）、采用智能学习方法预测岩石的力学性态都需要有一定数量的试验结果作为学习样本而试验结果的获取通常需要大量的人力和物力投入在有限的学习样本情况下基于小样本的svm预测精度是人工神经网络难以企及的 3结论 由于岩石力学性态错综复杂传统的固体力学方法还难以圆满地处理岩石力学问题因此充分利用有限的试验结果通过对试验结果进行学习和分析寻求岩石力学性态与各种影响因素之间的非线性关系非常重要利用支