基于支持向量机的岩质边坡滑移变形智能预测模型研究

In order to ensure the safety and normal operation of mining area, it must monitor the deformation of rock slope, analyze the monitoring data quality and rules of deformation and use effective prediction model, but the current predictive models are defective. Support Vector Machines is a kind of machine learning method based on statistical learning theory, it shows the special advantages of solve the small sample, nonlinear and high dimensional pattern recognition. According to the characteristics of rock slope slip deformation, using the gene expression to process and analyze the massive deformation monitoring data, digging out the factors influencing deformation, spatial clustering of deformation strength which reflects the overall space deformation relationship of the measurement points. The objective function is established by the calculated value and the original observation value of finite element numerical based on rock slope displacement and study the problem of optimization of rock slope and rock physical and mechanical parameters, determine the rock slope slip deformation monitoring indexes, study on sequential minimal optimization algorithm, the improved SVM algorithm to increase the prediction accuracy and generalization ability of SVM, establishment of intelligent prediction model of rock slope slip deformation, design and develop rock slope slip deformation intelligent prediction system based on SVM in order to perfect the theory and application of the mine slope slip deformation prediction, offer the decision basis for deformation prediction of deformable body such as dams, buildings and bridges.

为了保证矿区的安全正常运营，必须对岩质边坡变形体进行监测，分析监测数据质量及变形内在规律，研究有效预测模型，但目前的预测模型有缺陷，而支持向量机（SVM）是一种基于统计学习理论的一种机器学习方法，它在解决小样本、非线性及高维模式识别中表现出特有优势。根据岩质边坡滑移变形的特点，利用基因表达式对变形监测数据进行预处理与分析，挖掘出变形影响因素，并进行变形强度的空间聚类，从而体现多测点的整体空间变形关系；基于岩质边坡位移有限元数值计算值和原始观测值所建立的目标函数，研究岩质边坡及岩基物理力学参数优化反演问题，确定岩质边坡滑移变形监控指标；研究序列最小优化算法，改进SVM算法，提高SVM的预测精度和泛化能力；建立岩质边坡滑移变形智能预测模型，设计与开发基于SVM的岩质边坡滑移变形智能预测原型系统，从而完善矿区边坡变形预测的理论与应用体系，为大坝、建筑物、桥梁等变形体的变形预测提供科学决策依据。

为了保证矿区的安全正常运营，必须对岩质边坡变形体进行监测，分析监测数据质量及变形内在规律，研究有效预测模型，但目前的预测模型有缺陷，而支持向量机（SVM）是一种基于统计学习理论的一种机器学习方法，它在解决小样本、非线性及高维模式识别中表现出特有优势。根据岩质边坡滑移变形的特点，本课题一是研究了岩质边坡滑移变形监测原始数据获取与预处理方法，包括奇异值检验、监测数据的插补、小波去噪、数据标准化等，以此获得符合要求的观测数据；二是分析了岩质边坡滑移变形的内外影响因素，并确定了岩质边坡滑移变形主要影响因素；三是研究了支持向量机核函数的构造与模型，并采用遗传算法、粒子群算法等优化支持向量机参数；四是针对SVM本身的特点提出了许多改进算法，以提高支持向量机的预测精度和泛化能力；五是开展了基于SVM的变形预测模型研究，并建立了岩质边坡滑移变形预测模型；六是基于提出的岩质边坡滑移变形预测理论和方法，开发与实现原型系统，验证提出方法的可靠性和适应性，从而完善了矿区边坡变形预测的理论与应用体系，为大坝、建筑物、桥梁等变形体的变形预测提供科学决策依据。.课题完成了项目申报书的所有研究内容，研究成果超额完成了预期目标，课题研究成果先后发表了35篇学术论文，其中28篇在核心以上刊物上发表，13篇论文被三大检索收录；获批发明专利6项；获批计算机软件著作权6个；待出版专著1本；培养了12名硕士研究生。