资源描述：
《基于遗传优化支持向量机的软岩隧道围岩变形预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、基于遗传优化支持向量机的软岩隧道围岩变形预测熊阳阳(中铁隧道集团勘测设计研究院,广东广州511400)摘要:软岩隧道施工过程中,围岩极易出现大变形和坍min12塌现象,如何有效地对隧道围岩大变形进行预测,已成为w,b‖w‖(1)2保障隧道施工安全的重要手段之一。本文以象山隧道为工约束条件:程背景,采用遗传算法优化支持向量机参数,建立了隧道(W·X)+b-y≤ε,i=1,…,l(2)ii变形的遗传支持向量机模型,对象山隧道围岩的拱顶沉降y-(w·x)-b≤ε,i=1,…,l(3)ii和变形收敛进行了预测。模型预测值与实际测量值的对比为了处理函数y=f(x)在ε精度不能估计的数据
2、,引结果表明,两者之间的误差较小,预测精度较高,所建立∗进松弛变量ξ,ξ和惩罚参数C,公式(1)、(2)和(3)可ii的GA-SVM模型可为隧道施工安全和支护结构的优化提供以分别写为:技术支撑。minl关键词:隧道;围岩变形;遗传算法;支持向量机12∗w,b,ξ‖w‖+c∑(ξ+ξ)(4)2ii中图分类号:U45文献标志码:Ai=1文章编号:1672-4011(2016)12-0100-03约束条件:DOI:10．3969/j．issn．1672-4011．2016．12．047(w·xi)+b-yi≤ε+ξi,i=1,…,l(5)-(w·x∗y)-b≤ε+ξ,i=1,…,l
3、(6)iii0前言∗ξ,ξ≥0,i=1,…,l(7)i随着我国高等级公路工程的快速发展,软岩、高地应为了导出其对偶问题,引入Lagrange函数:l力等复杂地质条件下的长大隧道愈来愈多,而此类隧道施L(w,b,ξ,α,η)=1‖w‖2+∑[C(ξ+ξ∗)-(ηξ2iiii=1工过程中所要面临的主要技术难题之一就是围岩的大变形∗[1-2]+ηξ)]问题。色模型法、专家系统法、神经网络法等方法应il用于围岩变形预测。然而,这些方法多存在不足和缺陷。-∑[α(ε+ξ+y-(w·x)-b)-α∗(ε+ξ∗-yii1iiii建立在统计学习理论的VC维理论和结构风险最小原理i=1+(w·
4、x)+b)](8)基础上的支持向量机(SupportVectorMachine,简称SVM)方i(∗)(∗)其中,α,η是Lagrange乘子向量。法,由于其在小样本、非线性、高维模式识别问题中具有根据KKT条件,问题转化为:独特优势,而且能发现全局最优解,广泛应用于分类和回归分析等。在岩土工程上,已成功应用于边坡和隧道变形minla∗∈R2l[1∑(α∗-α)(α∗-α)(xx)2iijjij预测。i,j=1为了提高围岩变形预测精度,本文选择遗传算法(Ge-ll+ε∑∗+α∗-α+ξ∗(α)-∑y(α)C(ξ)](9)iiiiiiineticAlgoricthm)对支持向量
5、机(SVM)参数进行寻优,建立i=1i=1约束条件:遗传优化支持向量机时间序列模型,并采用此模型对十天l高速公路略阳连接线象山隧道围岩变形进行预测,以期为-α∗∑(α)=0(10)iii=1象山隧道的施工安全和施工工艺的优化提供技术支撑。∗0≤α≤C,i=1,…,l(11)i1支持向量机回归(SVR)原理至此,将原问题变成只含有变量的凸二次规划问题,求解最后可得回归函数为:支持向量机的回归问题可以转化为分类问题解决,本l∗-α文采用的是ε-SVR算法,其原理如下:首先给定已知训y=f(x)=∑(αi1)(x1·x)+b(12)i=1n×Y)′,其中x∈练集T={(x1,y1,
6、…,(xI,yI)}∈(Ri对于非线性回归问题,其原理是引进一个适当的变换xn∈Y=R(i=1,…,l)为系统输出,R为系统输入向量,yi=Ф(x),即通过一个非线性映射Ф(x)将数据x映射到高n据此训练集寻找R上的函数f(x)=w·x+b,用y=f维特征空间(Hilbert空间),然后在此空间进行线性回归。(x)推断出任意输入x所对应的输出值y。这样我们的优化问题变成了公式(10)和(11)条件下的:对于线性回归,在ε精度下,求解线性回归函数,即minl求解下面凸二次规划问题[3-4]:a∗∈R2l[1∑(α∗-α)(α∗-α)K(xx)2iijjiji,j=1ll+ε∑∗
7、+α∗-α(α)-∑y(α)](13)iiiii作者简介:熊阳阳(1989-),男,河南信阳人,硕士,助理工程师,主要i=1i=1从事地下工程设计与技术咨询方面的工作。进而可得:·100·l表2隧道拱顶沉降∗-αy=f(x)=∑(α)K(x·x)+b(14)iiii=1时间监测值时间监测值时间监测值时间监测值时间监测值/d/m/d/m/d/m/d/m/d/m2遗传算法109-0．35317-0．57925-0．75133-0．8852-0．07210-0．38618-0．60126-0．77434-0．
