露天煤矿边坡稳定性预测的PSO—LSSVM模型-论文.pdf

《露天煤矿边坡稳定性预测的PSO—LSSVM模型-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第66卷第1期有色金属(矿山部分)2014年1月doi：10．3969I／J．issn．1671—4172．2014．01．014露天煤矿边坡稳定性预测的PSO—LSSVM模型温廷新，张波(辽宁工程技术大学系统工程研究所，辽宁葫芦岛125105)摘要：针对边坡工程稳定性预测的复杂性，将粒子群算法和最小二乘支持向量机结合，使用粒子群优化算法寻找最小二乘支持向量机的最优参数，选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素，建立PSO-LSSVM的边坡稳定性预测模型。利用矿山

2、实测3o组边坡稳定性数据进行学习训练，另用12组数据进行测试，同时与LSSVM测试数据进行比较，验证了PSO—ISSVM模型在矿山边坡稳定性预测中有较高的准确度。关键词：粒子群算法；最小二乘支持向量机；边坡稳定性中图分类号：TD824．71文献标志码：A文章编号：1671—4172(2014)01—0051—06PS0．LSSVMm0delforslopestabilitypredictionofopenpitcoalmineWENTingxin。ZHANGBo(SystemEngineeringInstitute，Liaoni

3、ngTechnicalUniversity，HuludaoLiaoning125105，China)Abstract：Aimedatthecomplexityofcoalmineslopeengineeringstabilityprediction，theparticleswarmopti—mizationalgorithmandLeastSquaresSupportVectorMachine(LSSVM)arecombined，andtheparticleswarmop—timizationalgorithmisusedtof

4、indtheoptimalparametersofLSSVM．Sevenfactorsarechosenastheinfluencesofslopestability，includingrockdensity，cohesiveforce，internalfrictionangle，slopeangle，slopeheight，porewaterpressureandvibrationcoefficient．ThePSO-LSSVMmodelisestablishedforthepredictionofmineslopestabi

5、lity．30groupsrealmineslopestabilitydataareusedfortraining，andother12groupsareusedfortesting．Inthemean—time，theyarecomparedwiththeLSSVMtestdata．TheresultshowsthatthePSO—LSSVMmodelhasahighaccu—racyinmineslopestabilityprediction．Keywords：PSO；LeastSquaresSupportVectorMac

6、hine(LSSVM)；slopestability随着社会经济又好又快的发展，边坡工程的种稳定性是煤矿工程效益分析的重点，关系着工程建类越来越多，边坡的高度也越来越高。边坡破坏失设的成败，是矿山工程安全的根本保障]。因此，露去稳定性不仅会造成经济损失，甚至危及到边坡周天煤矿边坡稳定性预测分析是当前一直被关注的研边人民的生命财产安全。例如，意大利北部瓦依昂究领域，构建有效的边坡预测分析模型对煤矿边坡水库1963年10月9日发生的灾难性顺层滑坡，滑实现有效预测具有重大意义。坡体积达2亿4千万in。，造成大约2600人丧生，损目前，

7、在边坡稳定性预测分析中主要有确定性失巨大。而在各类边坡工程中，露天煤矿边坡工程和非确定性两种方法。确定性方法主要有极限平衡的边坡高度几乎都超过百米，甚至高达几百米。边分析法[4]、数值方法l5等，此类方法在对边坡稳定性坡不稳定，即使一个小小的滑落都可能导致边坡失进行分析时，将影响因素进行了大量简化，导致理论稳，可以严重阻碍煤矿开采工作，造成直接或间接的结果与实际相差甚远。在非确定性方法中出现一些经济损失。边坡失稳造成的滑坡现象已变成同地震智能算法，如程纬华[6等将BP神经网络运用于露和火山并列的全球性三大地质灾害之一[1]。边坡

8、天矿边坡稳定性预测中。但是人工神经网络为了保证预测的准确率，需要大量测试数据。而且BP神基金项目：辽宁省教育厅创新团队基金(LT2010048)；山东省自然经网络的学习是基于梯度下降的，算法存在过学习、科学基金(zR2O1OFLO12)易陷入局部最小值点等缺陷，