基于PSO-SVM非线性时序模型的隧洞围岩变形预报

›› 2007, Vol. 28 ›› Issue (6): 1176-1180.

基于PSO-SVM非线性时序模型的隧洞围岩变形预报

姜谙男

大连海事大学交通工程与物流学院道桥所，大连 116026

收稿日期:2005-07-07 出版日期:2007-06-11 发布日期:2013-09-13
作者简介:姜谙男，男，1971年生，博士，副教授，主要从事地下工程稳定性分析、施工控制、灾害防治等研究与教学工作。
基金资助:
国家自然科学基金（No. 50508007）

Forecasting nonlinear time series of surrounding rock deformations of underground cavern based on PSO-SVM

JIANG An-nan

College of Traffic and Logistics, Dalian Maritime University, Dalian 116026, China

Received:2005-07-07 Online:2007-06-11 Published:2013-09-13

摘要/Abstract

摘要： 现场量测获得的围岩变形信息，从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题，提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法，用粒子群算法优化最小二乘支持向量机的参数，避免了人为选择参数的盲目性，提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法，基于监测数据滚动预测围岩变形，可以及时优化和调整施工步序，保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测，获得了令人满意的预测效果。

关键词: 围岩变形, 时间序列预测, 粒子群优化算法, 支持向量机

Abstract: The in-situ monitoring data of the surrounding rock displacements reflect the changing of mechanical situation of surrounding rock-supporting system. To overcome the excessive learning problem of ANN, a new method of PSO LS_SVM to forecast the nonlinear displacements of surrounding rock in underground engineering is presented based on monitoring data. Particle swarm optimization is used to choose the parameters of support vector machine, which can avoid the man-made blindness and enhance the efficiency and capability of forecasting. The method can rolling forecast the surrounding rock deformations based on monitoring data, in order to adjust the supporting schemes dynamically and ensure the stability of the cavern. It is used to forecast the surrounding rock convergent deformations of Qingjiang Shuibuya Underground Powerhouse; and it is shown that the method is feasible and precise.

Key words: surrounding rock deformation, time series prediction, particle swarm optimization, support vector machine

中图分类号:

TU 452

姜谙男. 基于PSO-SVM非线性时序模型的隧洞围岩变形预报[J]. , 2007, 28(6): 1176-1180.

JIANG An-nan. Forecasting nonlinear time series of surrounding rock deformations of underground cavern based on PSO-SVM[J]. , 2007, 28(6): 1176-1180.

参考文献

相关文章 15

[1]	侯公羽，李小瑞，梁洪垚，梁金平，周蒙辉，崔永科，. 高强石膏材料配比研究及其在围岩试件(厚壁圆筒) 开挖卸荷试验中的应用[J]. , 2018, 39(S1): 159-166.
[2]	王昌硕，王亮清，葛云峰，梁烨，孙自豪，董曼曼，张楠. 基于统计参数的二维节理粗糙度系数非线性确定方法[J]. , 2017, 38(2): 565-573.
[3]	程建龙，杨圣奇，潘玉丛，田文岭，赵维生,. 挤压地层双护盾TBM围岩变形及应力场特征研究[J]. , 2016, 37(S1): 371-380.
[4]	程建龙，杨圣奇，李学华，潘玉丛，赵维生，田文岭,. 位移释放率对双护盾TBM护盾压力的影响研究[J]. , 2016, 37(5): 1399-1407.
[5]	周浩，肖明，陈俊涛 , . 大型地下洞室全长黏结式岩石锚杆锚固机制研究及锚固效应分析[J]. , 2016, 37(5): 1503-1511.
[6]	周辉，胡善超，卢景景，王竹春，张传庆，渠成堃，李震,. 煤矿深井巷道掘进全过程围岩变形破坏原位测试[J]. , 2015, 36(12): 3523-3530.
[7]	张乐文，王洪波，邱道宏，孙怀凤，孙子正，丁万涛. 小波降噪与粒子群优化综合回归爆破震动参数[J]. , 2014, 35(S2): 338-342.
[8]	李宁，王李管，贾明涛，陈建宏，谭正华,. 改进遗传算法和支持向量机的岩体结构面聚类分析[J]. , 2014, 35(S2): 405-411.
[9]	曹净，丁文云，赵党书，宋志刚，刘海明. 基于LSSVM-ARMA模型的基坑变形时间序列预测[J]. , 2014, 35(S2): 579-586.
[10]	刘成禹，何满潮,. 深埋隧道地质构造发育段围岩压力的特点[J]. , 2014, 35(4): 1101-1109.
[11]	崔岚，郑俊杰，章荣军，张威. 弹塑性软化模型下隧洞围岩变形与支护压力分析[J]. , 2014, 35(3): 717-722.
[12]	姜谙男，沙权贤，宋战平，李鹏，吴彪，. 桥基隧道明挖施工多元信息集成智能方法与应用[J]. , 2014, 299(2): 490-496.
[13]	罗忆，李新平，徐鹏程，董千，洪吉松 , . 考虑累积损伤效应的围岩变形特性研究[J]. , 2014, 35(11): 3041-2048.
[14]	范思遐，周奇才，熊肖磊，赵炯. 基于多核模式的隧道沉降预测[J]. , 2013, 34(S2): 291-298.
[15]	叶勇军，丁德馨，李广悦，宋键斌，李峰. 堆浸铀矿堆液体饱和渗流规律的研究[J]. , 2013, 34(8): 2243-2248.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed