支持向量机是基于统计学习理论的小样本学习方法,采用结构风险最小化原则,同传统的模式识别方法相比,支持向量机在小样本、非线性及高维模式识别问题中表现出许多特有的优势,具有很好的泛化性能。支持向量机主要用于模式识别和函数拟合,对解决很难用数学模型描述的问题具有很好的适应性。该方法日益受到岩土工程研究人员的重视。　　对于岩土体特别是受围压影响较大的深部岩体来说,岩体的变形和受力状态分析的关键是如何恰当的估计岩体的力学参数。而如何利用现场实测数据来反演煤矿深部岩体力学参数是一个值得研究的问题。由于岩土介质的复杂性,岩土力学与工程问题通常是监测数据有限、并且岩土介质的力学行为(如本构关系、变形特征等)具有高维数、非线性等特点,而这些特点正是支持向量机方法具有的优点,因此将支持向量机应用到岩土力学与工程中是可行的,并具有广泛的应用前景。而由于FLAC3D在处理几何非线性和大变形问题上具有明显优势,在采矿工程和地下建筑的设计和分析中,采用FLAC3D分析方法是可靠的。　　研究内容如下:　　(1)总结岩体力学参数反分析的方法,研究支持向量机算法,并与其它方法(BP人工神经网络、遗传算法、粒子群算法、蚁群算法等)进行比较。　　(2)研究FLAC3D软件的三维数值仿真技术并研究其在煤矿开采中的实现过程。　　(3)将支持向量机算法和FLAC3D结合来研究抚顺矿区老虎台矿深部岩体的实测力学参数,与监测资料和与基于BP人工神经网络算法所得到的参数进行对比。　　(4)将最终反演得到的岩体力学参数运用到抚顺矿区老虎台矿的稳定性评价中,以此来预测该矿区在各工况下的稳定性,分析该矿区的地表沉降机理、沉降范围及其影响,为矿区地质灾害综合治理提供科学依据。