论文部分内容阅读
松动圈支护理论是在80年代初提出的[1,2] ,该理论解决问题的方法来自于对地下工程围岩状态的认真调查，它提出了松动圈发展过程中的碎胀变形是地下工程支护的主要对象。该学说提出的碎胀力是支护对象的观点有独到之处，松动圈由实测得到，没有在任何方面作任何假设，不会引起计算分析的误差；但是该学说尚需进一步的研究和完善，如尚无理论的本构方程，在开巷前既不能实测松动圈又无法预先计算设计，虽然提出碎胀力是支护的对象，但碎胀力的大小尚不能计算或测定等[3]。国内外的许多学者对松动圈已进行了许多研究。50年代，巴斯拉提出水平巷道周围由表及里将形成三个区，即岩石松动裂隙区、应力升高区、天然假塑性区。1989年,前苏联的E.I.Shemydkin等提出了不连续区概念，建立了松动圈与埋深、原岩应力、岩石强度等因素相互关系的经验公式。这些学者对松动圈的研究大都停留在对松动区域本身的研究，而忽视了支护对象到底是什么的问题，往往还是认为支护对象就是松动区的岩体的自重。这也是与由我国董方庭教授提出的松动圈支护理论的差别所在[4~7]。
由于松动圈在实际工程中主要是靠声波法、多点位移计法[8,9]等测试手段进行实地测试，因此发展根据已有测试资料预测位置巷道的松动圈的大小是很有实践意思的，也是很经济的一种做法。中国矿业大学的许国安博士在其论文[10]中，基于Matlab计算平台及自适应神经模糊推理系统开发了巷道围岩松动圈预测程序，对松动圈进行了预测，得到了比较满意的结果。另外中国矿业大学的宋宏伟教授开发的基于松动圈理论的锚喷支护设计专家系统可以看作是松动圈预测应用于实践工程的一个更有力的工具。
一、支持向量机(SVM)及其在岩土工程中的应用概况
近年来,具有处理非线性问题能力的人工神经元模型方法在数值预测上获得了不少应用。例如前面提到的智能岩石松动圈预测系统就是人工神经网络应用于松动圈预测的一个实例。BP神经网络算法的理论依据坚实，推导过程严谨，所得公式对称优美，物理概念清楚，通用性强。但是，人们在使用过程中发现BP 算法也存在许多不足之处，例如易陷于局部极小值、收敛速度慢等缺点。V.Vapnik等人从60年代开始就致力于有限样本统计理论的研究,并将其理论称为统计学习理论（SLT）,到90年代中期随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，该理论开始受到越来越广泛的重视。在这一理论框架基础上发展了一种新的通用学习方法-支持向量机(Support Vector Machine 或SVM)。支持向量机根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的泛化能力。与传统的神经网络相比，支持向量机算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极小值问题。
（一）支持向量机的数学原理
支持向量机的原理在文献中有专门的介绍，SVM是一种基于统计学习理论的模式识别方法，它是由Boser，Guyon，Vapnik在COLT-92上首次提出，从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用目标：找到一个超平面，使得它能够尽可能多的将两类数据点正确的分开，同时使分开的两类数据点距离分类面最远。解决方法：构造一个在约束条件下的优化问题，具体的说是一个受限二次规划问题（constrained quadratic programing）。文献中对基于支持向量机的非线性预测控制技术进行了研究。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目,而不是样本空间的维数，这在某种意义上避免了"维数灾"。
SVM的数学模型为：
分类函数：
（1）
求解优化函数：
（2）
（二)SVM在岩土工程中的应用
文献的作者将SVM应用于测井岩性的预测，东北大学的冯夏庭针对岩爆预测问题，提出了基于支持向量机的预测方法。文献中作者将进化支持向量机方法应用到岩体的工程分级中，提出了岩体工程分级的进化支持向量机方法。另外还有些学者将SVM应用于边坡稳定性预测等方面。本文就将SVM应用于地下工程巷道围岩松动圈的预测，也就是地下工程稳定性的预测做初步的探讨。
二、基于支持向量机的围岩松动圈预测模型
（一）模型的建立
基于SVM的围岩松动圈预测系统的框图如下图所示：
（二）样本数据的选择及预测结果
为了简单说明问题，我们采用文献[11]中提供的一些数据作为样本，见表2-1所示。为了对松动圈进行预测，首先要对一些非定量化的参数进行定量化。如表2-2所示，采用不同的数值来表示不同的岩性。
从图2我们可以看出将SVM应用于围岩松动圈的预测中是比较有效的，它可以成功的避免人工神经网络由于样本数量少而产生的过学习及局部最优解的缺点。
三、结论
（一）本文介绍了SVM这一新的非线性预测工具，及其在岩土工程中的一些应用。
（二）同过数学试验介绍了ANN过学习的直观情况，及其在围岩松动圈预测中可能形成的影响。
（三）给出了SVM应用于围岩松动圈预测的思路，并对其进行了数值试验，试验表明将SVM应用于松动圈的预测可以成功的避免由于ANN的过学习造成的不良影响。由此说明这是一个成功的尝试。
参考文献：
[1]董方庭,宋宏伟,郭志宏.巷道围岩松动支护理论[J].煤炭学报,1994,19,(1):21-32.
[2]鹿守敏,宋宏伟,梁士杰.松动圈分类方法中国矿业大学第2届国际采矿会议论文集.徐州:中国矿业大学出版社,1991:1162- 1168.
[3]史兴国.巷道围岩松动圈理论的发展[J].河北煤炭,1995,(4).
[4]Jing Hongwen LiShiping Experimental Study on Volumetric Str-ain of Rocks in Full Stress-Strain Process Journal of China University of Mining&Technology Vol.9 No.1 jun,1999.
[5]宋宏伟.地下工程非连续岩体锚固稳定的研究[D].徐州:中国矿业大学,2002.
[6]刘刚.矩形巷道围岩松动圈分布规律研究[M].徐州:中国矿业大学,2000.
[7]Jing Hong wen,XuGuo-an etc. Numerical Analysis on Displacement Law of Discontinuous Rock Mass in Broken Rock Zone for Deep Roadways Journal of China University of Mining&Technology Dec.2001 Vol.11No.2
[8]刘传孝,宋华.回采巷道围岩松动圈发育结构特点的数值模拟[J].1999.(4).
[9]贾颖绚,宋宏伟.巷道围岩松动圈测试技术与探讨[J].西部探矿工程,2004,(10).
[10]许国安.煤矿巷道围岩松动圈智能预测研究与应用[M].中国矿业大学,2003.
由于松动圈在实际工程中主要是靠声波法、多点位移计法[8,9]等测试手段进行实地测试，因此发展根据已有测试资料预测位置巷道的松动圈的大小是很有实践意思的，也是很经济的一种做法。中国矿业大学的许国安博士在其论文[10]中，基于Matlab计算平台及自适应神经模糊推理系统开发了巷道围岩松动圈预测程序，对松动圈进行了预测，得到了比较满意的结果。另外中国矿业大学的宋宏伟教授开发的基于松动圈理论的锚喷支护设计专家系统可以看作是松动圈预测应用于实践工程的一个更有力的工具。
一、支持向量机(SVM)及其在岩土工程中的应用概况
近年来,具有处理非线性问题能力的人工神经元模型方法在数值预测上获得了不少应用。例如前面提到的智能岩石松动圈预测系统就是人工神经网络应用于松动圈预测的一个实例。BP神经网络算法的理论依据坚实，推导过程严谨，所得公式对称优美，物理概念清楚，通用性强。但是，人们在使用过程中发现BP 算法也存在许多不足之处，例如易陷于局部极小值、收敛速度慢等缺点。V.Vapnik等人从60年代开始就致力于有限样本统计理论的研究,并将其理论称为统计学习理论（SLT）,到90年代中期随着其理论的不断发展和成熟，也由于神经网络等学习方法在理论上缺乏实质性进展，该理论开始受到越来越广泛的重视。在这一理论框架基础上发展了一种新的通用学习方法-支持向量机(Support Vector Machine 或SVM)。支持向量机根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的泛化能力。与传统的神经网络相比，支持向量机算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极小值问题。
（一）支持向量机的数学原理
支持向量机的原理在文献中有专门的介绍，SVM是一种基于统计学习理论的模式识别方法，它是由Boser，Guyon，Vapnik在COLT-92上首次提出，从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用目标：找到一个超平面，使得它能够尽可能多的将两类数据点正确的分开，同时使分开的两类数据点距离分类面最远。解决方法：构造一个在约束条件下的优化问题，具体的说是一个受限二次规划问题（constrained quadratic programing）。文献中对基于支持向量机的非线性预测控制技术进行了研究。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目,而不是样本空间的维数，这在某种意义上避免了"维数灾"。
SVM的数学模型为：
分类函数：
（1）
求解优化函数：
（2）
（二)SVM在岩土工程中的应用
文献的作者将SVM应用于测井岩性的预测，东北大学的冯夏庭针对岩爆预测问题，提出了基于支持向量机的预测方法。文献中作者将进化支持向量机方法应用到岩体的工程分级中，提出了岩体工程分级的进化支持向量机方法。另外还有些学者将SVM应用于边坡稳定性预测等方面。本文就将SVM应用于地下工程巷道围岩松动圈的预测，也就是地下工程稳定性的预测做初步的探讨。
二、基于支持向量机的围岩松动圈预测模型
（一）模型的建立
基于SVM的围岩松动圈预测系统的框图如下图所示：
（二）样本数据的选择及预测结果
为了简单说明问题，我们采用文献[11]中提供的一些数据作为样本，见表2-1所示。为了对松动圈进行预测，首先要对一些非定量化的参数进行定量化。如表2-2所示，采用不同的数值来表示不同的岩性。
从图2我们可以看出将SVM应用于围岩松动圈的预测中是比较有效的，它可以成功的避免人工神经网络由于样本数量少而产生的过学习及局部最优解的缺点。
三、结论
（一）本文介绍了SVM这一新的非线性预测工具，及其在岩土工程中的一些应用。
（二）同过数学试验介绍了ANN过学习的直观情况，及其在围岩松动圈预测中可能形成的影响。
（三）给出了SVM应用于围岩松动圈预测的思路，并对其进行了数值试验，试验表明将SVM应用于松动圈的预测可以成功的避免由于ANN的过学习造成的不良影响。由此说明这是一个成功的尝试。
参考文献：
[1]董方庭,宋宏伟,郭志宏.巷道围岩松动支护理论[J].煤炭学报,1994,19,(1):21-32.
[2]鹿守敏,宋宏伟,梁士杰.松动圈分类方法中国矿业大学第2届国际采矿会议论文集.徐州:中国矿业大学出版社,1991:1162- 1168.
[3]史兴国.巷道围岩松动圈理论的发展[J].河北煤炭,1995,(4).
[4]Jing Hongwen LiShiping Experimental Study on Volumetric Str-ain of Rocks in Full Stress-Strain Process Journal of China University of Mining&Technology Vol.9 No.1 jun,1999.
[5]宋宏伟.地下工程非连续岩体锚固稳定的研究[D].徐州:中国矿业大学,2002.
[6]刘刚.矩形巷道围岩松动圈分布规律研究[M].徐州:中国矿业大学,2000.
[7]Jing Hong wen,XuGuo-an etc. Numerical Analysis on Displacement Law of Discontinuous Rock Mass in Broken Rock Zone for Deep Roadways Journal of China University of Mining&Technology Dec.2001 Vol.11No.2
[8]刘传孝,宋华.回采巷道围岩松动圈发育结构特点的数值模拟[J].1999.(4).
[9]贾颖绚,宋宏伟.巷道围岩松动圈测试技术与探讨[J].西部探矿工程,2004,(10).
[10]许国安.煤矿巷道围岩松动圈智能预测研究与应用[M].中国矿业大学,2003.