分析巖石力學性態(tài)預測的支持向量機模型及應用
利用svm 模型對7 個測試樣本的壓縮系數進行了預測，其預測結果與實測值的對比。為了說明svm 模型較傳統(tǒng)人工神經網絡方法的優(yōu)越性，本文將svm 預測結果和人工神經網絡結果做了對比，結果。
通過本例可以看出利用svm 模型進行巖石力學性態(tài)的預測時具有以下特點：
�。�1）、影響巖石力學性態(tài)的各種因素，只要有相應的數據，都能作為變量輸入到svm，因素的數量多少不受限制。故svm 能較全面的考慮巖石力學性態(tài)和各影響因素之間的關系。
�。�2）、預測結果離散性較小，預測精度較人工神經網絡有了大幅度提高。從7 個測試樣本的21 個預測結果可以看出，相對誤差小于10%的樣本比例svm 為43%，人工神經網絡為38%，相對誤差小于30%樣本比例svm 為91%，人工神經網絡為86%。從圖1 亦可見，對于大部分樣本，svm 的預測結果較ann 高。
（3）、采用智能學習方法預測巖石的力學性態(tài)都需要有一定數量的試驗結果作為學習樣本。而試驗結果的獲取通常需要大量的人力和物力投入。在有限的學習樣本情況下，基于小樣本的svm 預測精度是人工神經網絡難以企及的。
3 結 論
由于巖石力學性態(tài)錯綜復雜，傳統(tǒng)的固體力學方法還難以圓滿地處理巖石力學問題。因此，充分利用有限的試驗結果，通過對試驗結果進行學習和分析，尋求巖石力學性態(tài)與各種影響因素之間的非線性關系非常重要。利用支持向量機良好的的推廣能力和非線性動態(tài)數據處理能力，較好的彌補了人工神經網絡的缺陷，以有限的試驗結果作為學習預測的基礎，對巖石力學性態(tài)分析具有很好的適應性，為分析和解決巖石力學性態(tài)問題提供了一條新的途徑。