基于支持向量机的隧道围岩位移变形预测分析研究

摘要

新奥法是隧道工程建设中广泛使用的方法。监控量测是新奥法中的重要组成部分，量测的数据能够体现隧道围岩的变形状态，依托监测数据对隧道围岩的变形进行预测能够很好的为隧道的设计和施工提供参考价值，现今的位移反演分析能够对隧道进行一定范围内的预测，但反演分析主要依托在沉降稳定值的反推与邻近界面的材料特性相似性上，有一定的滞后性不能满足工程建设中时间投资上的要求。利用量测数据的自规律性对位移变形进行预测的研究还较少。针对位移变化的时间序列预测上，本文依托统计学习理论中的支持向量机开展研究，主要工作有:
　　①介绍了支持向量机的理论基础与具体的推导过程，利用阳宗隧道的位移监测数据实例分析了不同超参数组合下的支持向量机性能并且对比了多项式回归预测与递归最小二乘法预测的差异，结果表明支持向量机具有较好的稳定性。
　　②以京珠高速公路温泉隧道位移非线性时间序列预测为例子，对比了不同特征表现形式下的RBF核支持向量机预测性能。分析结果表明，数据预处理能有效提升RBF核函数下的支持向量机预测性能，对于同一个映射空间下的子集选择RBF核函数不敏感。
　　③针对RBF核函数优良的特性，通过小波理论与核函数的特性构造出了Morlet小波核函数，并经过溪洛渡电站隧道的监测数据的分析验证，Morlet小波核函数在监测频率不同的位移变形预测分析上，有较好的预测性能。

目录

声明

摘要

第一章 绪论

1．1 论文研究背景

1．1．1 隧道建设的背景

1．1．2 隧道建设新奥法与监控量测意义

1．2 岩土工程位移预测研究现状

1．2．1 反分析法

1．2．2．时间序列分析法

1．3 本文主要研究内容

第二章 机器学习理论

2．1 本章思路

2．2 学习的可行性

2．2．1 机器学习的背景

2．2．2 机器学习的理论基础

2．3 机器学习的基本概念

2．3．1 误差与噪声

2．3．2 统计学习理论

2．4 VC维与偏差方差权衡

2．4．1 VC维的定义

2．4．2 VC维与泛化误差

2．4．3 偏差方差权衡

2．5 机器学习的归纳原则

2．5．1 经验风险最小化

2．5．2 结构风险最小化

2．6 线性回归模型与学习曲线

2．6．1 线性回归基本原理

2．6．2 学习曲线

2．7 规则化与验证

2．7．1 过拟合与欠拟合的概念

2．7．2 规则化的理论

2．7．3 验证的理论

2．8 本章小结

第三章 支持向量机原理与应用

3．1 本章思路

3．2 支持向量机原理

3．2．1 原始的支持向量分类问题

3．2．2 软间隔支持向量机与支持向量回归机

3．3 核函数

3．4 隧道围岩位移预测与超参数影响

3．4．1 隧道围岩位移预测

3．4．2 数据归一化

3．4．3 参数寻优的不同方法理论

3．4．4 隧道围岩位移预测算例及超参数影响分析

3．5 多项式回归的隧道围岩位移预测

3．5．1 一般多项式回归

3．5．2 递归最小二乘法多项式回归

3．6 不同特征影响程度的支持向量机回归

3．7 本章小结

第四章 数据预处理下的隧道围岩位移预测

4．1 本章思路

4．2 时间序列的不同表现形式

4．3 数据预处理与支持向量机预测

4．3．1 对数空间映射

4．4 位移预测算例一

4．5 隧道围岩位移预测算例二

4．6 本章小结

第五章 小波核函数的隧道围岩位移预测

5．1 本章思路

5．2 时间序列的小波分析

5．3 核函数构造

5．4 非平稳信号

5．5 算例

5．5．1 建模结果

5．5．2 结果分析

第六章 结论与展望

6．1 结论

6．2 展望

致谢

参考文献

在学期间发表的论著