基于IAF-SVM的隧道位移反分析研究  

Back Analysis of Tunnel Displacements Based on the IAF-SVM Algorithm

作　　者：胡军[1] 曹进海 葛凯华 王凯凯[1] 

机构地区：[1]辽宁科技大学土木工程学院,鞍山114051 [2]河北省高速公路管理局路政总队,石家庄050800

出　　处：《现代隧道技术》2017年第5期54-60,共7页Modern Tunnelling Technology

基　　金：国家自然科学基金项目(51274053)

摘　　要：在隧道位移反分析方面,文章针对BP神经网络易过度训练样本及小样本精度较低的缺陷,利用支持向量机(SVM)良好的泛化能力,提出了一种基于支持向量机进行隧道工程的弹塑性位移反分析方法。同时考虑支持向量机的性能很大程度依赖于参数的选择,运用改进的人工鱼群(IAF)高效的全局搜索能力,寻找最优的SVM参数,以此避免SVM在参数选择上的随机性。利用FLAC3D软件进行某隧道工程正分析计算,依据若干测点的位移计算结果,运用该方法进行弹塑性位移反演。结果表明,在小样本空间里,该方法的收敛速度和反演精度均优于BP神经网络。In light of the defects of overtraining a sample of a BP neural network and the low precision of a small sample, a SVM-based back analysis method for tunnel elastic-plastic displacement is proposed using the general- ization ability of a support vector machine（SVM）. Considering that the performance of the support vector machine （SVM） largely depends on the selection of parameters, the efficient global search ability of the improved artificial fish （IAF） is adopted to get the optimal parameters of the SVM to avoid randomness in parameter selection. A tunnel is analyzed using FLAC3D and the inversion of the elastic-plastic displacements is conducted based on the calculat- ed displacements of measured points. The results show that the convergence rate and inversion precision of this method are better than that of the BP neural network regarding small samples.

关 键 词：岩体力学参数 人工鱼群 支持向量机 BP神经网络 位移反分析 

分 类 号：U456.31[建筑科学—桥梁与隧道工程] TP183[交通运输工程—道路与铁道工程]