基于ε-SVR与PSO-DE的岩层弹塑性参数反演及应用

针对岩土力学参数正算反演方法存在的瓶颈问题,研究了将支持向量回归机(ε-SVR)与粒子群-差分演化杂交智能优化算法(BBDE)相结合的参数反演方法,采用ε-SVR的预测功能代替耗时的数值仿真计算,将其嵌入到改进了控制参数取值方法的BBDE算法中建立了相应的反演程序,应用该程序对一个实际工程进行了弹塑性力学参数反演,并对反演程序的可行性和有效性进行了研究.结果表明:利用ε-SVR具有的BP神经网络所不可比拟的泛化推广能力,在保证反演精度的同时提高了反演效率;引入BBDE算法使得在减少算法控制参数的同时提高了解的全局收敛性和收敛速度;将反演所得参数输入数值仿真模型获得的测点计算增量位移与实测增量位移比较吻合,相对误差不超过10%.