基于RBF核的多分类SVM围岩变形易发性评价模型研究

在隧道、地铁等工程建设中,随着开挖深度逐步增加,地应力随之增加,围岩变形产生坍塌、岩爆风险显著提升,给工程建设和安全带来巨大挑战。采用支持少量样本且可以有效防止“过拟合”的支持向量机(SVM)用于隧道围岩变形易发性的多分类与评价中,用少量样本分析工程区域的围岩概况,解决易发性分类问题,不但可降低人力物力成本,而且使评价工作更加智能简便。以机场SG3标隧道施工为工程背景,结合研究区域实际情况对优化RBF函数核的SVM模型进行模型评价。结果表明:SVM模型具有高预测精度且适用于围岩变形易发性评价研究。

基于RF和SVM模型的东川泥石流易发性评价研究

泥石流具有很大的破坏力,尤其是在山区,严重威胁着人民的生命财产安全,因此研究山区泥石流易发性评价对国土空间规划、防灾减灾及制定合理的泥石流防治措施等具有重要意义.以泥石流多发地东川区为例,采用随机森林(RF)、支持向量机(SVM)两种机器学习算法,以流域单元作为评价单元,在识别泥石流点的基础上,选取15个指标因子构建山区泥石流易发性评价模型,评价各指标因子的权重,并对比分析了模型的预测效果.结果表明,两种机器学习算法结合流域单元建立的山区泥石流易发性评价模型均具有很好的准确性和稳定性,但随机森林(RF)模型的准确度ACC值和ROC曲线下面积AUC值分别达到0.833 3和0.929 9,优于支持向量机(SVM)模型的ACC值和AUC值的0.722 2和0.851 5,随机森林(RF)模型更适用于山区泥石流易发性评价研究.