Support vector regression to predict the performance of stabilized aggregate bases subject to wet–dry cycles

Durability is a notion that is integrated with the performance of stabilized pavement materials. Also, because it can be quantified and measured, it carries significant influence on the design of pavements. This study focuses on using support vector machine, a machine learning algorithm, in assessing the performance of stabilized aggregate bases subject to wet–dry cycles. Support Vector Regression (SVR) is a statistical learning algorithm that is applied to regression problems and is gaining popularity in pavement and geotechnical engineering. In our study, SVR was shown to be superior to the least‐squares (LS) method. Results of this study show that SVR significantly reduces the mean‐squared error (MSE) and improves the coefficient of determination (R²) compared to the widely used LS method. Copyright © 2011 John Wiley & Sons, Ltd.     

基于支持向量机回归的电阻率成像反演

以电阻率成像为应用背景,研究了在有限学习样本下,支持向量机回归在电法反演中的建模方法,对反演建模时样本划分、数据预处理、反演流程、评估指标等关键技术进行了分析,给出了一种基于交叉验证(CV)的支持向量机参数寻优方法;通过比较RBF核函数在不同的参数ε下对反演结果的影响,建立了优化的电阻率成像SVR反演模型.     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

高原寒冷地区温拌沥青混合料水稳性能分析

为探讨高原寒冷地区温拌沥青混合料的水稳定性及性能衰变规律,采用多次冻融循环室内试验模拟混合料所处环境温差大、冻融频繁、气温低等特性,选取Aspha-min、Sasobit、Evotherm等不同类型温拌剂拌制混合料,通过冻融劈裂试验、冻融飞散试验等,分析热拌与温拌沥青混合料的水稳性能及其衰变趋势,定量说明频繁的冻融循环对其性能的影响。结果表明：气候因素长期作用下,热拌沥青混合料的水稳性能优于温拌沥青混合料;随着冻融循环次数的增加,混合料的水稳性能均逐渐下降,15~18次冻融循环后,水稳性能趋于稳定,建议在高寒地区选取15次冻融循环作用次数作为沥青混合料水稳性能评价的试验条件;在选取的3种温拌沥青混合料中,Aspha-min温拌沥青混合料的水稳性能最差。     

基于GA-SVR的渗透系数参数反演方法

渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。     

长寿沥青路面结构的层厚设计与分析

介绍和讨论了一种用于重交通长寿沥青路面的层厚设计方法。该方法基于限制沥青层底的拉应变和路基顶面的压应变,采用两个准则来校核所设计的沥青层厚度的适宜性：一是控制设计荷载作用下的最大路表弯沉;二是控制相邻两个无结合料处治的集料层的模量比。采用“等效模量”概念来考虑路基、路面材料的模量随季节的变化;在预测疲劳（与荷载相关的裂缝）和路基变形时,采用了“累计损伤”的概念。给出了广东-梧州高速试验路段长寿沥青路面结构组合设计实例,最后对与疲劳裂缝有关的两个关键问题进行了讨论。     

基于正交设计下SVM滑坡变形时序回归预测的超参数选择

超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。     

土工合成材料在沥青路面的应用及其设计

随着交通量和轴载的增加,对路面使用性能的要求越来越高,这也促进了路用土工合成材料产品的不断发展。国内外对土工合成材料应用于沥青路面进行了大量的室内与现场试验及理论分析工作。结果表明,土工合成材料能有效防止各种病害,改善路面的使用性能。对目前土工合成材料在沥青路面结构应用的几种设计方法进行了分析和评价,并根据美国地沥青协会（AI）所提出沥青路面罩面的设计程序,介绍了土工合成材料用于沥青罩面加筋,以减薄罩面厚度的设计方法。     

支持向量机对采空区稳定时间的预计

支持向量机是基于结构风险最小化原理的机器学习技术,在广泛收集金属矿山采空区失稳塌陷时间资料的基础上,建立了基于支持向量机的采空区稳定时间的预计模型。通过对采空区稳定时间测试样本的预测研究表明,用支持向量机来预计采空区的稳定时间是可行的。     

Support vector machines‐based modelling of seismic liquefaction potential

This paper investigates the potential of support vector machines (SVM)‐based classification approach to assess the liquefaction potential from actual standard penetration test (SPT) and cone penetration test (CPT) field data. SVMs are based on statistical learning theory and found to work well in comparison to neural networks in several other applications. Both CPT and SPT field data sets is used with SVMs for predicting the occurrence and non‐occurrence of liquefaction based on different input parameter combination. With SPT and CPT test data sets, highest accuracy of 96 and 97%, respectively, was achieved with SVMs. This suggests that SVMs can effectively be used to model the complex relationship between different soil parameter and the liquefaction potential. Several other combinations of input variable were used to assess the influence of different input parameters on liquefaction potential. Proposed approach suggest that neither normalized cone resistance value with CPT data nor the calculation of standardized SPT value is required with SPT data. Further, SVMs required few user‐defined parameters and provide better performance in comparison to neural network approach. Copyright © 2006 John Wiley & Sons, Ltd.     

基于Ricker子波核的支持向量回归方法及其在地震勘探记录去噪处理中的应用

针对地震勘探中强随机噪声的去噪问题,引进支持向量回归方法,提出并证明一种新的Ricker子波核函数。支持向量回归采用核映射的基本思想,基于结构风险最小化原则,将回归问题转化为一个二次规划问题。对单道记录或多道记录中任选道的仿真实验表明,与传统的基于径向基核函数的支持向量回归及褶积滤波方法相比,使用本方法去噪后的同相轴更为清晰,波形恢复得更好,信噪比也较高,因此有可能将其应用于地震勘探记录的去噪处理中。     

基于PCA-SVR的煤层底板突水量预测

提出了一种基于主成分分析支持向量机回归(PCA-SVR)的煤层底板突水预测方法,用主成分分析来解决输入变量的选择问题。主成分以较少的维数包含了高维变量所携带的大部分信息,这不仅避免了过多的输入导致训练速度慢,同时也保证了预测准确度。实例表明,所提方法可有效消除众多影响因素间的相关性,减少输入变量个数,提高预测效率和精度。     

基于聚类和支持向量回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量回归(SVR)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略,对训练样本集进行聚类分析,将其分为若干相似子类;再针对每一子类构造一个支持向量回归(SVR)模型,以对应子类的样本集训练SVR模型。由于聚类后的每一子类的样本具有相似性,同时子类样本数较少,因此,该方法能够缩短训练时间,提高预测精度。基于某电网提供的历史负荷数据进行的不同方法对比实验说明了该方法的有效性。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

Support vector machine applied to settlement of shallow foundations on cohesionless soils

The determination of settlement of shallow foundations on cohesionless soil is an important task in geotechnical engineering. Available methods for the determination of settlement are not reliable. In this study, the support vector machine (SVM), a novel type of learning algorithm based on statistical theory, has been used to predict the settlement of shallow foundations on cohesionless soil. SVM uses a regression technique by introducing an ε – insensitive loss function. A thorough sensitive analysis has been made to ascertain which parameters are having maximum influence on settlement. The study shows that SVM has the potential to be a useful and practical tool for prediction of settlement of shallow foundation on cohesionless soil.     

一元线性回归分析法在徐州地区铁矿资源预测中的应用

徐州地区是老的铁矿石生产基地,开采条件较为成熟,但可采资源日益衰竭,因此,对该区铁矿资源量进行科学预测,掌握区内资源潜力,具有十分重要的现实意义.基于对徐州地区铁矿资源的成矿地质背景分析,选取相对合理的预测要素,通过计算关联度方式确定有效的预测单元;采用一元线性回归分析法对预测单元的资源量进行估算,并对其结果进行了合理评述.     

Micro-seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine

Micro-seismic monitoring is one of the most critical technologies that guide hydraulic fracturing in hot dry rock resource development. Micro-seismic monitoring requires high precision detection of micro-seismic events with a low signal-to-noise ratio. Because of this requirement, we propose a recurrent neural network model named gated recurrent unit and support vector machine (GRU_SVM). The proposed model ensures high accuracy while reducing the parameter number and hardware requirement in the training process. Since micro-seismic events in hot dry rock produce large wave amplitudes and strong vibrations, it is difficult to reverse the onset of each individual event. In this study, we utilize a support vector machine (SVM) as a classifier to improve the micro-seismic event detection accuracy. To validate the methodology, we compare the simulation results of the short-term-average to the long-term-average (STA/LTA) method with GRU_SVM method by using hot dry rock micro-seismic event data in Qinghai Province, China. Our proposed method has an accuracy of about 95% for identifying micro-seismic events with low signal-to-noise ratios. By ignoring smaller micro-seismic events, the detection procedure can be processed more efficiently, which is able to provide a real-time observation on the types of hydraulic fracturing in the reservoirs.     

基于范例推理的公路隧道拱顶变形时序支持向量机外延预测

针对公路隧道拱顶变形预测模型的普适性与外推预测的准确性,提出了基于人工智能推理的隧道工程属性（地理位置、监测位置、隧道高宽比、围岩级别和埋深）与拱顶变形时序曲线原子矩阵的相似范例检索方法,并在深入分析了获取的相似范例特征的基础上,进一步以LPG新核函数支持向量机建立先验知识的预测模型。应用该方法对通渝隧道工程K19+994断面拱顶下沉进行了预测与评估。结果表明,对于不同隧道间或同一隧道不同区段预判拱顶变形或收敛,基于范例推理能够获知良好的先验背景知识,且以此进行的支持向量机预测模型学习的回归内插（1～14步序）的平均相对误差为1.36%,而一次性外推预测15 d内的8个变形值（16～30步序）的平均相对精度为97.28%,证实了方法的可靠性     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

SVM在地下工程可靠性分析中的应用

将支持向量机应用到地下工程可靠性分析中,通过将支持向量机分别与一阶二次矩和蒙特卡洛结合,提出了基于支持向量机的可靠性分析方法,利用数值模拟构造学习样本,通过支持向量机学习,建立变形与随机变量之间映射关系的支持向量机表达,进而实现隧道极限状态函数及其偏导数的显式表达,从而计算隧道的可靠性指标。该方法避免了传统可靠性分析的缺点。算例分析结果表明,该方法计算效率高、结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。