魏 海，陶開云，王 新，陳丹蕾，廖 敏

(昆明理工大學(xué)電力工程學(xué)院，云南 昆明 650500)

基于支持向量機(jī)的水庫誘發(fā)地震分析

魏 海，陶開云，王 新，陳丹蕾，廖 敏

(昆明理工大學(xué)電力工程學(xué)院，云南 昆明 650500)

將誘發(fā)水庫地震的主要因素(巖性、巖體完整性、斷層性質(zhì)、庫區(qū)區(qū)域應(yīng)力狀態(tài)、庫區(qū)地震活動(dòng)背景)劃分為11個(gè)因子，并進(jìn)行定量化；再根據(jù)每個(gè)樣本到所屬類內(nèi)超平面的距離計(jì)算每個(gè)樣本點(diǎn)的模糊因子，確定其對(duì)分類超平面影響大?。蝗缓蠼⑺畮斓卣鸬闹С窒蛄繖C(jī)(SVM)和模糊支持向量機(jī)(FSVM)模型，并應(yīng)用于水庫誘發(fā)地震等級(jí)預(yù)測(cè)。實(shí)例分析表明，兩種模型均可用于水庫誘發(fā)地震等級(jí)預(yù)測(cè)，具有預(yù)測(cè)精度較高、考慮因素全面的特點(diǎn)，相比之下SVM模型預(yù)測(cè)結(jié)果略優(yōu)于FSVM模型。另外，在應(yīng)用SVM和FSVM進(jìn)行分類時(shí)，如果樣本離散性較高，則SVM模型優(yōu)于FSVM模型；相反，如果樣本離散性較低，則FSVM模型優(yōu)于SVM模型。

水庫誘發(fā)地震；支持向量機(jī)；定量化；地震等級(jí)預(yù)測(cè)

水庫誘發(fā)地震(又簡(jiǎn)稱為水庫地震)的發(fā)震機(jī)理復(fù)雜，影響因素眾多[1～2]，如：深部巖體的力學(xué)指標(biāo)，地震發(fā)生時(shí)地應(yīng)力的大小、方向，孔隙水的分布等。這些因素很難準(zhǔn)確測(cè)量，因此給水庫地震分析增加了難度。盡管目前研究人員提出了很多數(shù)學(xué)-力學(xué)模型來分析水庫誘發(fā)地震[3～4]，但由于模型的概化、巖體變形的非線性、參數(shù)的簡(jiǎn)化，導(dǎo)致模型分析結(jié)果不理想[5～6]。于是地質(zhì)類比法[7]、概率論[7～8]、人工神經(jīng)網(wǎng)絡(luò)分析發(fā)震的概率[9]等方法又被提出來。地質(zhì)類比法主要通過分析庫區(qū)的水文、地質(zhì)條件，庫水入滲條件等因素，再結(jié)合已有的水庫地震的實(shí)例，分析是否發(fā)生地震及地震等級(jí)，該方法考慮的因素全面，但缺少對(duì)力學(xué)方面的分析；概率統(tǒng)計(jì)模型通過對(duì)與誘發(fā)地震有密切關(guān)系的因素進(jìn)行統(tǒng)計(jì)分析，再利用貝葉斯定理分析發(fā)震的概率，該方法不需要分析發(fā)震的機(jī)理，但需要統(tǒng)計(jì)大量的樣本，其精度受樣本多少影響以及與發(fā)震先驗(yàn)概率有關(guān)；人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，適合處理復(fù)雜變量間復(fù)雜關(guān)系，但應(yīng)用時(shí)存在網(wǎng)絡(luò)結(jié)構(gòu)選擇的不確定性、過度擬合和欠擬合問題，限制了人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

支持向量機(jī)(Support Vector Machine, SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的新型的機(jī)器學(xué)習(xí)方法，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structure Risk Minimization, SRM)原則代替經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(Empirical Risk Minimization, ERM)原則，在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，具有泛化能力強(qiáng)的特點(diǎn)[10～11]。由于能很好處理小樣本、高維數(shù)、非線性問題，不存在陷入局部極小值，被廣泛應(yīng)用于圖像識(shí)別、分類識(shí)別、時(shí)間序列預(yù)測(cè)、巖土參數(shù)反演分析、水文預(yù)報(bào)等方面?；谝陨涎芯勘尘?，本文列舉出水庫地震的主要誘發(fā)因素，并對(duì)這些因素進(jìn)行定量化，引入模糊隸屬度函數(shù)確定樣本的模糊因子，然后建立(模糊)支持向量機(jī)模型分析發(fā)震等級(jí)，為分析水庫地震提供新方法。

1 (模糊)支持向量機(jī)原理

支持向量機(jī)是Corinna Cortes和Vapnik等于1995年首先提出[10～11]，用于處理數(shù)據(jù)分類問題。從理論上來說，支持向量機(jī)可實(shí)現(xiàn)對(duì)線性可分?jǐn)?shù)據(jù)的最優(yōu)分類；對(duì)于非線性劃分，可通過引入核函數(shù)K(xi,xj)轉(zhuǎn)化為帶約束的二次優(yōu)化問題。由于標(biāo)準(zhǔn)支持向量機(jī)對(duì)所有的輸入樣本同等對(duì)待，沒有考慮樣本點(diǎn)對(duì)分類超平面的貢獻(xiàn)大小，因此對(duì)噪聲和野值點(diǎn)很敏感，影響分類的精度。為了彌補(bǔ)這方面的不足可通過在標(biāo)準(zhǔn)支持向量機(jī)引入模糊因子，從而形成模糊支持向量機(jī)(Fuzzy Support Vector Machine, FSVM)。該二次優(yōu)化問題，多采用求解其對(duì)偶問題。其步驟如下[12]：

(1)設(shè)已知訓(xùn)練集T={(x1,y1), (x2,y2),…,(xl,yl)}∈(X×Y)，其中xi∈X=Rn,yi∈Y={-1,1},i=1,2,…,l。引入模糊因子si(0≤si≤1,i=1,2,…,l)來表示第i個(gè)樣本屬于正常的程度。兩類樣本的分類可轉(zhuǎn)化為考慮模糊因子的帶約束的二次優(yōu)化問題，其對(duì)偶問題為

式中：C——懲罰系數(shù)；

α——Lagrange乘子；

si——模糊因子，顯然當(dāng)si=1時(shí)上述對(duì)偶問題即為傳統(tǒng)SVM。

(2)構(gòu)造劃分超平面

(3)確定決策函數(shù)f(x)

模糊因子si的確定是決定模糊支持向量機(jī)性能好壞的關(guān)鍵。目前模糊因子大多基于隸屬度函數(shù)來確定，隸屬度的大小采用樣本到類中心的距離來度量[13]。但通過距離來確定隸屬度不能反映樣本的緊密程度，也不能反映分類超平面附近樣本點(diǎn)的貢獻(xiàn)大小。這里采用杜喆等[14]提出的用類內(nèi)超平面來代替類中心，用樣本點(diǎn)到超平面距離的線性函數(shù)來設(shè)計(jì)隸屬度函數(shù)。

對(duì)于非線性分類，利用核技巧，正、負(fù)類訓(xùn)練樣本點(diǎn)到各自類內(nèi)超平面的距離di+、di-分別為：

式中：n+——正類樣本數(shù)；

n-——負(fù)類樣本數(shù)；

K(x,y)——核函數(shù)。

正、負(fù)類樣本到各自類內(nèi)超平面的最大距離分別為D+=maxdi+、D-=maxdi-。

基于樣本點(diǎn)xi到類內(nèi)超平面距離的隸屬度si為

式中：δ為任意小的正數(shù)，防止si=0，因此0lt;si≤1。

由式(8)可知，如果樣本點(diǎn)xi距離類內(nèi)超平面越遠(yuǎn)，si越??；反之，則si越大。若樣本點(diǎn)xi位于分類邊界超平面間隔內(nèi)又遠(yuǎn)離類內(nèi)超平面，那么該樣本點(diǎn)則可能為野值點(diǎn)(或噪聲)，嚴(yán)重影響標(biāo)準(zhǔn)SVM的分類超平面的位置；在FSVM中，由于引入了模糊因子si，野值點(diǎn)的si為接近于0的一個(gè)很小的正數(shù)，那么野值點(diǎn)的懲罰系數(shù)也接近于0，對(duì)目標(biāo)函數(shù)的最小值影響就很小，則減小了野值點(diǎn)對(duì)分類超平面的位置影響，提高了分類的精度。在應(yīng)用SVM時(shí)，核函數(shù)類型、懲罰系數(shù)、松弛系數(shù)的選取都對(duì)結(jié)果產(chǎn)生顯著的影響，必須先進(jìn)行優(yōu)化[15～17]。

2 水庫誘發(fā)地震主要影響因素分析及定量化

丁原章認(rèn)為[18]：地質(zhì)構(gòu)造，包括庫基的巖石組成、巖石結(jié)構(gòu)、庫區(qū)斷裂構(gòu)造(分布、產(chǎn)狀、力學(xué)性質(zhì)、發(fā)育程度、現(xiàn)今活動(dòng)性)、水文地質(zhì)條件等，是水庫地震的基礎(chǔ)條件。這些地質(zhì)因素很多只能定性描述，定量分析存在一定困難。對(duì)于這些定性描述的因素，這里借用層次分析法(Analytical Hierarchy Process)的比較尺度對(duì)分類型因素進(jìn)行定量處理。由于在應(yīng)用支持向量機(jī)進(jìn)行分類識(shí)別時(shí)，輸入變量的值只代表某一種狀態(tài)的狀態(tài)量，其值的絕對(duì)大小與其狀態(tài)的關(guān)聯(lián)不大，因此，對(duì)于那些難于定量的指標(biāo)，只需按統(tǒng)一的量化原則確定其代表值即可。

(1)壩高、庫容的影響

蔣海昆等[19]通過統(tǒng)計(jì)分析發(fā)現(xiàn)，水庫地震的強(qiáng)弱與壩高、庫容大小沒有必然關(guān)系。因此，無論水庫大小均可能誘發(fā)地震。

(2)庫區(qū)、震中巖性及巖體完整性

根據(jù)對(duì)48座水庫地震的統(tǒng)計(jì)分析，庫區(qū)范圍內(nèi)，震中巖性分布較為廣泛，這里把巖性比較接近的歸為一類，以增加相近巖性的樣本數(shù)，提高SVM分類機(jī)的精度。將灰?guī)r、白云巖等歸為碳酸巖；將頁巖、泥巖等歸為黏土巖；將片巖、板巖歸為片板巖；將火山碎屑巖、凝灰?guī)r歸為火山巖。歸類后巖石主要集中在10種左右，如表1所示。巖體完整性根據(jù)巖體質(zhì)量等級(jí)取值，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ類巖體分別采用1、2、3、4、5來代表。

表1 巖性分類

(3)斷層性質(zhì)及活動(dòng)特點(diǎn)

節(jié)理、斷層對(duì)巖體的影響差異巨大。一般地表地層，巖體節(jié)理發(fā)育，巖體強(qiáng)烈風(fēng)化破碎，透水性強(qiáng)，引起的地震效應(yīng)多為微震和極微震，個(gè)別可能出現(xiàn)弱震。一些埋深較深的活動(dòng)斷層和張性斷層透水性較好，庫水通過這些通道影響巖體較深部的孔隙水壓力，誘發(fā)的地震多為弱震和中等強(qiáng)度地震。通常庫區(qū)范圍內(nèi)斷層眾多，因此可根據(jù)斷層的規(guī)模和影響程度的大小選擇一些主要斷層進(jìn)行分析。斷層性質(zhì)取值，按正斷層、逆斷層、走滑斷層，分別采用1、2、3來代表；斷層發(fā)育程度取值，按十分發(fā)育、發(fā)育、一般、不發(fā)育、十分發(fā)育，分別采用1、2、3、4、5來代表；斷層活動(dòng)性取值，按活動(dòng)、一般、不活動(dòng)，分別采用1、2、3來代表；斷裂透水性取值，按良好、一般、差，分別采用1、2、3來代表。

(4)庫區(qū)區(qū)域應(yīng)力狀態(tài)

水庫地震與區(qū)域應(yīng)力的關(guān)聯(lián)不明顯[17]，既可在構(gòu)造活動(dòng)活躍的地區(qū)發(fā)生，也可在構(gòu)造活動(dòng)不活躍的地區(qū)發(fā)生。但是如果庫區(qū)區(qū)域應(yīng)力較大，巖體中積累的彈性應(yīng)變能較高，巖體已接近破裂或錯(cuò)動(dòng)，則有可能誘發(fā)較強(qiáng)地震。區(qū)域應(yīng)力狀態(tài)取值，按壓縮、壓扭，拉張、張扭，剪切，不明顯，分別采用1、2、3、4來代表。

(5)庫區(qū)地震活動(dòng)背景

根據(jù)目前誘發(fā)地震的統(tǒng)計(jì)分析，誘發(fā)地震多發(fā)生在少震區(qū)或弱震區(qū)，相反在強(qiáng)震區(qū)水庫地震的實(shí)例不多見[17]。但這并不能說明強(qiáng)震區(qū)肯定不會(huì)誘發(fā)地震，只要在適當(dāng)?shù)牡刭|(zhì)構(gòu)造條件下，還是有可能誘發(fā)地震的。庫區(qū)地震活動(dòng)背景取值，按無震區(qū)、弱震區(qū)、中震區(qū)、強(qiáng)震區(qū)，分別采用1、2、3、4來代表。

3 水庫誘發(fā)地震(模糊)支持向量機(jī)模型的建立

要建立水庫誘發(fā)地震的SVM模型，首先要對(duì)地震震級(jí)進(jìn)行劃分。根據(jù)目前監(jiān)測(cè)到的水庫誘發(fā)地震資料，誘發(fā)地震最大震級(jí)為6.1級(jí)，震級(jí)不大，結(jié)合王秋良等的研究[8]，這里將誘發(fā)地震分為5個(gè)等級(jí)，分別為：強(qiáng)震，6.0≤M；中震，4.5≤Mlt;6.0；弱震，3.0≤Mlt;4.5；微震，Mlt;3.0；無震。誘發(fā)地震等級(jí)的劃分不宜過細(xì)，因?yàn)槟壳拔覈O(jiān)測(cè)到的水庫誘發(fā)地震約40起，如果劃分等級(jí)過細(xì)，那么每個(gè)等級(jí)的樣本數(shù)則會(huì)偏少，影響分類的效果。因此，本SVM模型為一五分類問題。對(duì)于多分類問題SVM模型可以采用一對(duì)一和一對(duì)多的分類方法[12]。由于分類較少，本文采用一對(duì)一的分類方法，共建立10個(gè)SVM分類機(jī)。在訓(xùn)練模型時(shí)，首先對(duì)樣本取值進(jìn)行標(biāo)準(zhǔn)化，以消除不同量綱、不同參數(shù)數(shù)值相差懸殊對(duì)模型的影響。參數(shù)的標(biāo)準(zhǔn)化方法也有很多，這里采用下式：

式中：xij′——xij標(biāo)準(zhǔn)化后的值；

μxi——第i個(gè)分量的期望；

σxi——第i個(gè)分量的標(biāo)準(zhǔn)差。

(模糊)支持向量機(jī)算法流程如圖1所示。根據(jù)算法流程編制相關(guān)程序。

圖1 (模糊)支持向量機(jī)算法流程圖Fig.1 Flow chart of the FSVM amp; SVM algorithm

4 實(shí)例分析

這里共收集國內(nèi)約100個(gè)大中型水庫的資料，包括已公開報(bào)道的48起發(fā)生過誘發(fā)地震的水庫，誘發(fā)地震的主要因素分為11個(gè)因子，5個(gè)地震等級(jí)分別采用1～5的5個(gè)自然數(shù)來代替，量化后數(shù)據(jù)如表2所示。隨機(jī)選擇其中86個(gè)水庫的數(shù)據(jù)作為訓(xùn)練樣本，建立SVM和FSVM分類機(jī)，另10個(gè)水庫數(shù)據(jù)用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力。由于訓(xùn)練樣本的選擇不同可能對(duì)模型的建立產(chǎn)生影響，因此這里選擇3組不同的訓(xùn)練樣本來建模。

首先采用第1組樣本訓(xùn)練模型，通過對(duì)訓(xùn)練結(jié)果分析比較，選擇Gauss徑向基函數(shù)作為核函數(shù)較為合適。對(duì)于以Gauss徑向基函數(shù)作為核函數(shù)的分類機(jī)，影響模型性能的參數(shù)是核函數(shù)中的參數(shù)σ2和懲罰參數(shù)C。模型中參數(shù)的取值會(huì)影響模型的性能。這里采取2點(diǎn)措施優(yōu)化模型：(1)每一分類機(jī)的誤判率，模型平均誤判率；(2)交叉驗(yàn)證。

經(jīng)過參數(shù)優(yōu)化后，SVM模型的參數(shù)取值為σ2=0.30，C=50，模型訓(xùn)練好后，10個(gè)分類機(jī)中的1個(gè)分類機(jī)存在誤判，最大誤判率為5.41%，平均誤判率為5.41%；FSVM模型的參數(shù)取值為σ2=0.43，C=50，10個(gè)分類機(jī)的4個(gè)分類機(jī)存在誤判，最大誤判率為5.41%，平均誤判率為2.76%。利用訓(xùn)練好后的模型對(duì)10個(gè)水庫的誘發(fā)地震等級(jí)進(jìn)行預(yù)測(cè)，F(xiàn)SVM模型與SVM模型預(yù)測(cè)結(jié)果相同，如表3所示。

根據(jù)目前公開的資料顯示，沖巴湖水庫、馮家山水庫、劉家峽水庫、碧口水庫都沒有誘發(fā)地震的報(bào)道，模型預(yù)測(cè)結(jié)果與實(shí)測(cè)完全一致；安康水庫未發(fā)生誘發(fā)地震，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，相比實(shí)測(cè)偏大；丹江口水庫誘發(fā)地震震級(jí)為4.7級(jí)，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，相比實(shí)測(cè)偏小一等；烏溪江水庫誘發(fā)地震震級(jí)為2.8級(jí)，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，較實(shí)測(cè)偏大一等；烏江渡水庫誘發(fā)地震震級(jí)為3.5級(jí)，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，與實(shí)測(cè)一致；三峽水庫誘發(fā)地震震級(jí)為4.1級(jí)，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，與實(shí)測(cè)一致；紫坪鋪水庫誘發(fā)地震震級(jí)為3.7級(jí)，這里預(yù)測(cè)為3等(弱震3.0≤Mlt;4.5)，與實(shí)測(cè)一致。因此，10個(gè)預(yù)測(cè)結(jié)果中，其中7個(gè)預(yù)測(cè)正確，正確率達(dá)70%，另外3個(gè)預(yù)測(cè)錯(cuò)誤，但偏差都不大。

表2 量化后的水庫指標(biāo)

注：表中數(shù)據(jù)均源自公開發(fā)表的文獻(xiàn)，部分?jǐn)?shù)據(jù)可參考文[20]。由于庫容屬涉密數(shù)據(jù)，在此不予公開。

表3 水庫地震等級(jí)預(yù)測(cè)結(jié)果

為了檢驗(yàn)?zāi)Ｐ偷聂敯粜?，選取第2、3組樣本訓(xùn)練模型時(shí)，模型中的參數(shù)保持不變。根據(jù)第2組樣本所得2種模型，其中SVM模型中10個(gè)分類機(jī)中的3個(gè)分類機(jī)存在誤判，最大誤判率為8.11%，平均誤判率為4.44%，10個(gè)水庫預(yù)測(cè)準(zhǔn)確率達(dá)70%；其中FSVM模型中10個(gè)分類機(jī)的4個(gè)分類機(jī)存在誤判，最大誤判率為5.56%，平均誤判率為2.78%。將訓(xùn)練好后的模型用于10個(gè)水庫誘發(fā)地震等級(jí)預(yù)測(cè)，SVM模型的預(yù)測(cè)正確率達(dá)70%，F(xiàn)SVM模型的預(yù)測(cè)正確率達(dá)60%，結(jié)果見表3。根據(jù)第3組樣本所得2種模型，SVM模型中10個(gè)分類機(jī)中不存在誤判；FSVM模型中10個(gè)分類機(jī)的2個(gè)分類機(jī)存在誤判，最大誤判率為2.22%，平均誤判率為1.97%。將訓(xùn)練好后的模型用于10個(gè)水庫誘發(fā)地震等級(jí)預(yù)測(cè)，SVM模型的預(yù)測(cè)正確率達(dá)80%，F(xiàn)SVM模型的預(yù)測(cè)正確率達(dá)70%，結(jié)果見表3。

通過3組不同訓(xùn)練樣本所得模型對(duì)比分析發(fā)現(xiàn)，SVM和FSVM模型均可用于水庫誘發(fā)地震等級(jí)分析，均具有較高精度，相比之下SVM模型略優(yōu)于FSVM模型，這似乎與文[14]所述存在矛盾。從理論上講FSVM模型較SVM模型更優(yōu)，因?yàn)榍罢呖紤]了樣本的模糊因子的影響，可以消除野值點(diǎn)(或噪聲)的影響[14]。但是，當(dāng)訓(xùn)練樣本數(shù)據(jù)可靠性高、離散性大，如果也引入模糊因子，采用FSVM進(jìn)行分類，則會(huì)降低距離類內(nèi)超平面遠(yuǎn)的樣本點(diǎn)對(duì)分類的影響，反而影響分類的準(zhǔn)確性。這點(diǎn)可以從水庫誘發(fā)地震等級(jí)預(yù)測(cè)的多次數(shù)值試驗(yàn)中得到驗(yàn)證。因此，在應(yīng)用SVM和FSVM進(jìn)行分類時(shí)，應(yīng)根據(jù)樣本的離散性來選擇模型，如果樣本離散性較高，則SVM優(yōu)于FSVM；相反，如果樣本離散性較低，則FSVM優(yōu)于SVM。

5 結(jié)論

通過收集國內(nèi)約100座大、中型水庫的相關(guān)資料，分析了誘發(fā)水庫地震的主要因素——巖性、巖體完整性、斷層性質(zhì)、庫區(qū)區(qū)域應(yīng)力狀態(tài)、庫區(qū)地震活動(dòng)背景等，將其劃分為11個(gè)因子，并建立相應(yīng)的水庫誘發(fā)地震SVM和FSVM模型。實(shí)例分析表明SVM和FSVM模型均可用于水庫誘發(fā)地震等級(jí)的預(yù)測(cè)分析，具有預(yù)測(cè)精度較高、考慮因素全面的特點(diǎn)，相比之下SVM模型略優(yōu)于FSVM模型。另外，在應(yīng)用SVM和FSVM進(jìn)行分類時(shí)，應(yīng)根據(jù)樣本的離散性來選擇采用何種模型，如果樣本離散性性較高，則SVM優(yōu)于FSVM；相反，如果樣本離散性較低，則FSVM優(yōu)于SVM。

本文僅對(duì)水庫誘發(fā)地震最大震級(jí)進(jìn)行了預(yù)測(cè)，通常誘發(fā)地震除了發(fā)生主震外還會(huì)發(fā)生眾多的前震或余震，其震級(jí)、震中位置都明顯不同于主震，對(duì)于前震或余震的預(yù)測(cè)，則應(yīng)根據(jù)不同地點(diǎn)斷裂構(gòu)造的規(guī)模、發(fā)育特點(diǎn)等獲取相關(guān)數(shù)據(jù)，再應(yīng)用所建立的SVM或FSVM模型進(jìn)行預(yù)測(cè)。另外，由于水庫誘發(fā)地震SVM或FSVM分類機(jī)是基于實(shí)測(cè)數(shù)據(jù)建立的，因此要想獲得精度高的預(yù)測(cè)效果，必須收集大量的發(fā)震水庫和未發(fā)震水庫的水庫特征、庫區(qū)的地質(zhì)資料、庫水入滲特點(diǎn)等資料，并確保數(shù)據(jù)的可靠性。

[1] 易立新，王廣才，李榴芬. 水文地質(zhì)結(jié)構(gòu)與水庫誘發(fā)地震[J]. 水文地質(zhì)工程地質(zhì)，2004，31(2)：29-32. [ YI L X, WANG G C, LI L F. Hydrogeological structure and reservoir induced seismicity[J]. Hydrogeology amp; Engineering Geology, 2004, 31(3):29-32.(in Chinese)]

[2] 常廷改. 巖溶塌陷型水庫地震的形成條件分析[J]. 水文地質(zhì)工程地質(zhì)，2006，33(5)：42-45. [CHANG T G. Forming conditions of karst collapsing induced earthquake[J]. Hydrogeology amp; Engineering Geology, 2006, 33(5):42-45.(in Chinese)]

[3] Turuntaev S B, Eremeeva E I, Zenchenko E V. Laboratory study of microseismicity spreading due to pore pressure change[J]. Journal of Seismology, 2013, 17:137-145.

[4] 魏海，楊華舒，王銘明，等.基于可靠度理論的水庫誘發(fā)地震分析[J].地震地質(zhì)，2016，38(4)：885-896. [ WEI H, YANG H S, WANG M M,etal. Reliability based analysis on reservoir induced earthquakes[J]. Seismology and Geology, 2016, 38(4): 885-896.(in Chinese)]

[5] 丁文鏡. 地震預(yù)報(bào)的力學(xué)問題[M]. 北京：清華大學(xué)出版社，2012. [DING W J. Mechanical problems in earthquake prediction[M]. Beijing: Tsinghua University Press, 2012. ( in Chinese)]

[6] Kenner S J, Segall P. A mechanical model for intraplate earthquakes: application to the New Madrid Seismic Zone[J]. Science, 2000, 289: 2329-2332.

[7] 蘇錦星，夏其發(fā)，汪雍熙，等. 大藤峽水庫誘發(fā)地震初步預(yù)測(cè)[J]. 中國地質(zhì)災(zāi)害與防治學(xué)報(bào)，2009，20(4)：42-51. [SU J X, XIA Q F, WANG Y X,etal. Preliminary prediction on Datengxia reservoir induced seismicity[J].The Chinese Journal of Geological Hazard and Control, 2009,20(4):42-51.(in Chinese)]

[8] 王秋良，姚運(yùn)生，夏金梧，等. 統(tǒng)計(jì)模型對(duì)三峽庫區(qū)誘發(fā)地震預(yù)測(cè)的應(yīng)用[J].地震地質(zhì)，2009，31(2)：287-294. [WANG Q L, YAO Y S, XIA J W,etal. Application of statistical forecasting model to the prediction of the Three Gorges Reservoir induced seismicity[J]. Seismology and Geology, 2009, 31(2): 287-194.(in Chinese)]

[9] 夏金梧，李長(zhǎng)安，王旭. 神經(jīng)網(wǎng)絡(luò)在三峽水庫誘發(fā)地震預(yù)測(cè)中的應(yīng)用[J]. 人民長(zhǎng)江，2007，38(2)：8-10. [XIA J W, LI C A, WANG X. Application of neural network theory in prediction of earthquake induced by TGP reservoir[J]. Yangtze River, 2007, 38(2): 8-10.(in Chinese)]

[10] Vapnik V N. The nature of statistical learning theory[M]. New York: Springer, 1995.

[11] Vapnik V N. Statistical Learning Theory[M]. New York: Wiley, 1998.

[12] 鄧乃揚(yáng)，田英杰.支持向量機(jī)——理論、算法與擴(kuò)展[M].北京：科學(xué)出版社，2009：43-62. [DENG N Y, TIAN Y J. Support vector machine-theory, algorithm and expansion[M]. Beijing: Science Press, 2009: 43-62. ( in Chinese)]

[13] 唐浩，廖與禾，孫峰，等. 具有模糊隸屬度的模糊支持向量機(jī)算法[J]. 西安交通大學(xué)學(xué)報(bào)，2009，43(7)：40-43. [TANG H, LIAO Y H, SUN F,etal. Fuzzy support vector machine with a new fuzzy membership function[J]. Journal of Xi’an Jiaotong University, 2009,43(7):40-43. ( in Chinese)]

[14] 杜喆，劉三陽, 齊小剛. 一種新隸屬度函數(shù)的模糊支持向量機(jī)[J]. 系統(tǒng)仿真學(xué)報(bào)，2009，21(7)：1901-1903. [DU Z, LIU S Y, QI X G. Fuzzy support vector machine with new membership function[J]. Journal of System Simulation, 2009，21(7): 1901-1903. ( in Chinese)]

[15] Pal M, Deswal S. Modeling pile capacity using support vector machines and generalized regression neural network[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2008, 134(7):1021-1024.

[16] Das S K, Samui P, Sabat A K. Prediction of field hydraulic conductivity of clay liners using an artificial neural network and support vector machine, international[J]. Journal of Geomechanics, 2012,12(5): 606-611.

[17] Valyon J, Horvath G. Selection methods for extended least squares support vector machines[J]. International Journal of Intelligent Computing and Cybernetics, 2008, 1(1): 69-93.

[18] 丁原章. 水庫誘發(fā)地震[M]. 北京：地質(zhì)出版社，1989. [DING Y Z. The reservoir induced earthquake[M]. Beijing: Geological Press, 1989. ( in Chinese)]

[19] 蔣海昆，張曉東，單新建，等. 中國大陸水庫地震統(tǒng)計(jì)特征及預(yù)測(cè)方法研究[M]. 北京：地震出版社，2014. [JIANG H K, ZHANG X D, SHAN X J. Research on prediction method and statistic characteristics of reservoir induced earthquake in China mainland[M]. Beijing: Seismic Press, 2014. ( in Chinese)]

[20] 梅錦山，侯傳河，司富安. 水工設(shè)計(jì)手冊(cè).2版.第2卷規(guī)劃、水文、地質(zhì)[M]. 北京：中國水利水電出版社，2014. [MEI J S, HOU C H, SI F A. Hydraulic design manual.2nd ed.Vol.2 Planning, hydrology, geology[M]. Beijing: China Water Power Press, 2014. ( in Chinese)]

責(zé)任編輯

：汪美華

AnanalysisofthereservoirinducedearthquakebasedonSupportVectorMachines

WEI Hai, TAO Kaiyun, WANG Xin, CHEN Danlei, LIAO Min

(FacultyofElectricPowerEngineering,KunmingUniversityofScienceandTechnology,Kunming,Yunnan650500,China)

The main factors inducing reservoir earthquakes, including lithology, rock mass integrity, fault property, tectonic stress state and seismic activity background in reservoir area, are divided into 11 factors and are quantified. Fuzzy factor of each sample reflecting the effect of the sample on this hyperplane was calculated based on the distance to the hyperplane of each class samples. The Fuzzy Support Vector Machines (FSVM) and Support Vector Machines (SVM) are used to establish the classifier of the induced earthquake, and to predict the magnitude of the reservoir induced earthquake (RIE). The cases analysis shows that FSVM and SVM models can be employed to predict the magnitude of RIE with high precision and over-all consideration. The SVM model are slightly superior to FSVM in the field of RIE prediction. Furthermore, when SVM and FSVM model are applied to classify samples, the SVM model is superior to FSVM if samples are with high discreteness. On the contrary, the FSVM model is superior to SVM if samples are with low discreteness.

reservoir induced earthquake; support vector machine; quantification; magnitude prediction

10.16030/j.cnki.issn.1000-3665.2017.06.20

P315.72+8

A

1000-3665(2017)06-0135-07

2016-12-25;

2017-03-17

云南省應(yīng)用基礎(chǔ)研究基金資助項(xiàng)目(KKSY20140426)

魏海(1975-)，男，博士，副教授，主要從事工程地質(zhì)、水工結(jié)構(gòu)方面的研究。E-mail: weihai2005@126.com