解洪偉，朱東麗

(1.廣東省有色地質測繪院，廣東 廣州 510080；2. 廣州市城市規(guī)劃勘測設計研究院，廣東 廣州 510060)

礦山邊坡受到外界不穩(wěn)定因素的影響，例如：雨水侵蝕、礦巖爆破、開采沉陷以及地震等，極易發(fā)生大面山體滑坡等重大災害，造成不可挽回的損失。因此，邊坡變形及穩(wěn)定性是礦山作業(yè)開采的安全基礎[1-3]。目前，國內外已有較多專家在邊坡變形的研究上做出突出性的貢獻。例如：苑小輝[4]根據概率統(tǒng)計、巖石應力學以及工程地質等，在充分考慮結構面的影響下，詳細研究了影響邊坡變形與穩(wěn)定的關鍵塊體，由于邊坡上下部分剪切應力的變化影響造成坡體失去穩(wěn)定性，對邊坡變形預警提出了建設性意見；張兵[5]在對水庫岸邊的邊坡變形監(jiān)測研究中，發(fā)現水庫水位、巖層應力關系、邊坡角度以及邊坡高度等是影響著邊坡形變的重要因素。

目前應用于礦山邊坡變形預測的算法主要經驗統(tǒng)計回歸模型、神經網絡預測模型[6]、灰色關聯預測模型[7]以及支持向量機預測模型[8]等方法。單獨使用這些傳統(tǒng)方法將無法滿足實際所需，因為惡劣環(huán)境會造成的監(jiān)測數據較大波動的問題，馮騰飛等[9]為了弱化該擾動的影響，提出了一種結合改進灰色關聯的最小二乘支持向量機模型，該算法相對于傳統(tǒng)算法有明顯優(yōu)勢；李勝等[10]在對露天礦的邊坡變形研究中，以修正果蠅算法優(yōu)化支持向量機回歸模型，特別指出，該方法引用了影響邊坡變形的七項指標，該算法結果表明預測結果精度較高與其他模型且綜合性能也好。

綜上所述，本文考慮算法計算復雜度的同時，為了實現高精度的邊坡變形預測，建立了一種結合PCA分析影響變形量的主要因子的優(yōu)化改進支持向量機預測模型，以期望能快速、高效、高精度的預測出變形量。

1 原理與方法

1.1 主成分分析PCA

影響邊坡變形量的因素眾多，且因素之間的關聯度相互交錯，導致數據特征空間過于復雜，因此，需要對數據進行預先的處理。PCA算法[11]是一種廣泛使用的降維算法，主要思路是n維特征映射為全新的k維正交特征，該算法去除噪聲和不重要的特征，從而提高數據處理的速度，只要保證損失的精度在一定范圍內，就能夠為減少不必要的運算和成本消耗。PCA 針對的是特征提取，可根據貢獻值進行維數的選擇，即保證信息損失較少又達到降維目的。

PCA算法主要流程如下：

假設已有數據具有n維特征的m條數據，現將n維特征降維為k維特征。

(1)將原始數據組成矩陣X(n,m)；

(2)將X的每一行進行零均值化，即得矩陣Q；

Q=X-mean(X)

(1)

(3)求出Q的協方差矩陣M，再求出M的特征值γ及對應的特征向量x；

(2)

(4)將特征向量按對應特征值大小依次按行排列，取前k行組成矩陣P，即降維的數據。

P=[x1x2…xk]T

(3)

式中,xk為排在λ序列第k個對應的特征向量。矩陣P為貢獻值矩陣，并非原數據，由貢獻值可進一步分析數據的簡易可靠特征，減少算法的計算復雜度。

1.2 GWO灰狼算法

目前常用的智能優(yōu)化算法有GA、PSO、模擬退火等，雖然使用廣泛，但依然存在一些缺陷，其中，不論是基因的變異、粒子移動還是能量躍遷，其變化本質都是遵從隨機原則，導致算法收斂需要一定的時間。為了改善隨機原則帶來的影響，必須對其機理加以約束。

Mirjalili等[12]人受到灰狼捕食的啟發(fā)，于2014年提出來的一種新型群智能優(yōu)化算法—灰狼算法(GWO)[13-14]。該算法具有較強的收斂性能且參數少、易實現?；依撬惴ǖ奶攸c是，表明了灰狼之間有一個嚴格的社會支配等級關系，狼群分為4個固有等級，其中第一級為頭狼，支配其他狼；第二級為上層狼，服從頭狼，支配其他層級狼，當頭狼衰落，其將成為候選狼；第三級為中層狼，其地位僅高于第四級狼；第四級狼服從其他社會層級的狼，作為狼群的勞動力，可減少狼群內部矛盾。

該算法從等級分層上來看，整個優(yōu)化過程主要由第一、二、三等級的種群來完成，第四級為服從命令級。通過協同指揮、命令、相對位置、位移矢量進行獵物的包圍過程，不斷的進行位置迭代與信息交換，實現獵物的捕獲，即分散搜索，集中攻擊。該算法由于狼群受到不同等級的狼的領導，使得該算法會跳出局部最優(yōu)解，實現全局最優(yōu)，這在優(yōu)化迭代中尤為重要。

該算法主要流程如下：

整個捕獵過程抽象為游走、召喚以及圍捕3個行為。

首先，頭狼感知獵物，在感知范圍如果沒獵物，進行自主決策游走，根據氣味濃度的梯度進行判斷，如式所示，直到找到獵物或達到游走距離上限時終止游走行為。

(4)

然后，當找到獵物時，所有狼向頭狼集聚，其表現為狼群服從指揮的特性。狼所處位置如式，

(5)

最后，在分層等級的狼群指揮與領導下，進行圍捕攻擊，直到將獵物捕獲，即獲得最優(yōu)的解。

1.3 SVM

SVM存在2個需要優(yōu)化的參數：懲罰參數c，核函數參數g。文獻[9]中指出Gauss徑向基函數廣泛被使用與預測方面，且效果較理想，因此，該函數作為本文的核函數。

SVM作為預測主體，首先，以PCA算法分析邊坡變形的主要因素，并計算各主成分的貢獻度作為預測模型中數據的權重；其次，以GWO算法優(yōu)化SVM的2個參數，以此加快搜索SVM的全局最優(yōu)參數best-c和best-g，最后，以前面一部分時序數據作為訓練集，以后一部分作為測試集，以驗證該算法的精度和效率。模型流程圖見圖1。

圖1 PCA-GWO-SVM模型流程圖

2 實驗結果

本文選用文獻[10]中的搜集到的露天礦邊坡實際監(jiān)測數據，并選用影響因子：地下水位變化量x1、邊坡坡度變化量x2、內聚力x3、降雨量平均值x4、摩擦角x5、邊坡角x6、應力值監(jiān)測數據x7，同時，以前27組數據作為訓練數據，后5組作為測試數據，實驗數據在文獻[10]中可見。

首先，經由PCA主成分分析獲得各成分的貢獻值，其總方差解釋如表1所示，主成分的成分矩陣如表2所示。

由表1可知，第一主成分占49.623%的信息量，第二主成分占28.497%的信息量，第三主成分占13.967%的信息量，前4個主成分幾乎包含了95.281%的特征信息，后3個成分中的特征值并不明顯。因此，取前4個主成分作為分析數據，其主成分在各成分中的貢獻值，如表2所示。

第一主成分主要是由地下水位變化量、內聚力、摩擦角以及邊坡角的影響；第二主成分主要是邊坡坡度高度變化量、降雨量平均值的影響；第三主成分主要是應力值監(jiān)測數據的影響；第四主成分受各因子的影響較小。根據該貢獻值得分析結果，再結合前3個主成分各自所在的比重，確定各影響因子的在預測模型中的權重。

表1總方差解釋

表2 主成分系數

在訓練集中，按照邊坡變形量將訓練數據進行等級分類，變形量大的作為頭狼、其次為上層狼、再則為中層和下層狼，以均方差作為適應度。如圖2所示，本文方法的適應度曲線，經過36次迭代達到均方差的穩(wěn)定，所得best-c為5.526 8、best-g為0.204 56。

圖2 適應度曲線

預測結果見表3所示，同時，也與文獻中的預測方法以及傳統(tǒng)的SVM算法做出對比，實驗表明：絕對誤差最小為0.09，最大為1.08，平均相對誤差均較優(yōu)于其他算法。

表3模型預測結果

注：ae為絕對誤差；re為相對誤差。

綜合分析，獲取邊坡變形的影響因子是保證邊坡穩(wěn)定性的關鍵所在，本文采用PCA對采集的影響因子進行降維處理，分析出各因子在整個系統(tǒng)中所付出的貢獻值，再以GWO算法進行數據分層級的參數尋優(yōu)，從而實現優(yōu)化的SVM預測模型。從預測結果來看：該方法具有較好泛化能力和較好的收斂性能，對露天礦邊坡變形的預測精度有著明顯的提高且綜合性能好，可廣泛用于類似數據。

3 結 論

影響邊坡變形及穩(wěn)定性的因素很多，并且有些因素具有較高的相關性。雖然直接使用這些數據會增強預測模型的預測精度，但使用了PCA分析這些數據，并找出這些數據在變形量上的貢獻度，以此進行定量分析。實驗表明：使用PCA可明顯得知各因子對邊坡穩(wěn)定性的影響。

將GWO灰狼算法中的等級支配制度用于支持向量機的優(yōu)化，使得整個算法不容易掉入局部最優(yōu)解，該優(yōu)化的智能性從理論上講高于其他算法。實驗結果也表明了高貢獻度影響因子的等級支配是PCA-GWO-SVM所獨有的，該群智優(yōu)化算法的優(yōu)勢使得該模型具有較好的綜合性能，在邊坡變形的預測上具有較高的可靠性和實用性。同時，能準確預測邊坡變形量的變化趨勢，從而有效達到礦山邊坡的安全化管理。