0 引言

在長、深、斷面大隧道（洞）的施工過程中（如引江補(bǔ)漢、滇中引水等引調(diào)水工程，）往往會遇到地應(yīng)力大、圍巖軟弱、地下水豐富等復(fù)雜困難的情況。在此類地層中進(jìn)行隧道（洞）開挖時，可能會出現(xiàn)圍巖大變形等問題。根據(jù)Jethwa ?_?G_0el 及Sakurai等[1-3]最早提出的理論認(rèn)為，當(dāng)無支護(hù)的地下隧道（洞）圍巖變形超過其尺寸的 1% 時，可認(rèn)定為大變形，可能會導(dǎo)致施工問題。Singh[4]提出，周向應(yīng)變的閾值并不一定是 1% ，它取決于巖體的性質(zhì)，超過這個閾值可能會遇到問題。如果支護(hù)不充分，變形可能會持續(xù)一段時間[1]；支護(hù)結(jié)構(gòu)合理，將阻止圍巖的不良變形，支護(hù)強(qiáng)度越高，越能阻止更大的變形發(fā)生。在允許有一定變形的情況下，由于支護(hù)結(jié)構(gòu)承受的圍巖壓力降低，需要的剛性支撐也會減少[5]。因此，處理圍巖大變形的最佳方法是提前（在規(guī)劃和設(shè)計期間）進(jìn)行合理支護(hù)設(shè)計和采用合適施工程序，最大限度地減少穩(wěn)定性問題，保障施工人員和設(shè)備的安全。鑒于大變形預(yù)測的重要性，近年來，人們提出了多種不同的方法來預(yù)測和評價大變形現(xiàn)象，主要預(yù)測方法分為經(jīng)驗(yàn)方法、半經(jīng)驗(yàn)方法和機(jī)器學(xué)習(xí)方法[6-12]三大類，根據(jù)相關(guān)參數(shù)（巖體質(zhì)量指標(biāo)Q、埋深、巖體強(qiáng)度、強(qiáng)度應(yīng)力比等）建立大變形預(yù)測模型；除此之外，預(yù)測方法中還有一些常用的方法，如強(qiáng)度應(yīng)力比法、數(shù)值模擬法等。上述方法是預(yù)測隧道（洞）變形的主要方法，在實(shí)踐中發(fā)揮著重要作用。

隨著機(jī)器學(xué)習(xí)方法的發(fā)展，其被引入工程相關(guān)領(lǐng)域并取得了一定的應(yīng)用效果。通過收集大變形數(shù)據(jù)，采用不同的機(jī)器學(xué)習(xí)組合方法和預(yù)測指標(biāo)，對圍巖大變形進(jìn)行預(yù)測研究。機(jī)器學(xué)習(xí)可以通過組合分類器發(fā)揮各個分類器的優(yōu)點(diǎn)，但分類器數(shù)量增多時，模型復(fù)雜度提升，實(shí)用性降低。其中，SVM分類器具有處理小樣本、高維、非線性問題方面的優(yōu)勢[13-14]，已在隧道大變形預(yù)測上廣泛應(yīng)用，包括利用SVM回歸預(yù)測變形量及判斷大變形風(fēng)險[15-20]。然而，在圍巖大變形分類的SVM研究中，需進(jìn)一步對SVM預(yù)測能力進(jìn)行深入探索。本文總結(jié)研究了目前常用的大變形預(yù)測算法，建立了基于SVM的大變形等級預(yù)測模型，收集國內(nèi)外大變形數(shù)據(jù)，提出14種SVM優(yōu)化算法以用于大變形等級預(yù)測，最后采用SHAP模型對SVM預(yù)測模型進(jìn)行解釋性分析。

1方法介紹

支持向量機(jī)（support vectormachine，SVM）是一種基于統(tǒng)計學(xué)習(xí)理論發(fā)展起來的機(jī)器學(xué)習(xí)方法。SVM不需要特定模型形式的先驗(yàn)知識，具有靈活的非線性建模能力和較高的泛化性能。因此，其被廣泛應(yīng)用于解決不同領(lǐng)域的問題，如金融、能源、水文研究、機(jī)械工程、土木工程、水利水電工程等[15，21-22]。同時，也被廣泛應(yīng)用于隧道擠壓變形預(yù)測[8，13，15，16，23-25]。SVM 是一種二元分類模型可進(jìn)行多元分類和回歸分析。

使用SVM進(jìn)行分類是通過超平面將兩類樣本分離，最大限度保證超平面兩側(cè)空缺區(qū)域。給出一個包含樣本特征向量訓(xùn)練數(shù)據(jù)集 D={（x₁，y₁），（x₂，y₂） ，…，（x_n，y_n）} ，其中 x_i 為 d 維向量， y_i∈{-1，1} 是樣本分類記號。SVM的目的是讓所有樣本點(diǎn)都符合下列條件的超平面 （w?x+b=0 ）：

y_i（w?x_i+b）?1，i=1，2，…，n

式中： w 是超平面的法向量； b 是偏置項(xiàng)。樣本點(diǎn)與超平面間隔控制在

最小化 的求解方式為

式（2）滿足約束條件：

y_i（w?x_i+b）?1，i=1，2，…，n

通過引入拉格朗日乘子 α_i（α_i≥0） ，構(gòu)建拉格朗日函數(shù)：

對 w 和 b 求偏導(dǎo)，使其導(dǎo)數(shù)為0，得到

將 w 和 b 代入公式（4），得到拉格朗日對偶問題

式（7）滿足約束條件：

解出 w 和 b ：通過求解對偶問題，可以得到最優(yōu)的α_i ，進(jìn)而計算出最優(yōu)的 w 和 b 。

支持向量機(jī)涉及諸多可主觀調(diào)整的參數(shù)，包括輸人變量的選取、搜索空間的設(shè)定及超參數(shù)的配置，這些參數(shù)直接影響模型的表現(xiàn)。因此，尋找最佳參數(shù)組合成為了一個既具挑戰(zhàn)性又需精細(xì)操作的任務(wù)。為了解決這一問題，目前比較熱門且應(yīng)用廣泛的辦法是使用智能優(yōu)化算法確定模型的待定參數(shù)，可以有效提高SVM的分類精度。因此，本文選取14種優(yōu)化算法對大變形等級進(jìn)行預(yù)測，對預(yù)測結(jié)果進(jìn)行比較分析，從而找到高效且優(yōu)化結(jié)果穩(wěn)定的算法。

2預(yù)測指標(biāo)與數(shù)據(jù)庫構(gòu)建

2.1 預(yù)測指標(biāo)的選取

根據(jù)目前常用大變形預(yù)測方法所引用的參數(shù)（表1），以及前人采用機(jī)器學(xué)習(xí)方法進(jìn)行大變形預(yù)測的相關(guān)文獻(xiàn)資料（表 2^{[6，13，15，26-32]} ），同時考慮到獲取隧道（洞）勘察設(shè)計階段相關(guān)參數(shù)的難易程度，確定了可能與大變形相關(guān)的5個主要參數(shù)：隧道（洞）深度（ ∣H∣ 、隧道（洞）等效直徑 （D） 、強(qiáng)度應(yīng)力比（SSR）、巖石掘進(jìn)質(zhì)量指數(shù)（ [BQ] ）和支護(hù)剛度 （K） ，并將其用于本文分析。

注 _;H 為隧道（洞）埋深；Q為巖石隧道質(zhì)量指數(shù)； B 或 D 為隧道（洞）跨度或直徑： Ω_u 為隧道（洞）跨度或直徑的變形量； N 為無應(yīng)力巖體質(zhì)量指標(biāo)； [BQ] 為基于修正 BQ 系統(tǒng)的圍巖分類等級； ε 為隧道（洞）直徑的相對變形量； P_i 為支護(hù)壓力； N_c 為強(qiáng)度應(yīng)力比（SSR）； σ_cm 為巖體單軸飽和抗壓強(qiáng)度； σ_c 為巖石單軸飽和抗壓強(qiáng)度；γ為巖石比重。

2.1.1 埋深

隧道（洞）埋深 （H） 決定了地應(yīng)力，這是造成大變形的主要應(yīng)力。同時，幾乎所有預(yù)測大變形的方法都考慮隧道（洞）埋深或者地應(yīng)力;而地應(yīng)力也與埋深有密切關(guān)系（通常地應(yīng)力估計值 p_i=γH ），因此選取 H 作為預(yù)測參數(shù)。

2.1.2 等效直徑

Geol等[33]研究表明，大變形受到圓形隧道（洞）

直徑和非圓形隧道（洞）跨度的影響。隧道（洞）的開挖規(guī)模對應(yīng)了施工對圍巖的擾動程度，應(yīng)力重分布后引起圍巖的流變效應(yīng)，產(chǎn)生圍巖變形。為了統(tǒng)一預(yù)測指標(biāo)，對數(shù)據(jù)庫中非圓形隧道（洞）采用等效直徑 D （ 為開挖截面積）進(jìn)行換算。

2.1.3 強(qiáng)度應(yīng)力比

強(qiáng)度應(yīng)力比（SSR）早在 20a 前就被用于分析隧道（洞）大變形問題[34]。近些年，許多采用機(jī)器學(xué)習(xí)方法進(jìn)行的大變形預(yù)測研究將SSR作為預(yù)測隧道（洞）大變形發(fā)生的關(guān)鍵因素（參考表2）。為此，本文也將選取SSR作為大變形預(yù)測分析中一項(xiàng)預(yù)測指標(biāo)。

2.1.4巖體質(zhì)量指標(biāo)

圍巖級別是評估圍巖條件的一個綜合性參數(shù)。由表1可以看出國外提出的經(jīng)驗(yàn)法或半經(jīng)驗(yàn)法多采用巖體 Q 系統(tǒng)作為評價指標(biāo)，很難應(yīng)用于國內(nèi)巖體BQ分級系統(tǒng)。因此，收集到的國外大變形相關(guān)數(shù)據(jù)資料很難直接應(yīng)用于國內(nèi)隧道（洞）的大變形預(yù)測。為了適應(yīng)國內(nèi)巖體質(zhì)量分級[BQ]，需要進(jìn)行 Q 與[BQ]的轉(zhuǎn)化，相應(yīng)的轉(zhuǎn)換公式可參考文獻(xiàn)[30]。

2.1.5 支護(hù)剛度

支護(hù)剛度 （K） 在控制支護(hù)壓力和巖體變形的相互作用而產(chǎn)生的過度變形方面起著重要作用。如果支護(hù)結(jié)構(gòu)能夠提供足夠的支撐作用，可以有效阻止大變形的發(fā)生[6.35]。可以認(rèn)為，隧道（洞）變形量與支護(hù)形式相關(guān)聯(lián)，如Dwivedi等[35]認(rèn)為支護(hù)剛度是預(yù)測大變形的關(guān)鍵指標(biāo)。支護(hù)剛度的詳細(xì)公式推導(dǎo)可參考文獻(xiàn)[6，35]

2.2 數(shù)據(jù)庫來源

以2.1節(jié)的5個預(yù)測指標(biāo)為參考，通過文獻(xiàn)調(diào)研，編制了一個數(shù)據(jù)庫，大變形基礎(chǔ)數(shù)據(jù)來源于國內(nèi)外的相關(guān)案例[6.8.，23.0.36-37]。通過篩除相關(guān)案例中數(shù)據(jù)缺失及數(shù)據(jù)較差部分，最終得到了共145組數(shù)據(jù)集，其中包括 D，H，K，[BQ]，SSR 及大變形分級結(jié)果。

2.3 大變形分級標(biāo)準(zhǔn)

在大變形分級方法方面，國外研究者偏于保守。一些經(jīng)典的大變形分級研究表明：當(dāng)相對變形量超過 1% 時，即可判定大變形災(zāi)害的發(fā)生；而在國內(nèi)，大變形災(zāi)害的發(fā)生可以判定為相對變形量超過 2% 。Singh等4以 1% ， 3% ， 5% 作為分級閾值，將大變形災(zāi)害分為4個等級（以下簡稱“Singh分級”）。Hoek等[38]以 1% ， 2.5% . 5% ， 10% 為閾值，將大變形等級劃分為5個等級（以下簡稱“Hoek分級”）。Aydan等[34]以 1% ， 2% ， 3% ， 5% 為閾值，將大變形等級劃分為5個等級（以下簡稱“Aydan分級”）。國內(nèi)的0/CR9512-2019? 鐵路擠壓性圍巖隧道技術(shù)規(guī)范》以 2% ？ 4% . 6% 為閥值，將大變形等級劃分為4個等級（以下簡稱“鐵路規(guī)范分級”）。JTG3370.1-2018《公路隧道設(shè)計規(guī)范》以 2% ， 3% ， 5% 為閾值，將大變形等級劃分為4個等級（以下簡稱“公路規(guī)范分級”）。綜上所述，本文采用以上大變形案例中的變形等級進(jìn)行劃分，并分析不同分級方案下預(yù)測模型的效果。圖1為不同分級方案下大變形數(shù)據(jù)分布，從圖中可以看出：采用國外的分級方案，未發(fā)生大變形情況的數(shù)據(jù)占比為 26% ，遠(yuǎn)小于國內(nèi)分級方案的49% ；每個大變形等級在各個分級方案中均有一定的案例供預(yù)測模型訓(xùn)練測試。

3大變形等級預(yù)測

3.1 預(yù)測性能評估指標(biāo)

本文在進(jìn)行隧道（洞）大變形等級預(yù)測的研究中，采用可決系數(shù) R² 以及準(zhǔn)確率 A 來評價預(yù)測模型性能。R² 的具體定義如下：

式中： x_t 為第 χ_t 個隧道擠壓變形量的實(shí)際值； 為第 Ψ_t 個隧道擠壓變形量的預(yù)測值； 為所有實(shí)際值的算術(shù)平均值； N 為樣本數(shù)； R² 反映了預(yù)測結(jié)果與實(shí)際值的擬合程度，取值范圍[0，1]，數(shù)值越大代表擬合效果越好；A的值表示正確預(yù)測樣本數(shù)所占百分比。

3.2 多種優(yōu)化算法下SVM預(yù)測模型

在機(jī)器學(xué)習(xí)領(lǐng)域，交叉驗(yàn)證是評估模型性能及參數(shù)優(yōu)化的重要手段，旨在驗(yàn)證模型對問題的解釋力。本文實(shí)施了十折交叉驗(yàn)證策略，即將134組數(shù)據(jù)均分為10個子集，確保各子集覆蓋不同的大變形等級數(shù)據(jù)。此過程中，每次迭代選取一個子集作為驗(yàn)證集，其余作為訓(xùn)練集，循環(huán)10次直至每個子集均被用作驗(yàn)證。通過平均10次驗(yàn)證結(jié)果或采用其他綜合方式，獲得一個穩(wěn)定可靠的模型評估。此方法尤其適用于數(shù)據(jù)規(guī)模適中且計算資源豐富的場景。

本文共收集到以下14種目前比較流行的SVM優(yōu)化算法：ALO_SVM、COA_SVM、DBO_SVM、FA_SVM、FPA_SVM、GWO_SVM、JS_SVM、PIO_SVM、PSO_SVM、SCSO_SVM、SOA_SVM、SSA_SVM、TSO_SVM、WOASVM。

為了更直觀地體現(xiàn)各個預(yù)測模型的預(yù)測效果，圖2＼～6中以ALO_SVM預(yù)測結(jié)果為基準(zhǔn)，展示了每種優(yōu)化算法下訓(xùn)練集、測試集的相對準(zhǔn)確率A及 R² 值。

從各個預(yù)測模型整體來講，訓(xùn)練集的準(zhǔn)確率A及 法下訓(xùn)練集的準(zhǔn)確率 A 均維持在 80% 以上， R² 值均維R² 值均高于測試集的準(zhǔn)確率 A 及 R² 值，所有優(yōu)化算 持在0.8以上；表明一般情況下SVM優(yōu)化算法能夠有效地對大變形等級進(jìn)行預(yù)測，同時不同算法的預(yù)測結(jié)果仍然存在一些差距，需要仔細(xì)探討不同大變形分級標(biāo)準(zhǔn)下最適合的SVM優(yōu)化算法。

從圖2中可以看出，在基于Singh大變形分級方法的預(yù)測結(jié)果中，SCSO_SVM預(yù)測模型表現(xiàn)最好，訓(xùn)練集、測試集的準(zhǔn)確率A及 R² 值分別為 94.6% ， 87.5% 及0.957，0.900；同時各個預(yù)測模型的表現(xiàn)差異不大，預(yù)測結(jié)果良好。從圖3中可以看出，在基于Hoek大變形分級方法的預(yù)測結(jié)果中，DBO_SVM預(yù)測模型表現(xiàn)最好，訓(xùn)練集、測試集的準(zhǔn)確率 A 及 R² 值分別為94.6% . 87.5% 及0.957，0.900，F(xiàn)A_SVM預(yù)測模型在Hoek分級里的表現(xiàn)稍差；但在Hoek分級里，各個優(yōu)化算法的測試結(jié)果均優(yōu)于其他5種大變形分級方法中對應(yīng)的測試結(jié)果;準(zhǔn)確率 A 最低為FA_SVM預(yù)測模型的92.3% ， R² 值最低為FA_SVM預(yù)測模型的0.801。從圖4中可以看出，在基于Aydan大變形分級方法的預(yù)測結(jié)果中，SOA_SVM預(yù)測模型表現(xiàn)最好，訓(xùn)練集、測試集的準(zhǔn)確率 A 及 R² 值分別為98. 5% ， 91.7% 及0.993，0.965，F(xiàn)A_SVM、FPA_SVM預(yù)測模型中測試結(jié)果稍差，其余預(yù)測模型均表現(xiàn)較好。從圖5中可以看出，在基于鐵路隧道大變形分級方法的預(yù)測結(jié)果中，SCSO_SVM預(yù)測模型表現(xiàn)最好，訓(xùn)練集、測試集的準(zhǔn)確率 A 及 R² 值分別為 93.2% ， 84.6% 及0.955，0.999，F(xiàn)PA_SVM、PSO_SVM預(yù)測模型中測試結(jié)果較差，其余預(yù)測模型差距不大，總體除了SCSO_SVM及PSO_SVM預(yù)測模型，其他的預(yù)測模型的預(yù)測結(jié)果準(zhǔn)確率還維持在 90% 上下，但大變形等級預(yù)測結(jié)果存在偏差時，等級誤差較大，導(dǎo)致 R² 值較低。從圖6中可以看出，在基于公路大變形分級方法的預(yù)測結(jié)果中，PIO_SVM、SCSO_SVM、SSA_SVM、SCSO_SVM預(yù)測模型表現(xiàn)相對較好，測試集的準(zhǔn)確率A能維持在 90% 左右， R² 值能維持在0.95左右，但是訓(xùn)練集的表現(xiàn)一般，同時各個優(yōu)化算法的測試結(jié)果整體表現(xiàn)在5種大變形分級方法里面最差，準(zhǔn)確率 A 最低為PSO_SVM預(yù)測模型的76.2% . R² 值最低為ALO_SVM預(yù)測模型的0.474，說明在該種大變形分級標(biāo)準(zhǔn)下，仍需進(jìn)一步對預(yù)測算法、分級指標(biāo)等展開研究。

表3簡要概括了前人采用SVM進(jìn)行大變形等級預(yù)測的相關(guān)研究成果。本文所采用的PIO_SVM、SCSO_SVM、SOA_SVM、SSA_SVM預(yù)測算法整體預(yù)測性能高于表中的相關(guān)研究成果，且對于Aydan預(yù)測模型的適應(yīng)程度最高?？紤]到預(yù)測指標(biāo)、案例數(shù)量上存在差異，還需要進(jìn)一步探討研究其對預(yù)測性能的影響程度。同時，本文采用的預(yù)測指標(biāo)更適合國內(nèi)相關(guān)隧道（洞）的預(yù)測，預(yù)測指標(biāo)獲取難度較小，后續(xù)可以考慮使用PIO_SVM、SCSO_SVM、SOA_SVM、SSA_SVM預(yù)測算法進(jìn)行實(shí)際應(yīng)用研究。

3.3基于SHAP的可解釋性分析

SHAP方法作為卓越的模型后解釋工具，通過量化各特征對預(yù)測值的貢獻(xiàn)，清晰闡明機(jī)器學(xué)習(xí)預(yù)測的背后邏輯。通過SHAP算法獲取變量相關(guān)的Shapley值，以展示各變量對預(yù)測結(jié)果的影響強(qiáng)度，由此提高模型可解釋性。從圖7中可以看出，本文計算各個特征Shapley絕對值的均值依次是 K= 0.68，H=0.28，[BQ]=0.16，D=0，SSR=0 ，可以更直觀地衡量特征重要性的程度，均值越大，特征越重要，根據(jù)對預(yù)測結(jié)果的重要性，排序依次是 K H，[BQ]，D，SSR ，與前人研究結(jié)果對比，可能預(yù)測指標(biāo)存在個別差異，但基本排序相吻合[6，15.23]。同時本文采用同樣的方法進(jìn)行了測試，以ALO_SVM預(yù)測模型為例，發(fā)現(xiàn)預(yù)測指標(biāo)缺少 D 和SSR確實(shí)會降低預(yù)測模型的性能，該SHAP圖中 D=0 ， SSR=0 ，可能是算法有差異，導(dǎo)致 D 和 SSR 貢獻(xiàn)率過于低。圖8為本文預(yù)測模型的SHAP摘要圖，樣本通過點(diǎn)的形式展示。

圖8中SHAP的絕對值大小與預(yù)測參數(shù)對大變形等級影響程度正相關(guān)，該值為正時表示對預(yù)測結(jié)果產(chǎn)生正向影響（大變形等級提升），反之為負(fù)向影響（大變形等級降低）。從圖中明顯看出 K 和 [BQ] 對預(yù)測結(jié)果產(chǎn)生較大負(fù)向影響，即 K 和 [BQ] 的值越高，所產(chǎn)生的大變形等級越低； H 對預(yù)測結(jié)果產(chǎn)生較大正向影響，即 H 的值越小，所產(chǎn)生的大變形等級越低；這與工程經(jīng)驗(yàn)十分吻合。另外， K 值多呈長尾分布，也就是說

K 值太大或太小對大變形等級預(yù)測結(jié)果產(chǎn)生的影響將非常大。

3.4 相關(guān)工程預(yù)測結(jié)果對比

位于廣東省的高峰隧道全長 4350m ，最大埋深464m ，主要巖性為泥質(zhì)灰?guī)r、灰?guī)r等，區(qū)域地質(zhì)構(gòu)造十分復(fù)雜，巖體節(jié)理裂隙發(fā)育，地下水豐富，有發(fā)生大變形的可能。通過資料收集，查閱沿線地質(zhì)條件，獲取一部分大變形預(yù)測指標(biāo)，見表4。選取前述預(yù)測性能較好的4個預(yù)測模型（PIO_SVM、SCSO_SVM、SOA_SVM、SSA_SVM）及測試各個優(yōu)化算法下的預(yù)測性能較為突出的Aydan大變形分級方法，對高峰隧道大變形等級進(jìn)行預(yù)測。表5為采用SVM優(yōu)化算法的預(yù)測結(jié)果與實(shí)際大變形預(yù)測結(jié)果的對比，可以看到本文提出的預(yù)測模型能夠有效預(yù)測大變形的產(chǎn)生。

4結(jié)論

本文共收集145組數(shù)據(jù)，提出了14種基于支持向量機(jī)優(yōu)化算法的大變形等級預(yù)測模型來進(jìn)行大變形等級預(yù)測研究。通過準(zhǔn)確率A以及可決系數(shù) R² 對預(yù)測模型進(jìn)行評價；同時基于SHAP方法對預(yù)測模型進(jìn)行了可解釋性分析，最后對高峰隧道進(jìn)行大變形等級預(yù)測以驗(yàn)證模型。研究的主要結(jié)果總結(jié)如下。

（1）PIO_SVM、SCSO_SVM、SOA_SVM及SSA_SVM在5種大變形分級情況下預(yù)測性能均較好，準(zhǔn)確率 A 能維持在 90% 左右， R² 值能維持在0.95左右。

（2）基于Hoek大變形分級方法中的各個優(yōu)化算法測試結(jié)果整體表現(xiàn)最優(yōu)，基于公路隧道大變形分級方法中的各個優(yōu)化算法測試結(jié)果整體表現(xiàn)最差，可能公路隧道大變形分級方法下的分類界限與預(yù)測模型契合度不高。

（3）以SHAP方法分析，對預(yù)測結(jié)果重要性排序依次是 K，H，[BQ]，D，SSR;K，[BQ] 與大變形等級負(fù)相關(guān)，而 H 與大變形等級正相關(guān)。

本文中預(yù)測模型相比常規(guī)預(yù)測方法有更高的預(yù)測精度，但與數(shù)值模擬相比，本文考慮的影響因素有限，數(shù)據(jù)收集不足，影響數(shù)據(jù)質(zhì)量，且在施工過程中，很難獲得完整的輸人參數(shù)值。將來，可以引人其他先進(jìn)的單個分類器來構(gòu)建分類器集成，以提高模型的預(yù)測精度。

參考文獻(xiàn)：

[1]JETHWA JL.Evaluation of rock pressures in tunnels through squeezing ground in LowerHimalayas[D].Roorkee： UniversityofRoorkee，1981.

[2] GOEL RK，JETHWA JL，PAITHANKAR A G. Indian experienceswithQandRMR systems[J].Tunnelling and UndergroundSpaceTechnology，1995，10（1）：97-109.

[3] SAKURAI S.Lessons learned from field measurements in tunnelling[J].Tunnelling and Underground Space Technology，1997，12（4）：453-460.

[4] SINGHM，SINGHB，CHOUDHARIJ.Critical strainand squeezing ofrock massin tunnels[J].Tunnellingand UndergroundSpace Technology，2007，22（3） ：343-350.

[5] 李堅(jiān)，郭亞欣，張磊磊.滇中引水工程破碎圍巖洞室開挖 支護(hù)方案分析[J].水利水電快報，2023，44（11）：79-84.

[6]FENG X，JIMENEZ R. Predicting tunnel squeezing with incomplete data using Bayesian networks[J]. Engineering Geology，2015，195：214-224.

[7]吳浩，陳運(yùn)濤，朱趙輝，等.改進(jìn)一維卷積神經(jīng)網(wǎng)絡(luò)的隧道 圍巖收斂變形分級預(yù)測［J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報， 2024，32（1） ：145-159.

[8]焦玉勇，歐光照，王浩，等.基于證據(jù)理論的隧道擠壓變形 預(yù)測[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2021，29（5）：1156- 1170.

[9]SHRESTHA G L. Stress induced problems in Himalayan tunnels with special reference to squeezing[D]. Trondheim： Norwegian University of Science and Technology，2006.

[10]AGUILERA P A，F(xiàn)ERNANDEZ A，F(xiàn)ERNANDEZ R，et al. Bayesian networks in environmental modelling[J]. Environmental Modelling amp; Software，2011，26（12）：1376-1388.

[11]陳長生，何林青，李銀泉，等.深埋長隧洞軟巖工程地質(zhì) 特性及變形預(yù)測研究[J].水利水電快報，2022，43（6）： 35-41.

[12] 米健，沐紅元，李建國.基于強(qiáng)度應(yīng)力比的滇中紅層軟巖 擠壓變形研究[J].人民長江，2021，52（4）：149－152.

[13] SHAFIEI A，PARSAEI H，DUSSEAULTMB，et al.Rock squeezing prediction by a support vector machine classifier [C]//ARMA.46th U. S. Rock Mechanics/Geomechanics Symposium. Chicago：ARMA，2012.

[14]MAHDEVARI S，TORABI S R.Prediction of tunnel convergence using artificial neural networks[J]. Tunnelling and Underground Space Technology，2012，28：218-228.

[15]ZHOU J，ZHU S，QIU Y，et al. Predicting tunnel squeezing using support vector machine optimized by whale optimization algorithm[J].Acta Geotechnica，2022，17（4）：1343- 1366.

[16]KANG Y，WANG J.A support -vector-machine -based method for predicting large -deformation in rock mass[C] //IEEE.2O1o Seventh International Conference on Fuzzy Systems and Knowledge Discovery.New Work ：IEEE，2010.

[17]ZHANG W，WU C，ZHONG H，LI Y，et al. Prediction of undrained shear strength using extreme gradient boostingand random forest based on Bayesian optimization[J].Geoscience Frontiers，2021，12（1）：469-477.

[18]ZHOU J， QIU Y， KHANDELWAL M，et al. Developing a hybrid model of Jaya algorithm-based extremegradient boosting machine to estimate blast - induced ground vibrations[J]. International Journal of Rock Mechanics and Mining Sciences，2021，145：104856.

[19]ZHOU J，QIUY，ARMAGHANI D J，et al.Predicting TBM penetration rate in hard rock condition：A comparative study among six XGB-based metaheuristic techniques[J]. Geoscience Frontiers，2021，12（3） ：101091.

[20]QIU Y，ZHOU J，KHANDELWAL M，et al. Performance evaluation of hybrid WOA- XGBoost，GWO - XGBoost and BO/XGBoost models to predict blast -induced ground vibration[J].Engineering with Computers，2022，38（S5）： 4145 -4162.

[21］劉曉陽，郭樂.基于機(jī)器學(xué)習(xí)方法的葛洲壩水電站下游 水位預(yù)測研究[J].水利水電快報，2022，43（10）：19- 22，36.

[22]張晟斌，舒恒，劉夏臨，等.基于機(jī)器學(xué)習(xí)的水平定向鉆 鉆孔圍巖智能分類探討[J].人民長江，2023，54（12）： 156 -165.

[23］：孫煬.軟巖隧道擠壓大變形的 SVM預(yù)測及其支護(hù)對策 研究[D].濟(jì)南：濟(jì)南大學(xué)，2018.

[24]黃震，廖敏杏，張皓量，等.基于 SVM－BP 模型非完整 數(shù)據(jù)的隧道圍巖擠壓變形預(yù)測[J].現(xiàn)代隧道技術(shù)， 2020，57（增1）：129-138.

[25]楊文波，王宗學(xué)，田浩晟，等.基于 PSO-SVM 算法的層 狀軟巖隧道大變形預(yù)測方法[J].隧道與地下工程災(zāi)害 防治，2022，4（1） ：29-37.

[26]SUN Y，F(xiàn)ENG X，YANG L，et al. Predicting tunnel squeezing using multiclass support vector machines[J]. Advances in Civil Engineering，2018：4543984.

[27]GHASEMI E， GHOLIZADEH H. Prediction of squeezing potential in tunneling projects using data mining -based techniques[J].Geotechnicaland GeologicalEnginering， 2019，37：1523 -1532.

[28]ZHANG J，LI D， WANG Y，et al. Predicting tunnel squeezing using a hybrid clasifier ensemble with incomplete data [J].Bulltin of Engineering Geology and the Environment， 2020，79;3245 - 3256.

[29]FARHADIAN H，NIKVAR - HASSANI A. Development of a new empirical method for Tunnel Squeezing Classification （TSC）[J]. Quarterly Journal of Engineering Geology and Hydrogeology，2020，53（4） ：655- 660.

[30]CHEN Y，LI T，ZENG P，MA J，et al. Dynamic and probabilistic multi-class prediction of tunnel squeezing intensity [J].Rock Mechanics and Rock Engineering，2020，53： 3521 -3542.

[31]HUANG Z，LIAO M，ZHANG H，et al.Predicting tunnel squeezing using the SVM- BP combination model[J]. Geotechnical and Geological Engineering，2022，40（3）： 1387 -1405.

[32]HUANG X，YIN X，LIU B，et al. A gray wolf optimization - based improved probabilistic neural network algorithm for surrounding rock squeezing classification in tunnel engineering[J].Frontiers in Earth Science，2022，10：857463.

[33]GOEL R K，JETHWA JL，PAITHANKAR A G，et al. Tunnelling through theyoungHimalayas—a case historyof the Maneri- Uttarkashi power tunnel[J].Engineering Geology，1995，39（1-2）：31-44.

[34] AYDAN O，AKAGI T，KAWAMOTO T. The squeezing potential ofrocksaround tunnels：theoryand prediction[J]. Rock Mechanics and Rock Engineering，1993，26：137 - 163.

[35] DWIVEDIRD，SINGHM，VILADKARMN，etal.Prediction of tunnel deformation in squeezing grounds[J]. EngineeringGeology，2013，161：55-64.

[36] DWIVEDIRD，SINGHM，VILADKARMN，etal.Estimation of support pressure during tunnelling through squeezing grounds[J].EngineeringGeology，2014，168：9-22.

[37] 王宗學(xué).九綿高速軟巖隧道大變形預(yù)測分級與支護(hù)技術(shù) 研究［D].成都：西南交通大學(xué)，2019.

[38] HOEK E，MARINOS P.Predicting tunnel squeezing problemsin weak heterogeneous rock masses[J].Tunnelsand TunnellingInternational，2000，32（11） ：45-51.

（編輯：高小雲(yún)）

Comparative analysis of SVM optimization algorithms for large deformation grade prediction of surrounding rock

WU Zeyang1'2 ，WAN Yongliang2，3 ，ZHAO Xin ^1，2 ，WAN Zhijie4 （1.ChangjiangGeotechnicalEngineringCorporation，Wuhan43Oo，China；2.NationalDmSafetyResearchCenter，Wuhan 430010，China；3.Changjiang Surveylanning，DesignandResearchCo.，Ld.，Wuhan43o10，China；4.WaterConserancynd Electricity PowerPlanning Survey and Design Institute of TibetAutonomous Region，Lhasa 85oo04，China）

Abstract：Aiming atthe problem that machine learning methods lack systematicness in the predictionand evaluation for large deformationof surrounding rock，we selected mainstream SVMoptimization algorithms and employed quantitative analysis toobtainoptimized algorithms，thereby improving the accuracyof surrounding rock deformation prediction.Bycollecting past cases，selecting appropriate indicators，andapplying various SVMoptimization algorithms，the performanceof these methods in predicting the grades of large deformation in tunnels was tested.Theresults indicated that SVM had significantadvantages in solvingthe problem oflarge deformation grade predictiondue to itsstrong generalization and nonlinear modeling abilities.Fourteen optimization algorithms further enhance SVM’sprediction accuracy，reaching over （2號 90% in most cases，and the prediction performance under diffrent classification schemes also showed certain differences.PIO_SVM，SCSO_SVM，SOA_SVM，and SSA ^- SVM outperformed othersin deformation grade prediction.Additionally，using the SHAP method for post-interpretiveanalysis ofthe prediction model can enhance model'sexplainability and credibility.

Key words：deformation of surrounding rock；machine learning；SVM；optimization algorithm