GWO优化SVR顶板变形预测

无支护期精准预测

用灰狼优化算法调参的支持向量回归模型，能更准确地预测深部巷道无支护期间顶板沉降变形，辅助及时支护决策。

Yu, Bingbing · 李清 · Tong-de, Zhao

Tunnelling and Underground Space Technology 2024

参数信息

训练集均方根误差 (RMSE)

0.3126

训练集方差解释率 (VAF)

15.05 %

训练集决定系数 (R²)

0.8767

测试集均方根误差 (RMSE)

0.3245

测试集方差解释率 (VAF)

16.43 %

测试集决定系数 (R²)

0.8655

技术优势

预测更准

GWO-e-SVR模型在四种智能优化算法中综合性能最佳，测试集R²达0.8655，RMSE仅0.3245。

可解释关键因素

通过敏感性分析明确无支护持续时间等输入参数对顶板沉降的影响程度，为支护方案设计提供依据。

应用场景

• 巷道支护设计：用预测的顶板沉降量提前确定支护时机和参数，避免保守或激进设计。
• 矿山安全监测：将模型嵌入监测系统，实时预警无支护期间顶板异常变形，降低冒顶风险。
• 岩土工程预测：利用该模型预测深部巷道围岩变形，为类似地质条件下的工程提供参考。