基于SVM的粉煤灰压实特性指标预测

摘要：粉煤灰既是一种固体废弃物，也是一种优良的岩土材料。作为岩土材料，最大干密度和比重是其最重要的两个工程特性指标。本文利用支持向量机这一个软计算技术，建立了粉煤灰最大干密度和比重的预测模型。研究结果表明，支持向量机模型比现有的人工神经网络模型更为有效。

关键词：粉煤灰；最大干密度；比重；预测模型；支持向量机

粉煤灰在建材、农业、环保和精细化利用等方面均具有良好的应用前景［1］。如在建材工程方面，除可用于生产粉煤灰混凝土、粉煤灰水泥、粉煤灰砖、墙体材料等用途之外，由于粉煤灰有着干密度低、透气性大、黏结性小、活性高、压实最佳含水量高等特点，还可作为建筑、水利、市政、道路以及采空区等各类工程的优质回填料。将粉煤灰作为回填材料，其最大干密度（MDD）和比重（G）是最重要的两个压实特性指标。

在机器学习中，支持向量机（SVM）是一种带相关学习算法的监督学习模型，可以分析数据和识别模式，用于分类和回归分析。AsadKhan［2］建立了预测粉煤灰MDD和G的人工神经网络（ANN）模型。预测MDD的最佳模型为：（1）输入向量分别为Fe2O3（Fe）、烧失量（LOI）和G；（2）输入向量分别为Fe、LOI、G和最佳含水量（OMC）。对G的预测，最好的模型是：（1）输入向量分别为CaO、Fe、LOI和比表面积（SS）；（2）输入向量分别为Al2O3、SiO2、CaO、Fe、LOI和SS。但采用支持向量机对粉煤灰的MDD和G进行预测，在现有文献中鲜见报道。本研究旨在建立预测粉煤灰MDD和G的SVM模型，并与现有ANN模型的预测效果相比较。

1预测MDD的SVM模型的建立

利用文献［2］建立预测粉煤灰MDD的人工神经网络模型的数据，所采用的样本总数为40个，其中25个用作学习样本，15个用作检验样本，建立了支持向量机模型。表1给出了用于开发支持向量机模型的数据的最小值、最大值、平均值和标准偏差。

利用MATLAB软件包建立支持向量机模型。采用径向基函数核、多项式核和样条核函数分别建立不同的支持向量机模型，所建立的SVM模型分别命名为SVMR、SVMP和SVMS。两组模型的输入向量分别包括：（1）Fe、LOI、和G；（2）Fe、LOI、G和OMC。这两组模型分别被命名为模型1（Model1）和模型2（Model2）。

2预测G的SVM模型的建立

利用文献［2］预测粉煤灰G的ANN数据，建立了两种G的支持向量机预测模型：模型1（Model1）的输入向量为CaO、Fe、LOI和比表面积（SS）；模型2（Model2）的输入向量为Al2O3、SiO2、CaO、Fe、LOI和SS。表2给出了学习和检验所采用样本值的最小值、最大值、平均值和标准偏差。样本总数为113个，其中80个作为学习样本，33个为检验样本。

3预测结果的分析和讨论

3.1粉煤灰MDD的预测

表3、表4分别给出了支持向量机模型1和模型2的预测结果。以相关系数（R）和效率系数（E）作为评判模型预测精度的指标可以看出，SVMS比SVMP、SVMR具有更高的效率。图1和图2分别给出了模型1和模型2的实测最大干密度值和预测最大干密度值之间的比较。结果表明，模型2比模型1需要更多的输入向量，但是二者的统计性能是相当的。模型1由于采用了较少的输入向量，因此，可以认为模型1比模型2更为有效。

（1）灵敏度分析。采用文献［3］的程序，对支持向量机模型（模型1）的输入和输出之间的因果关系进行了灵敏度分析。最大干密度的灵敏度分析如图3所示，预测MDD最重要的输入参数是G，其次是Fe和LOI。

（2）预测MDD的SVM模型与ANN模型的比较。表5比较了基于不同输入向量的SVMS支持向量机和人工神经网络ANN模型。从表5中可以看出，支持向量机是一个略好于人工神经网络模型的模型。

3.2粉煤灰G值的预测

表6和表7分别给出了支持向量机模型1和模型2对G的预测结果。通过对模型1和模型2预测精度指标R和E值的比较可知，SVMP比SVMR和SVMS更有效。图4、图5分别给出了模型1和模型2的预测比重值与实测值的比较，可以看出，与模型1相比，采用模型2时散射较小。支持向量机模型具有很好的相关性，特别是对于模型1，它比模型2采用了较少的输入向量，但是两个模型的统计性能是相当的，因此模型1具有较好的简洁性。

（1）灵敏度分析。采用文献［3］的程序，对支持向量机模型（模型1）的输入和输出之间的因果关系进行了灵敏度分析，结果见图6。从中可见，铁含量是用于预测粉煤灰比重的最重要的参数，其次是烧失量、比表面积和氧化钙。

（2）预测G的SVM模型与ANN模型的比较。表8给出了支持向量机的最佳模型SVMP与早期ANN模型的比较结果。从表8中可以看出，SVM模型略优于之前的最佳ANN模型。

结语

本文建立了预测粉煤灰最大干密度和比重的SVM模型，并与现有ANN模型的预测效果进行了比较，所得主要结论如下：

（1）当预测粉煤灰的最大干密度时，SVMS比SVMP和SVMR更有效；

（2）当预测粉煤灰的比重时，SVMP比SVMR和SVMS更有效；

（3）根据支持向量机模型的灵敏度分析，预测最大干密度的最重要参数是比重，其次是铁含量和烧失量，预测比重的最重要参数是铁含量，最后是烧失量、比表面积和氧化钙；

（4）通过对SVM模型与已有ANN模型的有效性比较，发现SVM模型优于ANN模型。

参考文献：

［1］杨星，呼文奎，贾飞云，等.粉煤灰的综合利用技术研究进展［J］.能源与环境，2018（04）：5557.

［2］AsadKhan.PredictionofmaximumdrydensityandspecificgravityofFlyAshbyNeuralNetworks［J］.Boletíntécnico，2017，55（6）：4248.

［3］MuhammadKamran.RiverstageforecastinginPakistan：neuralnetworkapproach［J］.Complexity，2004，14（1）：1118.

作者简介：李阳阳（1991—），男，汉族，河北邯郸人，硕士研究生，工程师，主要从事水利水电工程施工。