1 引 言
岩石力學性態是指岩石所處物理、化學環境下的強度、變形、動力學特性、滲透性和壓縮性等性質，它與岩石的成岩過程、地質賦存環境和人工活動等因素密切相關。目前，岩石力學性態的研究方法主要是現場試驗和室內試驗。現場試驗有測量岩體原位變形性能和強度性能的承壓板試驗和剪下試驗、現場三軸壓縮試驗和岩體滲透性試驗等；室內試驗有單軸壓縮、三軸壓縮、單軸拉伸、直接剪下和滲透試驗等。但是無論是現場試驗還是室內試驗都存在著一個共同的缺陷：在將試驗結果抽象成數學模型時，很難把影響岩石力學性態的各種地質因素（如礦物成分、顆粒大小、空隙的分布情況等）作為變數納入到數學模型中加以分析，以致計算結果與實際情況相比有很大的離散性，這也是岩石力學發展過程中尚未明確解決的問題之一。針對上述情況，人工神經網路方法被引入到岩石力學中來預測岩石的力學性態，並取得了一定的成果。但人工神經網路法是基於大樣本的啟發式算法，推廣能力較差，當樣本容量較小時，所得成果不可靠、精度不高；樣本過多又易陷入維數災難、泛化性能不高。近年來發展起來的支持向量機很好的彌補了人工神經網路的不足，為岩石力學的智慧型化研究提供了一條新的途徑。
支持向量機是基於統計學習理論的機器學習工具，遵循結構風險最小化原理，在小樣本情況下具有良好的外推能力，主要用於解決模式識別問題和函式擬合問題。支持向量機的核函式參數與懲罰因子對預測效果有較大的影響，但其理論本身並未給出核函式與懲罰因子的最佳取值方法。本文提出利用支持向量回歸機來預測岩石力學性態，建立符合期望風險最小原則的岩石力學性態預測模型。在詳細介紹該模型的原理、算法和步驟後，將其套用到岩石壓縮係數(coefficient of compressibility)的預測研究中，查看入侵海洋微小生物快速監測論文。
2 支持向量機模型及分析
岩石的力學性態包括岩石的強度、變形、滲透性、壓縮性等性質。本文選取壓縮性作為示例來討論vm 模型在岩石力學性態預測中的套用及其可行性。岩石的壓縮性是指岩石在壓力作用下體積縮小的特性，壓縮性的大小通過壓縮係數反映。岩石壓縮係數的大小除與自身所受到的壓力有關外，還與岩石自身的裂隙、礦物成分、密度等因素密切相關。
2.1 壓縮係數影響
因素的確定l.caruso 等人研究了砂岩中各種空隙及礦物成分等對岩石試件線彈性壓縮係數的影響，但在形成經驗公式時，未能將這些因素作為變數納入到公式中。本文考慮將上述因素作為輸入變數，通過svm 來對壓縮係數進行預測。根據現有資料，選定以下因素作為岩石力學性態的影響因素：
（1）岩石的礦物成分含量（%）：石英含量、長石含量、碎屑粘土含量、其他成分含量。
2.2 svm 在壓縮係數預測中的套用
為了驗證svm 的可行性，本文選取30 個試驗結果作為模型的學習樣本，另取7 個試驗結果作為模型精度的測試樣本。選取影響壓縮係數的6 個因素總計11 個指標，即礦物成分（4 個指標）、顆粒尺寸、空隙分布（3 個指標）、平均空隙比、密度和施加的壓力作為模型的輸入變數，三個正交方向上的壓縮係數（aa，ab，ac）依次作為模型的輸出，即依次建立（rn ?aa），（rn ?ab）和（rn ?ac）3個映射關係，其中rn表示模型的輸入變數， n 為變數的維數。svm 的核函式類型為rbf。