基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

张乐文，张德永，李术才，邱道宏

（山东大学 岩土与结构工程研究中心，济南 250061）

1 引 言

岩爆是高地应力地区的完整硬脆性岩体，受工程开挖围岩二次应力重分布的影响，导致其中储存的弹性应变能突然释放，使岩体发生脆性破坏即一种动力失稳地质灾害[1]。如何准确合理地进行岩爆预测，已成为地下工程世界性难题之一。国内外的研究结果表明，岩爆的发生有很多的影响因素，包括岩石的力学条件、脆性条件、完整性条件和储能能力[2]。近几十年来，国内外在岩爆预测方面做了大量的研究工作，提出了各种各样的理论和预测方法[3－5]，主要有理论分析、数学方法综合预测和现场探测等。理论判据大多是基于工程经验，受工程个体因素影响较大，而基于探测技术的岩爆预测又难以达到令人满意的效果。由于岩爆的发生机制十分复杂，影响因素众多，并且岩爆等级同影响因素之间呈现高度的非线性关系，因此，针对不同的工程实际，评价各个影响因素的重要度，得出岩爆的主要影响因素，是提高岩爆预测准确率的基础。粗糙集理论（rough set theory）在去除冗余数据，发现关键属性和属性重要性评价方面有着很好的处理能力[6]。

人工神经网络是一种多元非线性动力学系统，具有高度的非线性映射能力、良好的自适应性、自组织性和很强的自学习能力[7]，可以方便地对多因素影响的复杂未知系统进行建模分析。径向基函数（RBF）神经网络是一种局部逼近网络，与其他神经网络模型如BP神经网络相比，在逼近能力、学习速度、泛化能力上有很大的优势，已广泛应用于工程风险评估领域[8]，目前未见其在岩体岩爆预测方面的应用。……