郭延华，赵 帅

(河北工程大学 土木工程学院，河北 邯郸 056038)

岩爆是隧道开挖时，因岩体受到扰动，其中聚积的弹性能突然释放，导致岩体脱落、爆裂、弹射的动力失稳现象，严重时可造成重大财产损失和人员伤亡[1]。随着我国经济的快速发展，对地下深部资源开采和地下工程建设的需求愈发强烈，对岩爆预测与防治的研究也愈发重要。

在岩爆烈度预测方面，国内外学者进行了大量的研究[2-3]，神经网络[4]、功效系数法[5]、模糊数学[6]、灰色理论[7]、支持向量机[8]、数据挖掘[9]、PCA-PNN法[10]、PCA-OPF法[11]等数学模型与智能算法被提出。但上述预测方法一般基于少量岩爆案例的小样本岩爆数据，而岩爆数据的数量与质量往往影响岩爆预测的准确性和可靠性[12]，所以由此建立的预测模型的可靠性与泛化性较差。此外上述方法的预设参数往往由人工经验设置，预测结果受人主观因素影响较大，或仅对岩爆数据作线性降维，未考虑数据间的非线性关系，从而未充分保留岩爆数据的特征信息。因此在岩爆预测方面需要进一步研究，并提出经济可靠的岩爆预测方法。

核极限学习机(Kernel Based Extreme Learning Machine，KELM)是一种分类预测算法，该算法将核函数与极限学习机(Extreme Learning Machine，ELM)相结合，以提高ELM算法的预测性能。故本文岩爆烈度预测将基于KELM实现，同时为解决因人工设置参数而影响KELM预测效果的问题，使用鲸鱼优化算法(Whale Optimization Algorithm，WOA)寻优KELM的惩罚系数C和核函数参数s以提高其预测性能。此外，考虑到岩爆评价指标之间的多维交叉冗余性，使……