基于BKA-CNN-SVM模型的巖爆烈度預測

中圖分類號：O347;TU45;0521.9 文獻標志碼：A

巖爆是指在高地應力的地下工程開挖、開采或其他外界擾動下，巖體內積聚的彈性勢能迅速釋放，引發堅硬脆性圍巖儲存的應變能瞬間釋放，巖體產生爆裂、剝落甚至拋射等動力失穩現象[1-4]。隨著地下資源開發和地下工程建設不斷向深部發展，地應力增高和更復雜的巖體賦存地質環境等因素導致巖爆災害日益頻繁，直接影響地下工程的進度和施工人員的生命安全[5]。因此，精準的巖爆預測對于地下工程建設和安全生產具有重要意義。

為準確預測巖爆強度，國內外學者對巖爆預測方法進行了大量研究。模糊數學綜合評判法、物元可拓理論、灰色系統理論、功效系數法、云模型理論等方法已在巖爆烈度預測中廣泛應用，但此類方法具有較強的主觀性，可能影響預測精度。鑒于巖爆孕育機制不明確、影響因素眾多，需要結合多種理論，深入探究各影響因素與巖爆等級間的內在聯系，以便更好地實現巖爆等級的準確預測[6]。

近年來，能處理輸人變量與輸出變量之間復雜非線性關系的機器學習方法迅速發展[7，結合數據處理、機器學習算法以及元啟發式優化算法來解決巖爆預測問題逐漸成為主流。靳春玲等[8]采用鯨魚優化算法優化支持向量機（supportvector machine，SVM）中直接影響模型分類效果和評估精度的懲罰參數c 和核函數參數 g ，在避免局部尋優的條件下進行巖爆預測。李康楠等將卷積神經網絡引入巖爆預測中，通過鏈式方程多重插補法對數據缺失值進行插補，提高了巖爆預測精度和模型收斂速度。郭延華等[]通過核主成分分析（kermel principal component analysis，KPCA）提取巖爆數據特征，采用鯨魚優化算法對極限學習機（extreme leaming machine，ELM）進行參數優化，避免了人工調參對模型預測的影響。

綜合上述研究，機器學習結合數據處理以及元啟發式優化算法的巖爆預測方法展現出一定的可靠性和普適性，然而，其預測精度對模型參數的敏感性較高，直接影響預測精度。此外，由于巖爆數據中無巖爆和強巖爆樣本所占比例偏小，存在數據不均衡的問題，傳統單一算法對于少數類別數據的識別能力較弱，難以充分處理復雜多樣性數據，間接導致預測精度降低。研究證實，集成模型可以結合多個單一模型的優點，對非均衡數據的處理能力更優，可顯著提高模型的準確性和泛化能力[11]。因此，為解決數據不均衡及參數敏感性對巖爆預測精度的影響，本研究首先通過卷積神經網絡（convolutionalneuralnetwork，CNN）與支持向量機堆疊，建立CNN-SVM集成模型;其次，考慮模型參數對模型預測精度的影響，引人黑翅鳶優化算法（black-winged kite optimization algorithm，BKA）優化 CNN參數，避免人工設置參數對模型預測效果的影響；最后，建立BKA-CNN-SVM巖爆強度預測模型。由于巖爆評價指標之間的多維交叉冗余性，在數據預處理階段，采用五折交叉驗證獲取最優核參數的KPCA法對巖爆數據做特征壓縮和非線性降維，將所得的數據特征輸人至經BKA優化的CNN和SVM的集成分類器中進行巖爆預測分析。通過分析對比多個評價指標，測試BKA-CNN-SVM巖爆預測模型的巖爆預測精度和穩定性，以期為巖爆預測提供一種新思路。

1模型原理

1.1 KPCA

KPCA是基于核方法的主成分分析方法，旨在克服傳統主成分分析算法在處理非線性可分數據特征時的局限，充分保留數據特征信息[10]。KPCA通過核函數將數據映射至高維空間，增強數據在該空間的線性可分性，避免了非線性映射的顯式表達，實現了指標數量的壓縮和數據復雜度的簡化，降低了模型預測所需的時間成本。本研究對KPCA采用5倍交叉驗證，確定最優核參數 σ 的取值，利用KPCA對巖爆數據預處理，消除指標間的相關性并降維，提取主要特征。

假設有 n 個樣本，每個樣本有 Σ_m 個特征，建立初始樣本矩陣 ，歸一化后得樣本矩陣 X_n×m 。

首先，通過映射函數 ? 將樣本數據 映射至高維特征空間 R^F 中，得到輸入變量 的中心非線性映射 ?（x_i） ，若映射的均值為零，則 R^F 空間中協方差矩陣為

所對應的特征方程為

C_ν=λν

式中：和v分別為協方差矩陣的特征值和特征向量，且所有 λ?0 的解 u 都在 中。

然后，由式 （1）～ 式（2）可得特征向量v

映射 ? 通常不是顯式的，v的計算較困難，因此，引入核函數 進行處理

最后，計算核矩陣，將式（1）、式（3）分別代入式（2），并對等式兩邊進行內積運算，同時將式（5）引入運算后的式（2）中，求得

Kα=λnα

式中： κ 為 對應的核矩陣， 。

通過式（6）得特征值 及其對應的特征向量 α₁，α₂，…，α_n 。選取的 l（l?n） 個特征值需 滿足累計貢獻率大于 85%

當累計貢獻率達到設定要求時，計算的新樣本 ?（x_j） 投影后的第 j（j=1，2，…，p） 維坐標為

1.2 CNN-SVM理論基礎

1.2.1 CNN

CNN屬于深度學習領域的一種先進的前饋神經網絡架構，通過局部連接和權值共享的方式顯著提高網絡模型的優化效率，降低過擬合的風險。如圖1所示，CNN的結構包括輸入層、卷積層、池化層、全連接層和輸出層[12-13]。輸入層是網絡的初始數據輸入層，通過特征提取將圖像傳遞到卷積層。卷積層線性抽取局部范圍內的神經元信息與特征，運用非線性激活函數對神經元進行激活，利用卷積核在輸入數據上滑動實現卷積運算，提取特征參數并反饋至池化層。池化層用于下采樣，減少特征圖尺寸，實施數據降維，并與全連接層相連。全連接層能夠將所得到的多維特征圖平鋪為一維向量，實現數據高維至低維的轉換，同時學習各種組合特征。CNN通過卷積、池化等操作提取并匯總特征，然后解釋分類，從而提高模型的表達能力，減少模型參數和計算量。

1.2.2 SVM

SVM是一種基于統計學理論和結構風險最小化原則的機器學習方法，通過運用核函數定義的非線性變換將輸入空間變換到高維空間，以尋找輸入與輸出之間的非線性映射關系，具有結構簡單、泛化能力強、計算難度小、樣本空間維數低等優點，可以更好地處理非線性、高維數和小樣本問題[14]。關于SVM的工作原理，已有大量文獻進行了詳細闡述，這里不再贅述。

1.2.3 CNN-SVM模型理論

傳統CNN中的池化層可實現對高維冗余數據的降維，但經KPCA處理后的巖爆數據特征維數較低。鑒于使用池化層可能導致信息丟失，本研究中的CNN采用卷積層—批歸一化層—Relu激活層—丟棄層—全連接層的結構設計，不采用堆疊到模型結構中的池化層。批歸一化層可以在不丟失數據特征的前提下加速收斂;Relu激活層可以增強模型的收斂性，并預防過擬合現象；丟棄層則可進一步提升模型的泛化能力。SVM是一種高效的分類算法，特別適合處理小樣本數據集，同時，其對缺失數據具有較強的不敏感性，能夠在一定程度上規避維度災難問題[15]。基于此，采用'SVM替代傳統的CNN分類器在理論上是可行的，并且在實際預測中也表現出較高水準[16]。本研究將堆疊CNN和SVM，建立CNN-SVM集成模型，進行分類預測。

CNN-SVM集成模型將特征提取與分類步驟分離，其中，CNN作為特征提取器，提取原始數據中的特征，輸入至SVM分類器進行分類[17]。CNN-SVM集成模型利用 SVM的優化能力，并融合卷積操作和SVM的核函數，提升了模型在分類任務中的性能表現和適應性，具體流程見圖2。

1.3 BKA

BKA 是模擬黑翅鳶在攻擊和遷徙中表現出的高度適應性和智能行為提出的群智能優化算法[17]。該算法集成了柯西突變策略和領導者策略，增強了算法的全局尋優能力，提高了算法的收斂速度。該算法主要包括3個階段：初始化、攻擊行為和遷徙行為。

1.3.1 種群初始化

創建一組隨機解，矩陣中的每個元素表示每只黑翅鳶的位置

式中： p 為潛在解決方案的個數， d 為給定問題的維度大小， B_i，j 為第 i 個黑翅鳶的第 j 個維度。均勻分配每只黑翅鳶的位置

X_i=B_l，b+r（B_u，b-B_l，b）

式中： i 為 1～p 之間的整數， B_l，b 和 B_u，b 分別為第 i 個黑翅鳶在第 j 維的下界和上界， r 在[0，1]區間隨機選值。在種群初始化中，黑翅鳶選擇適應度最好的個體作為初始種群的領導者，亦認為是最優位置。其初始領導者 X_L 的數學表示為

f_best=min（f（X_i））

X_L=X（f（X_i）=f_best）

1.3.2 攻擊行為

該策略包括不同的攻擊行為，用于全局探索。以下是黑翅鴛攻擊行為的數學模型

n=0.05e^-2（t/T）2

式中： y_t^i，j 和 y_t+1^i，j 分別為第 i 只黑翅鳶在第 t 步和第 t+1 步迭代中第 j 維的位置， p 為0.9， T 為總迭代次數。

1.3.3 遷徙行為

自然界中遷移通常由種群的領導者引領，因而該算法假設：若當前種群的適應度值小于隨機種群的適應度值，則更換領導者；反之，則確定領導者并引導種群到達目的地。這種策略可以動態地選擇優秀的領導者，確保遷移成功。以下是黑翼鳶遷徙行為的數學模型

m=2sin（r+π/2）

式中： L_t^j 為迄今為止第 t 次迭代的第 j 維黑翅鳶的領先得分者，即最優解； F_i 為任一黑翅鳶在第 t 次迭代中得到的第 j 維當前位置； F_ri 為第 t 次迭代中任意黑翼鳶在第 j 維隨機位置的適應度值; C（0，1） 為柯西突變。一維柯西分布是具有2個參數（ δ 和 μ ）的連續概率分布，概率密度函數為

當 δ=1 ， μ=0 時，式（17）變為標準概率密度函數

2巖爆烈度預測模型建立

2.1 巖爆數據庫建立

巖爆發生機理十分復雜且影響因素眾多，呈現出明顯的隨機性、突發性和復雜性等特征[18]。其主要影響因素包括巖性條件、地質構造、開挖擾動、圍巖初始應力狀態等。研究表明，相較于單一指標，多指標巖爆預測方法可以更為全面地揭示巖爆機理的復雜性，避免單一指標的巖爆判據在高精度預測方面的局限性[8。本研究借鑒前人成果，基于巖石的性質和巖爆影響因素，選取3個反映巖石力學主要特征的參數，即單軸抗壓強度（uniaxialcompressive strength，UCS）、單軸抗拉強度（uniaxial tensilestrength，UTS）、圍巖最大切應力（maximum tangential stress，MTS），以及3個反映圍巖性質的指標，即巖體應力系數（Biot’s coeficient of friction，BCF）、脆性系數（stress concentration factor，SCF）和彈性能量指數（elastic energy index，EEI），作為巖爆預測特征指標。為探究選取的6個指標之間的相關性，對以下巖爆預測評價指標組合進行研究：（1）UTS、BCF、SCF，（2）UCS、UTS、BCF、SCF、EEI，（3）MTS、UCS、UTS、BCF、SCF、EEI。

模型可靠性受巖爆案例數量和數據質量的雙重影響，多數研究因預測模型基于少量案例構建，普遍存在泛化性能不足的問題。因此，本研究收集了284例國內外巖爆工程實例，部分數據見表1[19-21]，巖爆預測結果以巖爆等級表示。目前，一般按巖爆烈度將巖爆分為4級：無巖爆（1）、輕微巖爆（2）、中等巖爆（3）、強烈巖爆（4）。本研究收集的284個案例的巖爆等級分布如圖3所示。

2.2 數據預處理

為實現較高的預測準確率，需對原始數據進行預處理。依據巖爆烈度等級對284個樣本案例的基本特征情況進行匯總，結果如表2所示。由表2可知：MTS的最大值為 148.81MPa ，四分位數為 30.79MPa ，最小值為 2.60MPa ，呈現明顯的右偏現象；UTS的最大值為 17.68MPa ，四分位數為4.05MPa ，最小值為 0.38MPa ，也呈現出明顯的右偏分布；其余數據同樣具有一定的右偏特征。因表2所列數據有限，為更直觀地描述樣本的分布情況，繪制了6個特征的高斯函數分布曲線及不同特征中4個巖爆等級的箱型圖，如圖4所示。

指標特征數據在采集和測量過程中可能受到人工操作或采動因素的干擾，導致數據存在誤差，因而，若個別樣本值與大多數測量值不同，則為異常數據或離群值[22]。為消除離群值對模型預測精度的影響，本研究采用拉依達準則對數據進行甄別，剔除離群值，然后用1.5倍四分位差對離群值進行替換，以確保數據的穩定性和預測模型的可靠性。拉依達準則表示為

式中： β 為標準偏差， q_a 和 u_a 分別為數據集中第 a 個數據及其剩余誤差， 為數據集的均值。

2.3 BKA-CNN-SVM模型構建

將收集的284組地下工程和礦山巖爆案例作為原始數據，按 7：3 的比例將數據集隨機分為訓練集和測試集。

模型構建流程主要包括以下步驟：

（1）根據選定指標搜集巖爆案例數據，基于拉依達準則將原始數據中的異常值替換成1.5倍四分位差;（2）將預處理后的原始數據標準化，以消除不同指標間量綱和數量級的差異;（3）采用五折交叉驗證確定KPCA的最優核參數 σ ，并利用KPCA對巖爆數據預處理，消除指標間

的相關性并降維，提取主要特征;（4）采用堆疊技術將SVM替代傳統的CNN分類器，構建CNN-SVM集成模型，并應用于巖爆預測，

為避免模型參數對預測精度的影響，引人黑翅鳶優化算法優化預測模型，以規避局部最優陷阱，增強模

型的收斂速度和穩定性；（5）輸入提取的特征，根據建立的BKA-CNN-SVM模型獲得預測結果，并與其他模型預測結果進行

比較，測試準確率。

BKA-CNN-SVM模型預測巖爆烈度的流程見圖5。

3預測模型實現過程

3.1 KPCA數據處理

KPCA是利用核函數將原始數據映射至高維空間進行主成分分析進而對數據進行降維處理，其充分保留了數據的特征信息。為消除指標間的相關性，基于KPCA對巖爆預測評價指標組合進行相關性探究，結果見表3。

由表3可知：組合1與組合2的指標間相關系數均小于0.28，呈現出微弱的相關性。組合3中，MTS與BCF的相關系數為0.6545，說明兩者有較為明顯的相關性，會影響巖爆預測最終結果。因此，組合3需采用KPCA進行數據處理，消除指標間相關性。

選用高斯核函數對標準化的284組巖爆案例數據進行KPCA數據處理。高斯核函數參數經五折交叉驗證得到最優值為9，其特征提取步驟如1.1節所述，特征提取結果見表4。

由表4可知，前3個主成分的累計貢獻率達 88.19% ，即前3個主成分共包含 88.19% 的原始信息。前3個主成分的特征值均大于1，滿足特征值大于1且累計貢獻率大于 85% 的條件，因此，選取這3個主成分。建立數據壓縮后的矩陣 F₁ 、 F₂ 、 F₃ 作為BKA-CNN-SVM的輸入數據。

3.2 BKA優化CNN模型

由于CNN相關參數的取值往往影響模型的準確度，因此，采用BKA算法對CNN模型中的參數（包括學習率、每次訓練樣本個數、正則化系數）進行優化。算法其他相關參數設置如下：種群規模數為30，優化參數搜索范圍分別取 [1×10^-3 0 5×10^-2] 、[64，512]、 [1×10^-5 0 1×10^-2. 1。全局尋優后獲得的最優參數見表5。

3.3 模型實測與分析

為進一步驗證模型的可靠性，選用CNN、SVM、CNN-SVM、ELM預測模型對同一組數據進行訓練測試，并采用 F₁ 值、準確率、精確率、召回率對比分析模型的預測性能。將86組經KPCA特征提取的測試樣本輸人各模型，各模型預測性能見表6。相應的混淆矩陣見圖6，其中，對角線元素（從左上到右下）表示被正確分類的樣本數量，非對角線元素表示錯誤分類的樣本數量。

由表6可知：BKA-CNN-SVM的預測準確率可達 95.35% ，與CNN-SVM模型相比，預測準確率增長了 12.79% ，與CNN模型相比，預測精度亦提升了 22.09% 。BKA-CNN-SVM的 F₁ 值、精確率、召回率均明顯優于其他模型。綜合考慮模型的準確率及相關評價指標，本研究建立的BKA-CNN-SVM模型在巖爆烈度預測分級方面表現出較好的預測性能，證明其在巖爆預測應用中的合理性和可行性。

4工程應用

錦屏二級水電站位于我國西南高地應力區，共有7條隧道，包括4條引水隧道、2條平行交通輔助洞以及1條施工排水隧道。洞線平均長度約為 16.67km ，開挖洞徑約為 13m ，引水隧洞之間的間距為60m;2 條輔助洞間隔 35m ，平行布置在引水隧洞南側。輔助洞圍巖巖性主要為大理巖，其飽和單軸抗壓強度為 65～90MPa ，抗拉強度為 3～6MPa ，隧洞埋深大體處于 1500～2000m ，最大埋深約為 2525m 由于隧洞地質復雜、埋深大，加之高地應力等特性，導致巖爆災害發生率較高[23-25]。收集錦屏二級水電站巖爆實例數據20組[26]，將BKA-CNN-SVM模型應用于錦屏二級水電站巖爆烈度預測。將收集的284例巖爆數據作為訓練集，完成BKA-CNN-SVM模型訓練后，將20組巖爆實例數據作為測試集代入預測模型。為檢驗BKA-CNN-SVM模型對錦屏二級水電站巖爆預測的準確率，在相同的訓練集和測試集條件下，將其與CNN、SVM、CNN-SVM、ELM預測模型進行對比，結果見表7。

由表7可知，ELM模型在巖爆實例判斷中出現了5例誤判，CNN模型誤判了3例，CNN-SVM集成模型表現出較優的特征提取與泛化能力，僅發生1次誤判。BKA-CNN-SVM模型預測結果與實際情況一致，證實了該模型在實際工程應用中的可靠性與實用價值，可為實際工程提供一定的參考。

5結論

（1）采用拉依達準則和1.5倍四分位差對數據進行清洗，消除樣本中異常值對模型精度的干擾。同時，引入KPCA進行數據降維，保留主要特征，去除數據中的冗余信息，從而減小了模型輸入參數，避免了維度災難，提高了模型收斂速度及預測可靠性。

（2）建立了CNN-SVM集成模型并應用于巖爆預測，利用CNN進行數據特征提取，并采用SVM替代傳統的CNN分類器進行分類預測。相較于CNN模型，CNN-SVM集成模型的預測精度提高了 9.3% 顯示出集成模型對不平衡巖爆數據的較高預測性能。為降低人為設置參數的影響，引人黑翅鳶優化算法，建立了BKA-CNN-SVM預測模型，有效提升了模型的全局尋優能力，避免陷入局部最優，進一步提高了預測精度。

（3）對錦屏二級水電站巖爆實例進行預測，BKA-CNN-SVM的預測結果與實際情況符合得較好，證明該模型具有較強的工程適用性。相較于CNN、CNN-SVM、ELM巖爆預測模型，BKA-CNN-SVM巖爆預測模型具有更高的巖爆預測精度和穩定性。鑒于巖爆實例數據偏少，且未考慮地質條件、巖體質量、開挖斷面尺寸等因素，因此，BKA-CNN-SVM模型在其他工程應用中的預測性能還需進一步研究。

參考文獻：

[1]馮夏庭，肖亞勛，豐光亮，等.巖爆孕育過程研究[J].巖石力學與工程學報，2019，38（4）：649-673. FENG X T， XIAO Y X，FENG G L，et al. Studyon the development processof rockbursts [J]. Chinese Joumal of Rock Mechanics and Engineering，2019，38（4）： 649-673.

[2]湯志立，徐千軍.基于9種機器學習算法的巖爆預測研究[J].巖石力學與工程學報，2020，39（4）：773-781. TANG ZL， XUQJ.Rockburst prediction based on nine machine learning algorithms [J]. Chinese Journal of Rock Mechanics and Engineering，2020，39（4）： 773-781.

[3]李寧，王李管，賈明濤.基于粗糙集理論和支持向量機的巖爆預測 [J].中南大學學報（自然科學版），2017，48（5）： 1268-1275. LI N， WANGL G，JIA MT.Rockburst prediction based onroughsettheoryand support vectormachine[J]. JouralofCentral South University （Science and Technology），2017， 48（5）： 1268-1275.

[4]吳順川，張晨曦，成子橋.基于PCA-PNN原理的巖爆烈度分級預測方法[J].煤炭學報，2019，44（9）：2767-2776. WU S C， ZHANG C X， CHENG Z Q. Prediction of intensityclasification of rockburst based on PCA-PNN principle [J]. Journal of China Coal Society，2019，44（9）： 2767-2776.

[5]李明亮，李克鋼，秦慶詞，等.巖爆烈度等級預測的機器學習算法模型探討及選擇 [J].巖石力學與工程學報，2021， 40（Suppl 1）： 2806-2816. LI ML，LI K G， QINQC，et al. Discusion andselectionof machine learing algorithm model forrockburst intensity grade prediction [J]. Chinese Journal of Rock Mechanics and Engineering， 2021， 40（Suppl 1）： 2806-2816.

[6]吳菡，郭永剛，何軍杰，等.基于GWO-SVM巖爆分級預測模型[J].路基工程，2023（1）：49-54. WU H，GUO YG， HEJJ，et al.Rock burst clasification prediction model based on GWO-SVM[J].Subgrade Engineering， 2023（1）： 49-54.

[7]BASNETPMS， MAHTAB S，JINA B.Acomprehensive reviewofintellgent machine learning based predicting methods in long-term andshort-termrock burst prediction[J]. Tunneling and Underground Space Technology，2023，142： 105434.

[8]靳春玲，姬照泰，貢力，等.基于WOA-SVM的引水隧洞巖爆烈度評估模型[J].中國安全科學學報，2023，33（9）：41-48. JIN CL，JI ZT，GONG L，etal.Evaluation model ofrockburst intensityof diversiontunnelbasedon WOA-SVM[J].China Safety Science Journal， 2023，33（9）： 41-48.

[9]李康楠，吳雅琴，杜鋒，等.基于卷積神經網絡的巖爆烈度等級預測[J].煤田地質與勘探，2023，51（10）：94-103. LI KN，WUYQ，DUF，etal.Predictionofrockburst intensity grade basedonconvolutional neural network[J].CoalGeologyamp; Exploration，2023，51（10）： 94–103.

[10]郭延華，趙帥.基于KPCA-WOA-KELM的巖爆烈度預測[J].河北工程大學學報（自然科學版），2021，38（2）：1-7. GUO Y H， ZHAO S. Clasified prediction model of rockburst using KPCA-WOA-KELM[J]. Jourmal of Hebei University of Engineering （Natural Science Edition），2021， 38（2）：1-7.

[1]YINX，LIUQS，PANYC，etal.Strengthofstacking techniqueofensemble learning inrockburstpredictionwith imbalanced data： comparison of eight single and ensemble models[J].Natural ResourcesResearch，2021，30（2）：1795-1815.

[12]劉慧敏，徐方遠，劉寶舉，等.基于CNN-LSTM的巖爆危險等級時序預測方法[J].中南大學學報（自然科學版），2021， 52（3）： 659-670. LIUHM，XUFY，LIUBJ，etal.Time-series prediction method forrisk levelofrockburstdisasterbasedonCNN-LSTM[J]. Journal of Central South University （Science and Technology），2021，52（3）： 659-670.

[13]辛付宇，邢麗坤，劉笑.基于CNN-GRU神經網絡的鋰電池 SOH估計與RUL 預測[J].上海節能，2024（5）：819-826. XINFY，XING L K，LIU X.SOH estimation and RUL prediction of lithium baterybased on CNN-GRU neural networks[J]. Shanghai Energy Saving， 2024（5）： 819-826.

[14]仝躍，陳亮，黃宏偉.基于PSO-SVM算法的高放廢物處置北山預選區巖爆預測[J].長江科學院院報，2017，34（5）：68-74. TONGY，CHENL，HUANGHW.RockburstpredictionofBeishanpre-selectedareafordisposalofhigh-levelradioactive waste based on PSO-SVM [J]. Journal of Yangtze River Scientific Research Institute， 2017，34（5）： 68-74.

[15]陳志勇，杜江.基于1D-CNN-PSO-SVM的電力變壓器故障診斷[J].計算機仿真，2024，41（3）：71-75，87. CHEN ZY，DUJ.Fault diagnosis of power transformerbasedon1D-CNN-PSO-SVM[J].ComputerSimulation，2024，41（3）： 71-75，87.

[16]WANG J， WANG WC，HUX X，etal.Black-winged kitealgorithm： a nature-inspired meta-heuristic for solvingbenchmark functions and engineering problems [J]. Artificial Intelligence Review， 2024， 57（4）： 98.

[17]LIU WT，RENYY，MENGXY，etal.Analysisof potential water inflowrates atanundergroundcoal mine usinga WOACNN-SVM approach [J]. Water， 2024，16（6）： 813.

[18]劉劍，周宗紅，劉軍，等.基于主成分分析和改進 Bayes判別的巖爆等級預測[J].采礦與巖層控制工程學報，2022，4（5）： 16-26. LIU J， ZHOU Z H，LIUJ，et al. Prediction ofrockburst grade based on principal componentanalysis and improved Bayesian discriminant analysis[J].Journal ofMiningand Strata Control Engineering，2022，4（5）：16-26.

[19]XUG，LIKG，LIML，etal.RockburstintesitylevelpredictiomethodbasedonFA--Pmodel[J].Energies，222， 15（14）： 5016.

[20]GUO J，GUOJW， ZHANG QL，et al. Research on rockburst clasification prediction basedon BP-SVM model[J]. IEEE Access，2022，10：50427-50447.

[21]WANG Z Y， WANG YL，JINXL.Predictionof grade classficationof rock burstbased onPCA-SSA-PNNarchitecture[J]. Geofluids，2023（1）： 5299919.

[22]賈義鵬.巖爆預測方法與理論模型研究[D].杭州：浙江大學，2015. JIAYP.Study onprediction method and theorial model ofrockburst[D]. Hangzhou： Zhejiang University，2015.

[23]張恒源，范俊奇，郭佳奇，等.基于多參量判據的深地下工程巖爆傾向性研究[J].高壓物理學報，2022，36（2）：025202. ZHANG H Y，FANJQ， GUOJQ，et al. Rockburst tendency for deep underground enginering basedon multi-parameters criterion[J]. Chinese Journal ofHigh Pressure Physics，2022， 36（2）： 025202.

[24]張春生，周垂一，劉寧.錦屏二級水電站深埋特大引水隧洞關鍵技術[J].隧道建設（中英文），2017，37（1）：1492-1501. ZHANG CS， ZHOU CY，LIUN.Keytechnologies for extremely-large deep-buried headrace tunnel： acasestudyofJinpingII Hydropower Station[J].Tunnel Construction，2017，37（11）：1492-1501.

[25]SHANZG，YANP.Management ofrock burstsduring excavationof thedeep tunnels ininpingIHydropowerStation[J]. Bulletin of Engineering Geology and the Environment， 2010， 69（3）： 353-363.

[26]XIE X B，JANG W，GUOJ. Researchonrockburst predictionclasificationbasedonGA-XGBmodel[J].IEEAccess，2021， 9：83993-84020.

Prediction ofRockburst Grade Based on BKA-CNN-SVM Model

MU Huiwen1， ZHOU Zonghong1， ZHENG Faping2， LIU Jian1， ZENG Shunhong3，DUAN Yong3

（1.Faculty of Land Resources Engineering，Kunming University of Science and Technology， Kunming 650093， Yunnan， China; 2.School ofPublic Safety and Emergency Management，Kunming University ofScience and Technology， Kunming 650093， Yunnan，China; 3.YunnanYuntianhuaPolyphosphorus NewMaterialsCo.，Ltd.，Zhaotong6572oo，Yunnan，China）

Abstract： In order to realize efficient and accurate rockburst grade prediction， and prevent underground engineering disasters， this paper proposes a prediction model based on black-winged kite optimization algorithm-convolutional neural network-support vector machine （BKA-CNN-SVM）. Firstly， the prediction index system was established according to six influence factors of rockburst， and 284 groups of rockburst cases at home and abroad were colected to establish a rockburst database.Secondly，Laida criterion and 1.5 times quartile difference were introduced to remove and replace the outliers in the data.The kernel principal component analysis （KPCA） was used to reduce the dimension of the data and extract the features. The extracted features were used as the model inputs.Finally，the confusion matrix was used to evaluate the model performance in terms of accuracy， precision， recall， and F₁ value. BKA-CNN-SVM model was compared with convolutional neural network （CNN） model， extreme learning machine （ELM） model， and convolutional neural network and support vector machine （CNN-SVM） integrated model. The results showed that the accuracy， precision， F₁ value， and recall of BKA-CNN-SVM model are 95.35% ，0.89，0.92， and 0.94，respectively， which are significantly beter than the other models in terms of prediction accuracy and generalization degree.In order to verify the feasibility of the BKA-CNN-SVMmodel， it was used to prediction the rockburst grade of the Jinping secondary hydro-power station. The prediction results have high consistency with the actual field conditions. This research can provides a new method for rockburst grade prediction.

Keywords： rockburst; kernel principal component analysis; convolutional neural network; support vector machine; black-winged kite optimization