基于PSO-LSSVM的砂層可注性預測模型及其敏感性分析

朱光軒，張慶松，劉人太，張連震，郭焱旭

(1. 山東大學 巖土與結構工程研究中心，濟南 250061； 2.紐卡斯爾大學 工程與建筑環(huán)境學院，澳大利亞 紐卡斯爾；3.中國石油大學(華東) 儲運與建筑工程學院，山東 青島 266580)

滲透注漿是在滿足地層可注性條件下，將漿液注入地層空隙，從而達到降低土體滲透性、提高土體強度的目的[1].目前，滲透注漿技術已在各類巖土工程中得到了廣泛應用[2-6].與化學漿液相比，水泥漿液價格低廉，環(huán)境友好，其應用最為廣泛.滿足地層可注性標準是滲透注漿工程設計首要前提，因此，對于水泥漿液滲透注漿可注性的研究具有重要意義.

水泥漿液可注性影響因素眾多、機理復雜，導致其準確評估困難.諸多學者基于可注性室內試驗，各自提出相應的可注性評價模型.Burwell等[7]基于大量可注性試驗數(shù)據(jù)提出相應的可注性模型，該模型定義如下：當D15/d85>25、D10/d95>11時，為可注；當D15/d85<11時，為不可注；當1110即可判定為可注.Krizek等[9-10]總結提出了與Burwell類似模型.Akbulut等[11]考慮漿液水灰比及砂層相對密實度等參數(shù)，提出了低壓(p<200 kPa)注漿下的可注性標準.

經(jīng)歷了家道中落的魯迅厭惡了周圍熟悉的人群,為擺脫這種舊有的人事關系和改變自己的命運，1898年，魯迅前往南京尋求別樣的人生,并先后進入江南水師學堂、江南陸師學堂附設的礦路學堂學習。在此期間，學習的魯迅接觸到維新變法的宣傳刊物《時務報》，作為熱血青年的魯迅，救國救民的壯志開始生根，受惠于維新變法派留學生的變法舉措留學日本。就這樣，魯迅抱著尋求新知、拯救過敏的熱情來到了東京。魯迅進的第一所預備學校是東京弘文學院,并加入了革命團體浙學會，成為一個激進的革命者，且頗為勇敢。從剪辮子事件就可看出，在剪辮之后不僅毫無畏懼，還特地“斷發(fā)照相”，以資紀念，并題了一首詩——自題小像，贈給友人許壽裳。詩云：

以上研究皆是基于室內可注性試驗結果提出的可注性分類研究方法，然而不同學者提出的可注性分類標準不盡相同.其原因主要為，在滲透注漿過程中，水泥顆粒由于受砂土骨架的阻擋，將發(fā)生明顯的濾過效應，表現(xiàn)為隨注漿進行，砂層孔隙率持續(xù)衰減，最終造成漿液擴散存在極限擴散距離[12-15].漿液極限擴散距離大小取決于漿液性質、被注介質性質和注漿壓力等參數(shù)，在可注性試驗中，若被注試樣尺寸小于或等于漿液極限擴散距離，則漿液將在整個試樣中充分滲透擴散，即表現(xiàn)為可注，反之為不可注.可注性分類標準各不相同，不利于其在實際工程中的推廣應用.因此，建立具有普適性的可注性量化評價模型具有重要意義.

為量化評價砂層可注性，開展了可注性室內試驗，以水泥漿液水灰比RWC、相對密實度Dr、細顆粒(直徑<0.075 mm)含量θ、砂層特征粒徑D10和D15為控制變量，測量記錄漿液滲透擴散距離，以擴散距離作為可注性量化評價指標，分析得到了各因素對可注性的影響規(guī)律.

將粒子群算法(PSO)和最小二乘支持向量機(LSSVM)相結合，通過粒子群算法搜索最佳的支持向量機(SVM)的參數(shù)，提出了漿液擴散距離預測的粒子群最小二乘支持向量機方法(PSO-LSSVM).以可注性室內試驗測試結果作為訓練、測試樣本，最終建立了基于PSO-LSSVM的漿液擴散預測模型.在此基礎上，根據(jù)漿液擴散狀態(tài)定義可注性分類臨界指標，進而建立了相應的可注性分類模型.以測試集試驗數(shù)據(jù)為樣本，將可注性分類模型預測結果與現(xiàn)有可注性評價方法進行了對比分析.

砂層可注性影響因素眾多，分析可注性各影響因素的敏感性分布對實際工程中注漿參數(shù)優(yōu)化調整具有指導意義.現(xiàn)有研究多為可注性分類預測，缺乏可注性量化評價研究，而可注性量化評價是因素敏感性分析的基礎，相關研究鮮有報道.敏感性分析方法可以分為局部敏感性分析以及全局敏感性分析.其中，局部敏感性分析只檢驗單因素變動對結果的影響程度，計算方便，但是分析往往需要一定假設，不能全面反應實際情況[28].而全局敏感性分析考慮了因素相互作用對結果的影響，更符合實際情況，在土木工程等多個領域應用廣泛[29-31].其中，傅里葉幅度敏感性測試方法(FAST)即是典型全局敏感性分析方法.

將漿液擴散距離PSO-LSSVM預測值與測試集樣本數(shù)據(jù)對比，評價擴散距離預測準確性.圖5為測試集漿液擴散距離預測值與試驗值對比.圖6為漿液擴散距離預測值與試驗值的擬合優(yōu)度R2表現(xiàn).

1 可注性室內試驗

以P.O. 42.5R普通硅酸鹽水泥為試驗材料，以水泥漿液水灰比RWC、相對密實度Dr、細顆粒(直徑<0.075 mm)含量θ、砂層特征粒徑D10和D15為控制變量，開展129組砂樣滲透注漿試驗，試驗測量記錄漿液滲透擴散距離，以擴散距離定量表征可注性.

1.1 試驗材料

1.1.1 普通硅酸鹽水泥

例如，教學朱自清的《背影》一文，抓住“以‘背影’為線索表達深厚父愛”的方法，要求學生寫一篇“母愛”的文章。有位學生這樣寫道：“曾經(jīng)是那樣溫柔的手突然間給我的感覺卻不柔軟了，仔細一看，原來母親的手已經(jīng)結滿了老繭。啊，這曾經(jīng)抱起過我、喂養(yǎng)過我、攙扶過我的雙手啊，在歲月的流逝中變化著，留下的不僅僅是皺紋，更是勞作的深深印痕?。　?/p>

1.1.2 被注介質

目前勝利油田孤東采油廠共有污水處理站5座和1個污水沉降處理氧化塘，設計污水處理能力148 700 m3/d，實際處理污水142 300 m3/d，污水外輸管線1.15 km，污水外調線33 km，各類污水外調泵10臺。勝利油田孤東采油廠提出向質量要效益，圍繞“實現(xiàn)更有質量、更有效益、更可持續(xù)發(fā)展”的工作目標[1]，實施低效污水外調泵（離心泵）節(jié)能技術改造項目，從而達到節(jié)能降耗的目[2-3]。

試驗采用11種粒徑配比砂樣開展?jié)B透性試驗，每種砂樣特征粒徑如表1所示.

表1 砂樣特征粒徑

1.2 試驗裝置及試驗方案

試驗裝置由氮氣瓶、承壓儲漿桶、試驗架3部分構成，承壓儲漿桶與氮氣瓶相連，氮氣瓶輸出的空氣壓力轉換為漿液壓力，儲漿桶頂蓋上設置壓力表監(jiān)測注漿壓力，壓力表量程為0～3 MPa.試驗架由上部頂蓋、中部鋼制承壓管、下部底盤3部分構成.鋼制承壓管內部盛放待注漿砂樣，砂樣上方設置濾網(wǎng)，防止松散的砂顆粒移動，砂樣下方設置透水石.砂樣尺寸為標準試件尺寸，高度為10 cm，直徑為5 cm.試驗裝置如圖1所示.試驗裝置具體研發(fā)過程見文獻[32].

圖1 滲透注漿試驗裝置現(xiàn)場照片[32]

為系統(tǒng)研究砂層的可注性，在試驗過程中充分考慮各個因素對砂層可注性的影響，除砂層粒徑外，設定砂層相對密度Dr、細顆粒含量θ及漿液水灰比RWC為自變量.砂層相對密度Dr變化范圍為0～100%；水灰比調節(jié)范圍為0.8～1.6；細顆粒含量變化范圍為0～16%.

EZH2高表達組乳腺癌患者組織中miR-200c mRNA表達水平較EZH2低表達組明顯降低，差異有統(tǒng)計學意義(P＜0.05);轉染siAFAP-EZH2后的乳腺癌細胞miR-200c mRNA表達水平明顯高于control組和空白組(P＜0.05)。見表3。

滲透注漿主要有恒壓力和恒流速兩種施工工藝，可注性試驗采用恒壓注漿方式.注漿壓力越大漿液擴散距離越大，然而過大注漿壓力易于引起地層劈裂，破壞原狀土體結構，在實際工程中常采用低壓滲透注漿[1,16].砂層可注性試驗中，為確保水泥漿液在砂樣中充分擴散，試驗中注漿壓力控制為1.0 MPa.具體試驗影響因素設置及試驗結果見文獻[32].

2 基于PSO-LSSVM的可注性預測模型

近年來，以神經(jīng)網(wǎng)絡(ANN)為代表的人工智能方法被廣泛應用到可注性分類預測研究領域，推動了可注性理論進展[16-21].然而，神經(jīng)網(wǎng)絡方法具有過度擬合、泛化性能不高等缺點，最小二乘支持向量機(LSSVM)作為新一代機器學習算法，能較好解決小樣本、非線性和高維問題求解，逐漸被應用于巖土工程問題分析中[22-25].此外，傳統(tǒng)人工智能模型參數(shù)搜索常采用網(wǎng)格搜索和交叉驗證方法，搜索效率及精度相對較低[26-27].而粒子群算法作為一種新型仿生進化算法，采用全局優(yōu)化方法，可有效提高收斂速度及精度.

2.1 LSSVM回歸原理

圖3為訓練集中漿液擴散距離PSO-LSSVM預測值和試驗值對比.采用擬合優(yōu)度R2為指標，定量評價基于PSO-LSSVM方法建立的可注性預測模型表現(xiàn)性能，即

yi=wφ(xi)+b.

(1)

式中：w為權向量；b為偏置量.xi、yi分別為系統(tǒng)輸入向量和輸出值.Suykens等[34]基于正則化理論，采用最小二乘成本函數(shù)和等式約束建立了LSSVM優(yōu)化問題的最小化函數(shù)，其表達式為

(2)

約束條件

yi-wφ(xi)=b+ξi.

(3)

式中：C為懲罰因子，即擬合誤差容忍度，C值越高，誤差容忍度越小，越容易過擬合，C值越小，則容易欠擬合，合理取值可使所求的函數(shù)具有較好的泛化能力；ξi為松弛因子.

最小化函數(shù)的拉格朗日求解方程為

(4)

式中ai(i=1,2,…,l)為拉格朗日乘子.最優(yōu)的參數(shù)a和b可以通過KKT條件獲得.

要讓傳統(tǒng)的“景點旅游”轉向“全域旅游”，需要構建基于地域實情特征多部門協(xié)作聯(lián)合的社會合作管理機制體制為中心，以管理體制創(chuàng)新和環(huán)境建設提升為重要抓手，推動旅游行政管理向社會管理轉變。

(5)

消去式(5)中的w和ξ，優(yōu)化問題轉化為求解如下方程

(6)

式中：I為l階單位矩陣；Θ=[1,…,l]T；a=[a1,a2,…,al]T；y=[y1,y2,…,yl]T.K為核函數(shù)矩陣，其元素Kij=φ(xi)Tφ(xj)；i,j=1,2,…,l,其回歸函數(shù)為

很多年以后，他像當日殺鼠一樣，被判五刑加腰斬——劓刖、割舌、剁肢、笞殺同時執(zhí)行之際便腰斬，最后慢慢碎尸。一家老小、三族親戚、賓客門生……不分男女，一律斬首。七八個劊子手斧起刀落，也是一直忙到傍晚，這是一個雨夜。雨整整下了一個月。

(7)

LSSVM模型預測精度取決于核函數(shù)的參數(shù)取值.為提高預測精度，采用粒子群算法對其參數(shù)進行優(yōu)化.

2.2 粒子群算法

粒子群優(yōu)化算法(PSO)中，每個潛在解都被當成一個點或“粒子”，所有潛在解組成“粒子群”[35-36].任意一次迭代，粒子群基于單個粒子個體極值Pbest和群全局極值gbest來不斷更新.群體中第i個粒子在n維空間的位置表示為xi=(xi1,xi2,…,xin)，其速度vi=(vi1,vi2,…,vin)，第i個粒子的個體極值Pbest=(Pi1,Pi2,…,Pin)，整個粒子群的全局極值gbest=(g1,g2,…,gn).在極值點處，通過方程(8)和(9)來更新自己的速度和位置：

vi(k+1)=qvi(k)+c1rand1(Pbest-xi(k))+

c2rand2(gbest-xi(k)),

(8)

xi(k+1)=xi(k)+vi(k+1).

(9)

式中：c1、c2為學習因子，c1、c2∈(0，2)；rand1和rand2為(0,1)之間的隨機數(shù)；q為動量系數(shù)，隨迭代計算更新.

2.3 PSO-LSSVM可注性預測模型建立

采用LSSVM方法建立砂層特征參數(shù)及注漿參數(shù)與漿液擴散距離之間的非線性映射關系.假設有n組訓練樣本數(shù)據(jù)(xi,yi)(i=1, 2,…,n)，在本模型中，任一組砂層可注性試驗對應一個樣本數(shù)據(jù)，其中xi為五維實數(shù)輸入向量，分別包括水泥漿液水灰比RWC、砂層相對密實度Dr、細顆粒含量θ、砂層特征粒徑D10和D15，yi表示該組試驗測得的漿液擴散距離，以漿液擴散距離作為可注性量化評價指標.建模的過程即是尋找輸入向量xi與輸出值yi之間的非線性映射關系，關系模型示意圖如圖2所示.

以石英砂作為試驗被注介質.所用石英砂中，二氧化硅(SiO2)質量分數(shù)大于96%，燒失量不超過0.40%，含泥量(包括可溶性鹽類)不超過0.20%.

圖2 基于LSSVM 建立的可注性預測關系模型示意

根據(jù)最小二乘支持向量機理論，相應的映射模型如式(7)所示.式(7)中，a和b可以通過解式(6)的線性方程組求出；yi為LSSVM模型的漿液擴散距離預測值.通過可注性試驗獲得的樣本數(shù)據(jù)，對非線性映射模型進行訓練.LSSVM模型核函數(shù)為RBF核，方程為

if (assertion==null) return new Model And View("/ssosync?url2=/home");

試驗用水泥為42.5R普通硅酸鹽水泥，水泥品質符合GB175—99《硅酸鹽水泥、普通硅酸鹽水泥》.水泥燒失量為0.56%.水泥顆粒粒徑分布為0.4～80 μm，顆粒粒徑分布范圍相對較廣，水泥顆粒特征粒徑d85=23.872 μm，d90=28.93 μm，d95=36.127 μm.

高潮趨前一步，說，噢，原來是齊經(jīng)理啊。高潮扭身指著田卓介紹道，這位是卓木文化傳媒的田總。齊眉與田卓的手就握在了一起，高潮見她們客套得差不多了，又指著自己介紹說，《NEW商圈》主編高潮。齊眉伸出手來，和高潮熱情地握了握，之后，把高潮和田卓領到寫有他們名字的席位卡前，說，兩位請坐。

K(xi,xk)=exp(-γ‖xi-xk‖2),γ>0.

(10)

式中γ為核函數(shù)參數(shù)，其值越小越容易欠擬合，值越大越容易過擬合.模型預測精度取決于C、γ的取值.根據(jù)文獻[37]的結論，訓練集樣本數(shù)據(jù)占總樣本數(shù)量的80%左右時，預測模型可得到最佳效果.本文在樣本空間內均勻選取105組試驗樣本數(shù)據(jù)作為模型訓練集，試驗樣本數(shù)據(jù)占樣本總量81.4%.采用粒子群優(yōu)化算法，對參數(shù)C、γ的取值進行優(yōu)化.根據(jù)訓練集試驗樣本數(shù)據(jù)，求得參數(shù)最優(yōu)解為C=2.02、γ=1 854.41，以C、γ最優(yōu)取值建立可注性影響參數(shù)與漿液擴散距離的關系模型.

通過對各組心肌樣品檢測，結果顯示，附子提取物組、山茱萸提取物組、附子+山茱萸提取物組與模型組比較，ATP、ADP、肌酸、肌酐的含量均升高，其中，附子+山茱萸提取物組心肌樣品中5種能量物質升高顯著（P＜0.05、0.01）。結果見圖3。

媽媽用實際行動證明著。這一年，她帶我去重慶苦竹壩福利院認養(yǎng)了一個孤兒、我的妹妹巧玉。巧玉從福利院出來后，一直住在我家，三口之家變成了四口。之后的媽媽再也沒考慮過婚事。

最小二乘支持向量機(LSSVM)是在SVM基礎上用等式約束代替不等式約束，避免了二次回歸問題，計算精度和效率更高[33].假設訓練樣本數(shù)據(jù)為{xi,yi}，(i=1,2,…,l)，xi∈Rn為n維系統(tǒng)輸入向量，yi∈R為輸出值.高維非線性映射φ：Rn→H，H為高維特征空間.在特征空間H中，擬合樣本集為

(11)

圖3 訓練集中擴散距離預測值與試驗值對比

R2值越接近1，說明關聯(lián)度越好.圖4為訓練集擴散距離預測值與試驗測定值之間擬合優(yōu)度R2的表現(xiàn).如圖3,4所示，擴散距離預測值與模型值之間較為接近，擬合優(yōu)度R2為0.962，模型擬合度較高.

圖4 訓練集中擴散距離預測擬合優(yōu)度R2

2.4 擴散距離預測準確性評價

本文將粒子群算法(PSO)和最小二乘支持向量機(LSSVM)相結合，通過粒子群算法搜索最佳的支持向量機參數(shù)，建立了漿液擴散距離預測的粒子群最小二乘支持向量機方法(PSO-LSSVM).以可注性室內試驗測試結果作為模型訓練和測試樣本，建立了可注性PSO-LSSVM預測模型.基于PSO-LSSVM漿液擴散距離預測模型，采用FAST方法開展全局敏感性分析，得到了可注性影響因素敏感性分布.

圖5 測試集中擴散距離預測值與試驗值對比

圖6 測試集中擴散距離預測值擬合優(yōu)度R2

如圖5,6所示，漿液擴散距離預測值與試驗值較為接近，R2=0.982，說明所建立的PSO-LSSVM漿液擴散距離預測模型具有較好的泛化能力及良好的預測精度.本文為漿液擴散距離預測提供了有效方法，下一階段將廣泛開展不同注漿施工參數(shù)(包括注漿速率、注漿壓力等)條件下的可注性試驗，擴充試驗訓練樣本，建立基于PSO-LSSVM方法的多種常用漿液的滲透擴散預測模型，并對其工程應用效果進行評價.

2.5 與現(xiàn)有方法對比

考慮柱形砂樣中漿液擴散鋒面起伏以及試驗測量誤差，認為漿液在砂樣擴散距離L≤1 cm時，為不可注；1

Burwell模型和Incecik模型僅以被注砂層和水泥顆粒兩者特征粒徑比值作為可注性評判指標，在實際工程中應用較為廣泛，可作為本文可注性預測對比方法.為保證所選取樣本具有較好代表性，測試集樣本數(shù)據(jù)均從樣本空間中均勻選取，共計24組，約占總樣本數(shù)18%.PSO-LSSVM的測試集樣本可注性預測結果與經(jīng)典Burwell模型和Incecik模型判定結果對比如表2所示.可以看出，PSO-LSSVM模型對24組測試集可注性結果進行了完全準確預測.Burwell模型對測試集中不可注樣本和完全可注樣本進行準確預測.然而由于模型自身限制，無法對不完全可注樣本進行判識，或模型未定義，或判定為可注性樣本，總體而言，該模型對樣本可注性做出了過高的估計.

表2 可注性結果預測及對比

續(xù)表

與Burwell模型類似，Incecik模型對完全可注和不可注樣本進行了準確估計，然而模型無法對注入不充分樣本進行有效識別.此外，Burwell模型和Incecik模型預測結果不完全一致，不利于工程應用.總體而言，本文模型優(yōu)于Burwell模型和Incecik模型，可注性預測精度更高，可為實際工程應用提供指導.

3 可注性影響因素全局敏感性分析

為評價影響因素對可注性敏感度，基于所建立的PSO-LSSVM漿液擴散距離預測模型，研究了各控制變量對可注性的敏感度，采用全局敏感性分析方法FAST，獲得了可注性影響因素敏感性分布.

3.1 FAST方法簡介

FAST方法是以方差分析為基礎的靈敏性分析方法.通過對每個系統(tǒng)待分析參數(shù)分配一個特征頻率值，求解傅里葉變換變量離散值的系統(tǒng)方程，計算與各參數(shù)頻率相關的傅里葉系數(shù)，確定系統(tǒng)靈敏度[38-39].FAST方法可以在高維非線性系統(tǒng)參數(shù)發(fā)生較大變化情況下，進行有效分析計算.可注性影響因素全局靈敏性指數(shù)反映的是某個注漿參數(shù)變化對漿液滲透擴散距離的影響程度.全局靈敏度指數(shù)為

(12)

式中：Vi=V(E(y|Xi))，V(y)為總方差，SXi為參數(shù)Xi對模型輸出總方差的貢獻率.

社會上與學術界對于我國延遲退休年齡的政策議論不休，學者們各持己見，抒發(fā)了對該項政策利弊的分析。我國漸進式延遲退休年齡政策需要綜合自身利弊以及國家發(fā)展環(huán)境來進行充分討論，因此，更適合利用美國舊金山韋克里教授提出的事態(tài)分析法（又 稱 SWOT，Strengths Weaknesses Opportunities Threat分析法）進行討論，充分將我國延遲退休政策的優(yōu)勢（Strengths）、劣勢（Weakness）、機會（Opportunities）以及威脅（Threats）進行論證。

3.2 敏感性分析結果

選取水泥漿液水灰比RWC、相對密實度Dr、細顆粒含量θ、砂層特征粒徑D10和D15共5個參數(shù)，分析其對漿液擴散距離敏感性分布.假定各參數(shù)服從均勻分布，采用拉丁超立方抽樣方法對參數(shù)抽樣，抽樣范圍見表3所示.采用所建立的PSO-LSSVM預測模型計算樣本漿液擴散距離，在此基礎上，采用FAST方法計算參數(shù)敏感性指標.敏感性計算結果如圖7所示.

表3 影響因素及其抽樣范圍

圖7 影響因素敏感性指數(shù)分布

由圖7可知，砂層可注性敏感性排序為D10>D15>Dr>θ>RWC，其中D10和D15敏感度遠大于其他3個參數(shù)，影響最為顯著.以Burwell模型[7]為代表的諸多傳統(tǒng)可注性評判方法認為，當水泥漿液材料一定，砂層可注性取決于D10和D15，即認為D10和D15為除漿液材料之外的對可注性影響最為顯著因素，這與本文敏感性分析結果較為一致.相比而言，砂層相對密實度Dr、細顆粒含量θ以及漿液水灰比RWC對可注性影響相對較小，因此，在實際可注性預測中，需盡量減少D10和D15參數(shù)量測的不確定性，從而為可注性的精確預測提供保證.

7個Ⅱ類海風鋒個例的850 hPa層合成流場如圖9b所示,內陸地區(qū)處于大陸東移高壓控制之下,且呈現(xiàn)雙中心結構:山東內陸為一較小高壓中心,而長江口以南為另一更強高壓中心。高壓整體較強盛,為其所控制的區(qū)域帶來較為穩(wěn)定的天氣形勢。此時850 hPa沿海為自大陸向海面的風場,與圖9a中1 000 hPa層上的海風反向,顯示Ⅱ類海風環(huán)流較淺薄。而Ⅰ類海風鋒的海風環(huán)流(圖7)因副熱帶高壓的整體勢力,蘇北及蘇中的海風環(huán)流較深厚。

4 結 論

1)基于PSO-LSSVM方法建立的預測模型具有較高預測精度.漿液擴散距離預測值和試驗測量值相近，擬合優(yōu)度R2為0.982，可以準確預測樣本完全可注、注入不充分以及完全不可注情況，而傳統(tǒng)分類方法無法對注入不充分情況進行有效識別.

2)可注性影響因素敏感性排序為：砂層粒徑D10>砂層粒徑D15>相對密實度Dr>細顆粒含量θ>漿液水灰比RWC，其中D10和D15敏感性顯著高于Dr、θ和RWC.

3)本文的研究也為滲透注漿擴散距離預測提供了新的思路，但還需廣泛開展不同注漿參數(shù)(包括漿液類型、注漿速率、注漿壓力等)條件下的滲透注漿試驗，擴充訓練樣本，基于PSO-LSSVM方法建立適用范圍更廣的滲透注漿擴散預測模型，并對預測模型在工程中的應用效果進行評價.