yl7703永利集团博士研究生吴亚娟在中科院2区SCI期刊《Ain Shams Engineering Journal》上发表题为“Estimation of uniaxial compressive strength of rock using optimized support vector and kernel-based extreme learning machine models”的研究论文，yl7703永利集团为论文第一单位，博士研究生吴亚娟为论文第一作者，温韬教授为通讯作者。

岩石单轴抗压强度是反映岩石基本力学性质的重要参数，在岩体分类、岩体破坏准则建立及地质灾害防治中具有关键作用。传统的直接测定方法（如单轴压缩试验）虽然结果可靠，但存在成本高、耗时长、试样制备困难等局限，尤其是对于破碎、风化严重的岩石，获取高质量岩芯十分困难。为此，研究者发展出基于点荷载强度、纵波波速、施密特锤回弹值、抗拉强度、施密特硬度、邵氏硬度、单位重量等易测参数的间接预测方法。近年来，机器学习技术因其能有效捕捉复杂非线性关系，已成为UCS预测的重要工具，但单一模型往往性能有限，亟需引入优化算法和集成模型进一步提升预测精度和稳定性。

本研究基于87组岩石样本数据，选取点荷载强度、纵波波速、抗拉强度、施密特硬度、邵氏硬度、单位重量六个参数作为输入变量，采用核极限学习机和支持向量回归两种基础模型，并引入变色龙算法、蜜獾算法、马群算法、水母算法、粒子群优化算法五种元启发式优化算法，构建了十种混合模型（包括PSO-KELM、HBA-KELM、HOA-KELM、CSA-KELM、JS-KELM、PSO-SVR、HBA-SVR、HOA-SVR、CSA-SVR、JS-SVR）。通过RMSE、R²、WI、VAF、MAE、RSR、PI、MAPE八项评价指标，结合评分分析、不确定性分析和Wilcoxon检验，系统评估各模型性能。结果表明：基于KELM的模型中HOA-KELM表现最优（R²=0.9168，RMSE=13.3381）；基于SVR的模型中PSO-SVR表现最优（R²=0.9440，RMSE=10.9402）。Taylor图进一步证实PSO-SVR模型的预测精度更高，是岩石单轴抗压强度预测的优选模型。

论文链接：https://doi.org/10.1016/j.asej.2025.103779

图1 论文首页