内容:
（1）、影响岩石力学性态的各种因素，只要有相应的数据，都能作为变量输入到SVM，因素的数量多少不受限制。故SVM 能较全面的考虑岩石力学性态和各影响因素之间的关系。
（2）、预测结果离散性较小，预测精度较人工神经网络有了大幅度提高。从7 个测试样本的21 个预测结果可以看出，相对误差小于10%的样本比例SVM 为43%，人工神经网络为38%，相对误差小于30%样本比例SVM 为91%，人工神经网络为86%。从图1 亦可见，对于大部分样本，SVM 的预测结果较ANN 高。
（3）、采用智能学习方法预测岩石的力学性态都需要有一定数量的试验结果作为学习样本。而试验结果的获取通常需要大量的人力和物力投入。在有限的学习样本情况下，基于小样本的SVM 预测精度是人工神经网络难以企及的。
3 结 论
由于岩石力学性态错综复杂，传统的固体力学方法还难以圆满地处理岩石力学问题。因此，充分利用有限的试验结果，通过对试验结果进行学习和分析，寻求岩石力学性态与各种影响因素之间的非线性关系非常重要。利用支持向量机良好的的推广能力和非线性动态数据处理能力，较好的弥补了人工神经网络的缺陷，以有限的试验结果作为学习预测的基础，对岩石力学性态分析具有很好的适应性，为分析和解决岩石力学性态问题提供了一条新的途径。
