矿岩爆破块度是定量评价爆破质量的重要指标,它影响到各后续生产工序和采矿生产的总成本。在水利水电工程中,爆破块度对堆石坝坝体质量有决定性影响。因此,对岩体爆破块度的研究具有重要的实际意义。但传统的块度研究方法通常是采用一定的简化和假设,得出一系列数学方程来描述块度分布。但岩体爆破过程常常机理复杂,影响因素繁多,高度非线性,很难用具体的数学方程来描述。因此,需要引进新的研究方法。人工神经网络是一种处理非线性问题的良好经验建模方法,已被应用于不少工程爆破问题中,但是由于其理论基于经验风险最小化原则,难免会出现过拟和、陷入局部最小等问题。基于统计学习理论的支持向量机是一种新型的学习方法,它遵照结构风险最小化原则,克服了以往神经网络等方法的固有特点,大大提高了模型的泛化能力。本文详细阐述了支持向量机在岩体爆破过程建模中的应用。本文首先介绍了目前国内外爆破块度的研究现状并进行了简要的评述,其次从理论上简单分析了岩体爆破破碎机理及影响爆破效果的主要因素,然后引入了支持向量机方法,详细阐述了它的理论基础及优化算法,最后分别使用人工神经网络和支持向量机两种方法进行建模。本文的研究重点是支持向量机在岩体爆破块度研究中的应用。首先使用传统的人工神经网络的方法进行建模,选用改进的学习算法进行训练和预测;然后用支持向量机的方法进行建模,进一步分析了模型参数对模型性能的影响,并与人工神经网络的方法进行了比较。结果表明支持向量机方法是一种高效可行的爆破块度研究方法。