BP和Elman神经网络在砂土液化预测中的研究

基于砂土液化的影响因素具有非线性关系,而神经网络模型能够逼近任意非线性函数和适合于动态系统辨识的特性,分别建立输入层为4,隐含层神经元为2,输出层为1的三层BP神经网络和Elman网络,并且通过matlab软件运算,实例比较得出Elman模型比BP模型收敛速度快、精度高,在砂土液化的预测中效果更好。     

尾矿坝地震液化侧向位移分析方法及应用

为评估尾矿坝地震液化侧向位移值,评价坝体地震安全状态,有必要建立适用的地震液化侧向位移分析方法。基于现场标准贯入测试数据,分析地震液化敏感性。采用简化方法进行液化评价。根据抗液化安全系数与最大剪切应变间的关系,建立尾矿坝地震液化侧向位移计算式。归纳分析已有7个堤坝液化破坏实例。提出针对中小型尾矿坝,区分地震液化有限变形和整体破坏的极限值(即破坏判据)为2.0 m。选取2座上游法尾矿坝,采用新建方法进行实证分析。结果表明,预测液化侧向位移值与现场实测评估结论较吻合。     

北京轨道交通工程地质灾害危险性预测评估——以昌平线(S2线)为例

基于区域地质、地震地质及地质灾害方面的资料,并结合详细的野外调查,采用定性、半定量的评估方法,对北京轨道交通昌平线(S2线)工程建设用地地质灾害危险性进行预测;工程项目可能引发或加剧及可能遭受的地质灾害类型主要有地面沉降、砂土液化、活动断裂、基坑边坡失稳、底板突水和桥梁地基失稳等,针对评估结果提出地质灾害防治对策,以期为该项目防灾减灾、应急救援及类似工程地质灾害危险性评估提供参考。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

尾矿坝地震液化评价可靠度模型及应用

为适应计算参数本身具有的随机性和未确知性,将可靠度理论引入尾矿坝地震液化评价中。以测试数据的统计分析结果为基础,应用一次二阶矩法建立尾矿坝地震液化分析可靠度模型,探讨了可靠度指标与抗液化安全系数之间的关系,并将该模型应用到某尾矿坝地震液化分析中。结果表明,新建可靠度模型各参数的物理意义与统计指标明确,相比传统的确定性分析方法,不仅能判断液化的发生与否,还能给出液化发生的概率;可靠度理论在液化分析中能更好地考虑计算参数的变异性,进一步完善了尾矿坝地震液化分析理论,为进行基于风险分析的尾矿坝抗震设计和地震安全评价提供更全面的依据。     

矿区采空塌陷危险性预测的RS-SVM模型

为快速、准确地预测矿区采空塌陷的危险性,针对矿区采空塌陷预测的复杂非线性特点,在统计分析实测资料的基础上,选取7项指标作为初始特征指标,30组塌陷样本作为原始样本,其中,前17组为原始训练样本,后13组为测试样本;运用粗糙集(RS)理论,对原始训练样本进行对象约简和属性约简。将属性约简后的3项指标作为支持向量机(SVM)的输入向量,建立矿区采空塌陷危险性预测的RS-SVM模型。将对象约简后的7组样本作为训练样本,用于模型训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对13组待评样本进行预测,并与贝叶斯、BP神经网络(BPNN)方法进行比较。结果表明,RS理论与SVM算法相结合,能降低属性维数,去除冗余样本,简化模型,该模型所得预测结果准确率为100%。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。     

遗传算法优化的BP神经网络在地震死亡人数评估中的应用

破坏性的地震灾害作为一种突发性自然灾害,往往会在短时间内造成大量的人员伤亡和财产损失。地震发生后若能有效地预测伤亡人数,可以更科学地组织人员救灾与配置救灾物资,对于减少震后的人员伤亡具有一定的指导作用。通过我国往期的地震数据信息,分析总结出对人员伤亡数目影响较大的7个因素,分别为地震等级、地震时间、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度。鉴于这7个影响因素与地震时的死亡人数呈非线性关系,选用基于遗传算法(GA)优化的BP神经网络建立地震死亡人数预测模型。针对BP神经网络的局限性,利用遗传算法全局搜索最优值的特点,对BP神经网络的权值与阀值进行优化,防止BP神经网络陷入局部最优解,并且加快神经网络收敛速度,从而提高BP神经网络的预测精度。从我国1970年至2016年之间发生的地震灾害中,选取32组造成人员伤亡的地震数据,对初始数据进行处理后,利用遗传算法优化的BP神经网络预测模型进行训练并预测。选取27组样本作为训练样本,另外5组样本作为测试样本。预测分析结果表明,遗传算法优化的BP神经网络预测死亡人数与真实死亡人数相比平均误差为9.72%,均方误差为10.41,而BP神经网络的预测死亡人数的平均误差为17.61%,均方误差为18.02,因此GA-BP神经网络结果较为理想,相比传统的BP神经网络具有更高的逼近精度。     

建筑工程安全文明施工费预测精度研究

为准确测算建筑工程安全文明施工费,提出案例推理技术(CBR)-最大信息系数(MIC)-随机森林(RF)预测模型方法。通过实地调研61个典型工程样本数据,选择12个安全文明施工费的影响因素作为候选特征变量,采用CBR进行样本相似度检索以构建模型的训练样本集,运用MIC确定关键特征变量输入模型,组合建立3种RF模型(RF、MIC-RF和CBR-MIC-RF),并通过实证分析其预测精度。结果表明：通过样本相似度检索和识别关键特征变量,可显著提高RF模型的预测精度(平均绝对百分比误差(MAPE)为3.35%);模型预测精度随不同等级的相似度阈值呈“U”型变化,设置合适的相似度阈值对提升模型的预测效果至为关键;CBR-MIC-RF模型可获得比支持向量机模型更好的预测性能。     

基于多重退化路径模型的FLNG液化系统寿命预测

为提高FLNG液化系统使用寿命的预测准确性,本文针对FLNG液化系统建立考虑多组分相关性的多重退化路径模型(MDDPM),计算出液化系统的Phase-Type寿命分布密度函数和预测寿命;以丙烷预冷混合制冷剂液化系统为例,应用MDDPM计算得到液化系统的预测寿命,并与仅考虑固有依赖条件下的液化系统预测寿命进行对比.结果表明:基于MDDPM的液化系统预测寿命比仅考虑固有依赖条件下的液化系统预测寿命短258天.系统各组分间相关性考虑不充分而导致液化系统预测寿命估计过高不容忽视,使用MDDPM进行寿命预测更准确、更安全.     

基于网格搜索和ELM的冲击地压危险等级预测

为提高冲击地压危险等级预测模型的泛化性能及预测精度,采用网格搜索法结合十折交叉验证法对极限学习机(ELM)中的隐含层神经元个数及激活函数的类型进行组合优化,进而建立冲击地压危险等级预测模型;选取重庆砚石台煤矿36组实测数据进行试验,对影响因素数据进行标准化处理,选择其中26组样本对模型进行训练,采用该模型对后10组样本中冲击地压危险等级进行预测,并与其他方法作对比。结果显示:经过十折交叉验证,用该模型得到的正确识别率为84.615%,高于朴素贝叶斯及Adaboost M1的76.92%、61.54%,采用该模型对测试样本集中冲击地压危险等级进行预测,预测准确率为90%,高于朴素贝叶斯及Adaboost M1预测准确率80%。     

基于主成分分析与Fisher判别分析法的矿井突水水源识别方法

为有效地预防矿井突水事故,及早识别突水水源是关键工作之一。根据矿井各含水层水化学成分的差异性,选取7种水化学成分指标作为突水水源识别的样本变量。在此基础上,采用主成分分析(PCA)与Fisher判别分析相结合的方法建立突水水源判别模型。以新庄孜煤矿不同水层的水化学特征资料中的33个为学习样本,12个为预测样本,对该模型进行检验和应用,并与传统Fisher判别分析模型的结果进行比较。研究结果表明:利用PCA与Fisher突水水源判别模型能够有效地消除样本变量指标间的相互影响,使突水水源判别结果更加准确。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性，将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题，根据实车运行中的电池状态数据，选择电池的单体电压最高值、单体电压极差等作为关键预测对象；利用费舍尔计分和最大信息系数(MIC)进行特征选择，采用样本卷积和交互网络模型(SCINet)实现关键状态预测；基于预测的状态，建立多分类随机森林(RF)模型，对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力，如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

黄土与砂土液化特性的对比──土液化与减灾防灾

基于系统的试验 ,总结已有成果 ,研究了饱和黄土和砂土液化在液化机理、液化判别标准、影响液化的因素、孔压和应变的发展等方面的异同之处。研究表明 ,由于在液化机理上存在差异 ,导致二者动荷载下的孔压和应变发展特点有显著差别 ;同一因素对二者液化性状的影响可能相似 ,也可能不同 ;在动三轴液化试验中 ,黄土和砂土均可采用初始液化作为液化的判别标准。     

煤层底板突水危险性的PNN预测模型研究及应用

为准确有效地预测煤层底板突水的危险性,在分析大量观测实例数据的基础上,选取底板含水层水压、煤层采高、隔水层厚度、断层落差、煤层倾角和断层距工作面距离等6项指标作为影响煤层底板突水的初始特征指标。针对指标之间具有相关性的问题,利用主成分分析(PCA)法提取6项特征指标的主成分,将其作为概率神经网络(PNN)的输入向量,建立基于PCA的煤层底板突水危险性的PNN预测模型。选取21组煤矿实测数据作为学习样本,用于训练模型。采用回代估计法对模型回检。利用学习好的模型,预测另外4组矿井突水数据样本。结果表明,该方法有效降低了指标数据相关性,实现了降维,使PNN模型工作复杂度减弱。将该模型应用于工程实例中,所得预测结果准确率为100%。     

基于Fisher判别法岩溶塌陷倾向性等级分类预测

为准确预测岩溶塌陷倾向性的等级分类,通过分析大量观测实例,选取岩性系数、岩体结构系数、地下水系数、覆盖层系数、地形地貌系数和环境条件系数作为模型判别因素。对12个实际观测样本进行训练,建立了基于Fisher判别分析法(FDA)的岩溶塌陷倾向性等级分类预测模型。借助SPSS软件工具,得到判别模型的4个判别函数。根据判别函数对训练样本进行回判,并对2个待判样本进行预测。结果显示:第一、第二判别函数的综合判别效率达到100%,大于规定的85%,满足工程实际应用需求;对训练样本进行回判时,误判率为零,同时对待判样本的分类预测准确率为100%。     

基于优化Bagging-LSSVM模型的冲击地压预测

为准确预测冲击地压危险性,提出一种优化Bagging算法动态集成的最小二乘支持向量机(LSSVM)的预测模型。在设计和优化Bagging-LSSVM模型流程的基础上,引入经典分类数据集,验证模型的可行性,并通过试验得出实现模型最优分类条件下的基分类模型数的最小值。综合考虑冲击地压的主要影响因素,确定其评判指标;以重庆砚石台煤矿的35组实测数据为试验样本,利用核主成分分析(KPCA)消除指标间的相关性,对比分析样本数据处理前后应用模型的预测效果;比较优化Bagging-LSSVM模型、优化Bagging-SVM模型和LSSVN模型预测冲击地压危险性的准确率。结果表明:经KPCA处理后的样本相较于原始样本,其应用于优化Bagging-LSSVM模型的预测准确率更高,耗时更少;且优化Bagging-LSSVM模型预测冲击地压危险性的准确率高于其他模型。     

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2+、Mg2+、K++Na+、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。     

基于BP神经网络的煤层自燃预测

在全面分析影响煤层自燃因素的基础上,建立了煤层自燃预测的人工神经网络模型.应用该模型对某煤田的多个煤层样本进行了训练和预测,网络经过10次训练后,误差达到设定的最小值,6次预测测试中最大误差仅为0.027 8,最小的为0.000 1.研究表明,该模型精度较高,可用于预测煤层自燃的实际应用.