基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明：CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_MA和均方根误差E_RMS较低,同时预测的决定系数R²较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R²分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_MA和E_RMS较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LS...     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

基于耦合BAS-MLP预测混凝土抗压强度

混凝土抗压强度对建筑质量有很大影响，依据相关参数对强度进行准确预测，可以为现场施工提供参考。论文以人工神经网络(MLP)为基础，提出一种基于耦合天牛搜索算法BAS-MLP对混凝土抗压强度进行预测。论文选取1030组混凝土试样进行数据仿真分析，并与基于SCE-MLP,MVO-MLP耦合模型结果对比分析均方根差RMSE和相关系数R²。通过对所提出耦合模型的有效性研究，主要探索了预测混凝土抗压强度的最优训练算法。结果表明，基于BAS训练的MLP模型RMSE和R²优于其他两个算法，可以更快速、准确地对混凝土抗压强度进行预测。     

基于机器学习算法的连云港大浦河水质参数遥感反演

以连云港市内大浦河、大浦副河部分河段为研究区，根据现场实测数据与无人机高光谱遥感影像结合对水质污染进行研究分析。无人机高光谱数据处理采用多层感知机(MLP)构建水质参数预测反演模型，利用K-Fold进行交叉验证，其中氨氮和总磷预测值与实测值的决定系数(R²)高于0.8，平均绝对百分比误差(MAPE)在15%以内。高锰酸盐指数的R2为0.58，原因为其数值范围较小，但总体预测效果理想，MAPE仅为2%左右，反演效果良好。最终通过反演结果对目标河段的污染源现状进行剖析，对主要水环境治理问题的解决提供依据。     

基于MODIS产品的生态系统呼吸模型在内蒙古半干旱草原的验证

利用2010—2013年锡林浩特国家气候观象台涡动相关通量观测系统数据以及MODIS产品数据, 验证基于增强型植被指数(EVI)、陆地表面水分指数(LSWI)和地表温度(LST)的生态系统呼吸模型在内蒙古半干旱草原的适应性, 并探讨该遥感生态系统呼吸模型存在的问题。结果表明: 生态系统呼吸模型能较好地模拟夜间生态系统呼吸速率(R_eco)在生长季内和年际间的变化, 模拟值与观测值吻合较好(R²=0.90, RMSE=0.02 mgCO₂/(m²·s)); 夜间R_eco的观测值与EVI_s×W_s (EVI_s和W_s分别是EVI和LSWI对光合作用的影响函数)呈较显著的线性相关(R²=0.63), 与LST 的关系基本上满足L-T方程(R²=0.39); 夜间R_eco在生长季的前、中、后期对EVI_s×W_s和LST的响应不同是造成模型误差的重要原因之一。     

基于GCN-GRU组合模型的基坑周边管线沉降预测

为提高基坑变形预测结果的准确性，在传统的单点时间序列预测基础上，引入监测数据的空间特征对预测方法进行改进.基于图卷积神经网络(graph convolutional network, GCN)和门控循环单元(gate recurrent unit, GRU),构建一种能捕获数据时空关联性的变形预测模型GCN-GRU,并将其应用于上海某基坑周边管线沉降的变形预测.结果表明，相比于GRU时间序列预测模型，考虑了空间关联性的GCN-GRU模型在单步预测中的均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别降低了27.3%和25.0%,多步预测中的RMSE和MAPE降低了37.2%和37.3%,预测结果准确性较高.该方法可为同类基坑工程周边管线沉降变形预测提供参考.     

基于LS-SVM的侧堰泄流能力预测模型

为了准确高效地得出矩形侧堰流量系数(C_d),首先设计矩形侧堰模型试验,得出6种不同流量工况下的流量系数试验值,利用MATLAB搭建不同核函数的最小二乘支持向量机(LS-SVM)模型,将影响C_d的各无量纲参数作为模型输入,C_d作为模型输出.研究表明：LS-SVM模型可用于矩形侧堰流量系数预测,且高斯核函数优于多项式核函数和线性核函数,在测试阶段最佳模型的性能指标平均绝对误差(MAE)为0.005,均方根误差(RMSE)为0.005,决定系数(R²)为0.966,表明该模型性能较好,精度较高,预测值较准确.本文提出了一种预测侧堰泄流能力的智能模型,讨论了不同无量纲参数对该模型的影响,验证了该模型的适用性,为类似水利工程提供参考依据,同时为解决复杂水力学问题提供新思路.     

胺类捕收剂在石英表面吸附的定量构效关系

为深入研究胺类阳离子捕收剂在石英表面吸附能与其结构之间的关系,基于遗传算法构建了20种胺类捕收剂在石英表面吸附能与其结构参数之间的定量构效关系模型,得到了模型的相关系数R²=0.969,调整系数R²_ad=0.964,交叉验证系数R²_cv=0.955,显著值F=168.429,表明模型预测结果与模拟计算值拟合较好.四种未参与建模的阳离子捕收剂对所构建模型外部检验结果误差不超过5%,证明模型具有较好的预测性,能够较好预测胺类捕收剂在石英表面的吸附能.     

基于L-M梯度迭代算法的煤质发热量预测模型

选取150家火电企业的煤质检测数据，通过分析泛在煤质化验数据信息，构建L-M算法下的煤质发热量的预测模型。实验结果表明：(1)煤质化验数据中仅碳(C_d)、灰分(A_ad)与发热量(Q_gr,ad)的线性关系较为显著，相关系数R²为0.8768和0.6880;(2)主成分分析法挖掘出影响煤质发热量的主成分特征值、特征矩阵及得分，实现了由六维矩阵降至四维矩阵的降维效果，增强了神经网络在训练过程中收敛的稳定性；(3)基于L-M算法下，改进的BP神经网络预测模型(LMBP)的训练集系数R_t、验证集系数R_a和测试集系数R_m分别为0.9957、0.9942和0.9963，总体系数为0.9931，同时通过待测20组数据进一步验证了LMBP预测模型可靠，预测精度较高，更符合实际预测需求。     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。     

有机发光材料玻璃化转变温度与结构定量关系研究

有机发光二极管(OLED)材料具有巨大的应用潜力,其有机发光材料玻璃化转变温度(T_g)是影响热稳定性的重要因素之一.本文将1 944种用于OLED的有机发光材料分成训练集(1 556种)和测试集(388种);将4 885个Dragon参数缩减成472个后,基于线性回归得到含7个参数的子集,用于有机发光材料T_g/MW结构-性能定量关系(QSPR)建模.最佳随机森林回归模型(nodesize=5、ntree=200、mtry=2)产生的训练集决定系数R²=0.979,测试集R²=0.893,精度高于文献报道值.     

一类变换图的Wiener指数

研究了一类变换图G(R^*,S^*),其中R^*=(r₁,r₂)且S^*=(1,…,1),计算出变换图G(R^*,S^*)的Wiener指数公式,并给出变换图G(R^*,S^*)的Wiener指数的渐进性质.     

软土路基分级填筑过程地表沉降规律分析

为有效解决软土路基填筑过程中引起的地表沉降问题,确保路基填筑质量和安全稳定,基于对软土路基地表沉降规律研究,结合中国中部某高速公路软土路基分级填筑工程实例,采用有限元技术模拟软土路基填筑过程,分析填筑过程中地表沉降规律。实例分析表明:软土路基在填筑过程中,地表横向断面沉降规律基本呈"盆"状,最大沉降为26 mm,满足软土路基填筑地表沉降值的最大范围。该计算方法及参数的选取科学可靠,可以用来模拟预测类似工程施工过程,为软土路基工程施工提供技术指导。     

基于改进最小二乘支持向量机组合模型的深基坑沉降变形预测

为了提高深基坑沉降变形预测精度，及时为深基坑支护施工提供指导，提出一种改进最小二乘支持向量机组合模型；通过引入自适应噪声完备集合经验模态分解方法分解原始深基坑沉降变形数据，并结合粒子群优化算法和遗传算法对最小二乘支持向量机进行参数寻优，对分解的数据分别训练、预测后再叠加，得到最终预测结果；应用所提出模型对济南市某深基坑的累积沉降量进行预测，同时与其他模型对比，验证所提出模型的实用性和优越性。结果表明：所提出模型预测深基坑累积沉降量的平均相对误差为0.035%,均方误差为0.080 9 mm²,均方根误差为0.283 8 mm,所提出模型的准确性远优于其他模型的；自适应噪声完备集合经验模态分解方法的引入更有利于在深基坑沉降变形预测方面发挥最小二乘支持向量机的优势。     

高速公路软土路基沉降规律监测及FLAC模拟

采用粉喷水泥搅拌桩法,试验研究了高速公路软土路基沉降的变形特性,对路基关键部位的竖向沉降进行了现场监测,得到了软土路基的变形的初步规律。现场试验表明,粉喷水泥搅拌桩法适宜于加固饱和软粘土地基,可用于增加软土路基的承载力,减少路基沉降量。基于软土粘塑性蠕变本构模型理论,应用FLAC-3D软件完成了浙江某高速公路路基的的蠕变沉降规律的计算机模拟。FLAC-3D计算得到的竖向沉降与实际监测结果基本一致。计算表明,粘塑性蠕变本构模型可以较好地模拟软土路基变形问题,可将该模型用于软土路基沉降计算及预测预报,为软土路基沉降控制提供重要的理论依据。     

黏土路基回弹模量预测及贝叶斯模型选择研究

【目的】确定黏土路基回弹模量的最优估计模型,实现黏土路基回弹模量的准确预测。【方法】采用贝叶斯高斯过程回归方法,建立了路基土的围压、偏应力、含水率以及干重度与路基回弹模量之间的定量关系,实现了高斯过程回归参数的准确估计与最优影响因子组合的客观选择,在模型的复杂度与拟合程度之间达到了自动平衡。【结果】基于所提出的贝叶斯高斯过程回归方法可准确预测路基的回弹模量,所选最优模型的决定系数(R²)和平均绝对百分误差(R_MAPE)分别达到了0.99和1.51%,与全变量模型的预测性能几乎相同。在100次随机试验中,最优模型被选择的比率达到了88%。【结论】所提出的贝叶斯高斯过程回归方法不仅可以通过路基土相关物理力学参数准确预测路基的回弹模量,还可以有效剔除冗余输入变量,在保证模型拟合程度的情况下,降低了模型的复杂度,这对模型的应用与推广具有重要意义。     

神经网络针对高速软土路基沉降的预测研究

针对高速公路建设软土路基沉降问题,采用BP神经网络模型进行预测,并分别对预测值和实际监测值做了对比,提出相应的不足和其具有的合理性,证明了该模型可以在短期内对软土路基沉降量作出预测。     

基于无人机影像与GA-BP神经网络的生物量估算

快速、准确地监测冬小麦生物量,对于冬小麦田间管理、产量预测等具有重要意义.使用2015年开花期的冬小麦无人机数码影像及相应的生物量数据,将相关系数(|r|)、灰色关联分析(GRA)、投影变量重要性(VIP)与遗传算法(GA)-BP神经网络进行整合,构建了3种开花期冬小麦生物量估算模型,并对这3种模型进行可视化空间分析.结果表明：|r|-GA-BP,GRA-GA-BP,VIP-GA-BP模型的决定系数R²分别为0.753 9,0.689 8,0.704 4,RMSE分别为763.3,908.8,836.9 kg·hm^-2,MAPE分别为10.31%,15.65%和12.55%,|r|-GA-BP比GRA-GA-BP和VIP-GA-BP对冬小麦生物量有更好的预测能力.经可视化处理后能较为直观地反映冬小麦生物量的空间分布状况,为冬小麦的生长监测提供技术支持.     

基于张量特征-GRU和多头自注意力机制的水质预测模型方法

针对现有水质预测模型对水质监测指标间存在数据特征利用不足,导致预测精度不高的问题,本文提出了一种基于张量分解融合门控神经网络(gate recurrent unit, GRU)和多头自注意力机制(Multi Head Self-Attention)的多指标水质预测模型(TGMHA)。该模型通过标准延迟嵌入变换(Standard delay embedding transform, SDT)将时序水质指标数据转换为张量数据,利用Tucker张量分解提取数据特征,然后结合多头自注意力机制挖掘多种水质指标数据特征之间的潜在关系,最后采用GRU模型实现多指标水质预测。对比实验证明了该模型预测相比传统GRU水质预测模型,得到的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R²)四个指标有5-10%的提升,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和环境监测管理提供了科学决策依据。