基于PSO-SVM的砂土地震液化预测模型

为提高砂土地震液化预测的准确性和可靠性,根据其特点,选取地震烈度、地下水位、标准贯入击数、平均粒径、不均匀系数、上覆有效压力、动剪应力比等7个因子作为判别依据,采用粒子群算法(PSO)对支持向量机(SVM)的参数寻优,建立预测砂土地震液化的PSO-SVM模型;选用50个样本训练模型,并用该模型预测14个测试样本,并回判所有样本。结果表明:模型预测准确率为100%,该模型在解决砂土地震液化预测问题中,分类效果较好、效率较高。     

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。