波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

主成分分析与Bayes判别法在突水水源判别中的应用

准确有效地判别突水水源是解决矿井水害的前提条件。基于淮北袁店二矿各含水层共59个水样水质化验资料,利用主成分分析法,计算各水样的因子得分,并进行系统聚类,剔除错误样本。利用剩余水样作为学习样本,检验Bayes判别函数的判定准确性,得出准确率为92.5%,并进行交叉验证。利用该判别函数对某工作面底板下一富水区水样进行判别,结果与实际情况吻合。结果指示基于主成分分析与Bayes判别法较单一Bayes判别法更加准确,能够消除样本变量之间的相互影响,实现对突水水源的快速有效判别。      

基于主成分分析的多项Logistic回归模型的突水水源判别研究

矿井水害是矿井生产过程中较常见的地质灾害之一。快速有效地判别突水水源是预防矿井水害的关键所在。选取袁店二矿59个水样资料(常量离子含量),利用主成分分析进行处理,得出主成分得分;以主成分得分为自变量,水源类别为因变量建立多项Logistic回归模型;运用该回归模型对59个水样资料进行类型判别,得出综合判别准确率达到86.4%;并通过实例对判别模型进行了验证。研究结果表明:主成分分析法与多项Logistic回归模型相结合的方法在水源判别上具有可行性,不仅消除了常量离子之间的内在影响,而且使判别结果具有一定的准确率,在突水水源判别问题上提供了一种新方法,为矿井防治水提供有效依据。     

两淮矿区震源机制解反演区域构造应力场特征

通过分析两淮矿区中小型地震的震源机制,以及该区构造应力场的分布特征,对矿区中小震震源机制解进行统计分析并反演其构造应力场。结果表明:两淮矿区构造应力场的最大主应力方向和最小主应力方向基本沿东西方向和南北方向分布;构造应力场现今主要表现为近水平作用力,同时存在部分构造应力场表现为近垂直方向;地震震源断层的破裂类型主要表现为近走滑型断层,同时也有一定比例的走滑型断层;矿区震源发震断层主要为走滑断层,逆断层占比较少,正断层最少。     

基于数字孪生的海底地质灾害监测预警技术研究

本文创新了基于海底实时监测数据驱动的海底工程地质环境数字孪生模型,建立了一套埕岛油田地质灾害监测预警系统,构建了海底工程地质环境数据库,实现了对海底监测数据的远程实时可视化更新及交互控制。该系统应用于埕岛海底地质灾害监测,在持续运行的40天监测周期内,累计警报了2次强海底侵蚀灾害,提示了4次高浊度事件,真实反映了研究区海底侵蚀变化。本文首次尝试将数字孪生技术融合到海底地质灾害的监测预警中,为区域地质灾害防控提供了一种新的技术参考。