喀斯特流域枯季径流衰减系数与地表形态特征相关分析研究

针对喀斯特流域地形、地貌对枯季径流的调蓄作用,选用乌江流域思南站以上19个水文站点枯季流量资料进行枯季径流衰减规律分析。根据枯季径流衰减曲线的拟合将枯季径流分为快速裂隙流和慢速裂隙流两段退水过程,并计算相应的衰减系数。通过对衰减系数与流域地表形态特征的单因素和多因素回归分析,确定影响衰减系数的主要影响因子为高程特征值和地形指数特征值,并建立两者与衰减系数的二元非线性回归方程(a1=0.781-0.266?ln(x)+0.633?ln(y),a2=0.061-0.016?ln(x)+0.044?ln(y)),其置信区间都大于99%,说明曲线整体拟合显著,为枯期径流衰减系数区域化分析及无/缺资料流域的水文模拟提供基础。      

基于EEMD-PSO-GRNN模型的元江中上游径流预测

径流序列的非线性和非平稳特性使得高精度的径流预报存在困难。本文组合EEMD和GRNN模型形成EEMD-GRNN耦合模型,预测时通过将径流序列分解为确定成分与随机成分并通过GRNN模型分别进行预测,预测值的加和则构成径流最终预测结果。EEMD-GRNN耦合模型应用到元江中上游,并与其他模型进行比较,结果表明：EEMD-GRNN耦合模型具有更高的预测精度,对径流的总体趋势预测有良好的效果,但在随机性的模拟上有待进一步完善。EEMD-GRNN耦合模型优于BP、GRNN、EEMD-BP模型,能有效提升径流预测的精度,可为流域的水资源优化调度等提供决策支持。     

基于最小二乘支持向量机的龙羊峡径流预测

本文简述了支持向量的回归分析、支持向量机自回归预测模型结构及预测方法,利用黄河唐乃亥站47年的径流资料,采用最小二乘支持向量机方法对径流进行了模拟预测,并与B-P神经网络方法进行了对比分析,其计算结果相对略好。     

基于最小二乘支持向量机的开都河径流预测

简述支持向量的回归分析,支持向量机自回归预测模型结构及预测方法,利用开都河大山口水文站52 a的径流资料,采用最小二乘支持向量机方法对径流进行模拟预测,并与BP神经网络方法进行对比分析,其计算结果相对略好。     

大清河流域枯季径流变化规律和中期预报

大清河流域处于东亚季风范围,降水季节性变化十分明显,河川径流变化亦有汛期枯季之分,在枯水季节,径流的形成主要取决于流域蓄水的消退,春秋季,降水对径流影响不大,冬季径流变化受气温、降雪、冰冻影响较大.利用望宝山水文站1980～1990年的旬平均流量的实际资料,用退水系数法和相关分析法分析枯季径流变化规律是径流演变基本服从退水规律.根据枯季径流变化规律,采用退水系数法和一元线性回归方程法建立中期预报方案,通过1980～1990年资料检验,预报合格率在90%左右.     

西江枯季径流退水系数与流域特征关系研究

文章采用基于遗传算法的经典退水曲线对西江上游主要站点枯季日平均流量进行研究,所率定的退水系数经验证精度较好,能够反映所在流域的径流特性。通过退水系数与流域面积、下垫面性质、植被覆盖度、多年平均径流深等流域特征关系的分析,发现退水系数值(1)对降雨和蒸散发的变化不敏感,整体上随流域面积和植被覆盖度的增加而减小;(2)随地形高差和下垫面透水性的下降而减小;(3)对喀斯特岩溶地貌尤其敏感,表现为退水系数值较非岩溶地区偏大;(4)随多年平均径流深的增大而增大,二者具有指数函数关系。退水系数与流域特征因子的这些规律,可为无资料流域水文预报提供思考和借鉴。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

秩相关秩相似法在枯季径流预报中的应用

阐述了秩相关秩相似法的基本原理,并根据枯季径流的特点,将该方法应用于丹江口水库的枯季入库径流预报。计算结果表明,该方法的预报效果比较理想,可操作性强,可供水库在实际运行中制定调度方案时应用。     

黄河上游径流与太平洋海温场关系及其预测应用

根据北太平洋网格点月平均海温资料的统计分析,揭示了海面水温场与黄河上游年径流量丰枯的联系,并探讨了海温异常变化对径流的影响.同时建立了回归方程,利用海温资料对黄河上游年径流量作长期预测试验,效果良好.     

基于GIS 分析喀斯特流域下垫面因素对枯季径流的影响——以贵州省河流为例

本文采用GIS 作为空间分析的工具, 分析了喀斯特流域地貌类型等下垫面因素对枯季径流的影响, 并从流域结构的角度, 选择了空间尺度、岩性、地貌类型、森林植被等自然因素作为参数, 借助于SPSS 软件, 运用多元统计学的方法, 建立了多元回归方程数学模型, 对喀斯特流域枯季最小日流量进行预测。      

基于人工神经网络的岩爆预测方法

在分析岩爆主要影响因素的基础上，建立了一种新的人工神经网络岩爆预测模型。采用已有岩爆发生数据作为训练样本对网络进行训练，利用收敛的网络进行岩爆烈度预测，预测结果与实际吻合，说明利用人工神经网络预测岩爆发生烈度是一种可行的方法。     

基于遗传神经网络的储层敏感性预测方法研究

储层敏感性是储层与外来流体发生各种物化作用,使储层孔隙结构和渗透性发生变化的特性,这种变化会不同程度地损害油层,从而导致产能损失或产量下降.如果能在施工之前对储层的敏感性做出预测,那么在进行施工的过程中,就可以采取相应的措施,减少储层的损害.在储层敏感性进行预测的方法中,BP神经网络是应用最广泛的方法之一,可以对储层的各种敏感性进行预测.但这也存在着一些问题,比如局部寻优、收敛速度慢等,所以在神经网络的基础上,加入了遗传算法,可以对神经网络进行优化,使其能最大程度地快速找到全局最优.实践证明,这种方法能够满足目前储层敏感性预测的实际需求.     

基于小波理论与人工神经网络的滑坡变形预测

滑坡的位移是由多种因素影响的复杂非线性问题。滑坡位移的预测一直是滑坡研究中的重点与难点。位移预测对于分析滑坡的发展趋势具有重要的作用。本文采用小波理论与人工神经网络理论,对滑坡位移进行预测研究。由于滑坡的位移包括一定的偶然因素,如降雨等不定因素,对滑坡位移的预测存在一定的干扰作用。故本文采用小波理论对滑坡位移进行降噪,提取数据中的有用部分。将降噪后的数据采用人工神经网络进行滑坡位移的预测。由数据结果可见,滑坡预测位移与真实位移间的误差为2%～3%,预测结果好,证明本文所用方法能较好的运用到滑坡位移的预测中。     

人工神经网络在环境灾害预测中的应用进展

综述了近年来人工神经网络在环境灾害预测中的应用进展,包括对污染型环境灾害、生态环境灾害、地质环境灾害以及气象环境灾害等灾害的成灾因素分析、危险性预测以及灾情预测和动态演变规律预测,揭示了人工神经网络探索灾害隐含信息方面的优越性,并对其在环境灾害预测中的应用前景和发展趋势进行了展望。     

基于BP神经网络的深埋隧洞地应力预测研究

深部地应力的测量一直是工程界难题之一。由于研究手段和测试技术的限制, 深部地应力很难测到, 或者部分数据不理想。本文将BP神经网络方法引入地应力场研究, 选取深度、岩芯密度(天然密度)、岩芯弹模、岩芯的三轴抗压强度(10MPa围压)、岩芯的声发射地应力测值、岩芯裂隙率6个参数作为地应力预测研究的主要指标, 在此模型的基础上对秦岭深埋隧洞地应力测量数据进行了拟合分析, 并对深部的地应力做了预测。结果表明用BP神经网络模型进行深埋隧洞地应力大小的预测是可行的。      

利用土壤地球化学数据和BP神经网络预测松嫩平原油气资源

基于东北地区多目标区域地球化学调查获得的海量土壤地球化学数据,利用BP神经网络模型,在土壤地球化学性质与油气田空间位置之间建立模型,构造最优的油气资源预测模型. 以土壤54项地球化学指标以及XY坐标值共同作为模型输入层,以样本是否在油气田内(1代表油气田内,0代表油气田外)作为模型输出层,基于随机抽取的油气田内和油气田外各500个土壤样本数据进行模型训练. 结果显示,多次训练后识别准确率保持在90%左右,说明该模型分类效果较好,可用于油气资源预测. 利用该模型获得了松嫩平原11 291个土壤样本的含油气概率,并绘制了油气资源预测图. 研究表明,神经网络对于解决复杂的非线性地质问题可以发挥重要作用.     

基于EEMD及BP神经网络的区域海平面多尺度预测研究

基于时间序列的统计预测模型是现阶段海平面高度预测的主要手段之一,然而海平面变化机理复杂,传统方法对于非平稳非线性的时间序列预测存在较大局限性,预测精度有待进一步提高.本文基于闸坡站长时间(1959～2011年)月均验潮序列,结合集合经验模态分析(Ensemble Empirical Mode Decomposition,简称EEMD)与BP(Back Propagation)神经网络方法,提出一种改进的区域海平面变化趋势预测方法——EEMD-BP建模.本研究首先利用EEMD方法对原始序列进行分解,根据验潮序列中隐含的各个信号的不同频谱特征生成多个本征模函数(Intrinsic Mode Function,简称IMF),达到将时间序列平稳化,提高信噪比的效果.然后由各IMF作为BP神经网络的输入因子,分别预测各IMF的未来变化趋势,最后将输出结果重建得到原始序列的预测值.结果显示,EEMD能有效提取序列中隐含的多时间尺度信号,神经网络能较好地预测海平面未来变化趋势,相对于直接使用BP神经网络进行海平面变化时间序列预测(R=0.76,RMSE=36.74mm,ME=-3.46),EEMD-BP建模预测精度有显著提高(R=0.89,RMSE=28.16mm,ME=2.31).说明EEMD-BP建模首先对非平稳非线性时间序列进行平稳化、降噪等处理,再分别对分解后序列进行预测,有利于提高预测精度.该方法为相关区域海平面变化趋势预测研究提供现实参考意义.     

基于灰色理论和BP神经网络的季冻区草炭土路基沉降预测模型研究

随着北方交通工程建设范围的不断扩大,很多高速公路不可避免地穿越草炭土分布区。季冻区草炭土具有高含水率,高有机质,低分解度等特殊工程地质性质,使沉降预测的理论计算误差较大不能满足实际工程需求。本文首先分析了季冻区草炭土路基沉降机理的特殊性,以此提出了优化的灰色沉降预测模型和二维-双隐层BP神经网络沉降预测模型。两种沉降预测模型不仅考虑了草炭土本身复杂的工程地质性质、北方地区季冻情况对土体自然沉降的影响,还引入了填筑情况等工程因素对路基沉降量的深度学习。以长白山吉林到延吉高速公路草炭土路基沉降实际监测数据为例,将两种模型拟合及预测结果进行对比分析,结果表明两种模型的拟合预测精度均较高,并且各有优势,由此本文对该类工程中两种预测模型各自的特点进行了总结,为北方地区草炭土路基沉降多因素预测模型的研究提供一定参考价值。     

地铁施工引发地面沉降的BP神经网络预测分析

针对沈阳地铁一号线重工街站至启工街站区间隧道开挖引发地面沉降变形的问题,利用现场实测的地表沉降变形数据建立BP神经网络模型,并进行网络训练与预测。预测结果表明,时间序列神经网络模型能够很好地表达地面沉降监测数据序列间的非线性关系。利用BP神经网络建立的预测模型,所得预测值与实测值拟合很好,是预测地铁施工引发地面沉降变形的一种有效方法,能为沈阳地铁隧道的设计及施工提供科学合理的依据。     

基于因子分析的BP神经网络在岩体变形模量预测中的应用

岩体变形模量是研究岩体变形特性的重要参数,它对工程岩体稳定性评价与优化设计具有重要意义。本文提出了基于因子分析的BP神经网络预测岩体变形模量的方法。以西藏某水电站为例,在现场调查、室内外试验的基础上,建立了48组包括密度、吸水率、纵波波速、单轴抗压强度、岩块变形模量以及泊松比等因素的数据库,采用因子分析法对6个影响因素进行分析,可得3个公共因子,该3个公共因子作为神经网络的输入参数,采用BP神经网络进行预测。结果表明:利用因子分析法可降维输入数据,消除BP神经网络中由于输入数据太多而影响数据处理速度的缺陷; 把因子分析法和BP神经网络结合进行岩体变形模量的预测,可使预测精度提高; 该研究思路不仅对岩体变形参数的预测是一个有益的尝试,而且对类似岩土工程问题的预测也有借鉴意义。