黑猩猩优化算法-极限学习机模型在富水性分级判定中的应用

为提高煤层顶底板地层富水性分级判定精度,研究提出黑猩猩优化算法(ChOA)与极限学习机(ELM)相融合的判定方法。选取4个标准测试函数在不同维度条件下对ChOA的寻优能力进行仿真验证,仿真结果与粒子群优化(PSO)算法、人工蜂群(ABC)算法作对比;基于煤层顶底板地层富水性判定因子和判定分级构建ELM模型,利用ChOA优化ELM输入层权值和隐含层偏值,建立ChOA-ELM富水性分级判定模型,并构建ChOA-SVM、ChOA-BP作对比模型,通过龙固煤层顶底板地层富水性分级判定实例对ChOA-ELM、ChOA-SVM、ChOA-BP模型进行检验。结果表明:(1)ChOA在不同维度条件下寻优效果优于PSO、ABC算法,具有较好的寻优精度和全局搜索能力;(2)ChOA-ELM模型对实例训练样本和检验样本富水性分级判定准确率分别为97.5%、100%,高于ChOA-SVM、ChOA-BP模型,具有较好的判定精度和泛化能力;(3)ChOA能有效优化ELM输入层权值和隐含层偏值,将ChOA-ELM用于煤层顶底板地层富水性分级判定是可行的,模型及ELM权值、偏值优化方法可为相关判定研究提供参考。     

实例浅析水利工程造价中安全生产费的计算

一、工程简介 某河流为当地重点防洪河道,由于采煤塌陷造成该河24+850～25+550河段堤防、滩地、护堤地沉降变形,其中左岸堤防最大下沉5.90m左右,影响长度600m;左岸滩地最大下沉5.66m左右,影响长度668m;左岸护堤地最大下沉5.59m左右,影响长度600m;主河槽最大下沉5.50m左右,影响长度约540...     

渗流下不同覆岩结构长壁开采上覆岩层运动数值分析

以煤矿四种不同覆岩结构在渗流作用下的开采为研讨对象 ,运用数值有限元软件ADINA模拟分析不同覆岩岩性及其组合时采空区上覆岩层的沉降规律和地表变形规律.结果显示 :开采完成时各覆岩结构的地表均形成了完全对称的下沉盆地和反对称水平移动曲线 ,开切眼和工作面正上方拐点处的下沉值均为最大下沉值的一半 ,从边界到拐点处曲线的斜率逐渐增大 ,从拐点到中心点曲线的斜率逐渐变小 ;最大位移值因上覆岩性的不同而有所不同 ,地表的最大沉降值为3 .80 m ,最小沉降值为2 .34 m;底板的底鼓量相差不大 ,最大值和最小值仅相差0 .17 mm.研究结果对其他煤矿工作面的矿压分布规律研究提供参考依据 ,同时也为煤矿的安全高效开采提供一定的借鉴意义.     

人工电场算法优化的极限学习机大坝变形预测模型研究

为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明：嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。     

巴鲁巴铜矿缓薄矿体可采性研究

巴鲁巴铜矿是一座已开采42年的地下老矿山,由于矿山剩余资源大部分是缓倾斜薄矿体,导致开采难度非常大。从经济合理性、社会效益和技术可行性三方面对缓薄矿体开采的可行性进行了全面论证。在此基础上,借鉴国内缓薄矿体的各种开采手段,考虑赞比亚地下矿山现有技术水平,筛选出三种比较适合的采矿方法。然后从经济因素、资源利用率、劳动生产效率、安全环境及适用程度等方面,采用模糊层次分析法对上述各种采矿方法进行方案优选,最终确定了一种适合巴鲁巴矿缓薄矿体的采矿方法。生产实践表明,改进的爆力运搬空场法,不仅提高了出矿品位,减少了采切工程量,而且保障了矿山正常持续运行。     

有排污口存在河段估算污染物衰减系数K值方法

污染物衰减系数K值是水质模型的重要参数。在有排污口存在的河段,污染物衰减系数K值的估算,成为一个难题。笔者在参加滨州市水资源保护规划工作中,经过学习和探讨,提出了利用最优化技术和计算机技术,估算有排污口河段污染物衰减系数K值的一种方法。该方法在小清河中段污染物衰减系数K值的估算中得到了应用,取得了较好的效果。 1 水质模型的确定     

基于混合优化算法的砂砾料面板堆石坝压实质量评价模型及工程应用研究

良好的压实质量评价模型是砂砾料面板堆石坝压实质量实时有效控制的关键。【目的】为改善现有模型的预测精度和泛化能力，【方法】依据新疆阿尔塔什混凝土面板堆石坝工程实例，采用主成分分析法优化数据样本空间，提出自适应差分进化算法与极限学习机相结合的混合优化算法，构建了基于混合优化算法的砂砾料面板堆石坝压实质量评价模型，并与现场实测结果以及其他模型预测结果进行对比分析。【结果】结果显示：该评价模型的预测结果与工程实际值的平均绝对误差MAE为0.007 08,均方误差MSE为0.000 092 3,采用原始数据预测的MAE和MSE分别为0.010 6、0.000 223;与ELM、BP、RBF等模型对比显示，该评价模型预测结果与实测结果的皮尔逊相关系数为0.824,平均绝对百分比误差MAPE为0.62%,ELM、BP、RBF模型预测结果与实测结果的皮尔逊相关系数分别为0.447、0.43、0.556,MAPE分别为1.18%、1.59%、1.01%。【结论】结果表明：碾压参数、料源参数和气象参数是影响坝体压实质量的关键控制影响因子；通过主成分分析，降低了样本空间维度，提升了模型训练效率；与实测结果相...     

基于极限学习机的长江流域水资源开发利用综合评价

为能客观、准确地对长江流域水资源开发利用进行综合评价,利用层次分析法构建了符合长江流域水资源开发利用现状的综合评价指标体系和分级标准,基于极限学习机(ELM)算法原理,构建了ELM水资源开发利用综合评价模型对长江流域及主要水系水资源开发利用进行综合评价,并构建RBF、BP神经网络模型作为对比评价模型。采用随机内插的方法在各评价分级标准阈值间生成训练样本和检验样本,在达到预期评价精度后将模型运用于长江流域水资源开发利用综合评价中。结果表明:ELM水资源开发利用综合评价模型对长江流域及主要水系水资源开发利用综合评价等级为4～8级,处于有潜力至失衡之间,与长江流域各主要水系水资源开发利用现状相符;该模型的评价精度和泛化能力均优于RBF及BP神经网络评价模型,是合理可行和有效的,可应用于长江流域水资源开发利用综合评价,具有参数选择简便、评价精度高、泛化能力强等优点。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于PSO/DE-ELM模型的云贵高原干旱预测

气候变化导致西南地区面临愈加严重的干旱问题，为准确预测该区域干旱情势，分别构建了粒子群算法(PSO)和差分进化算法(DE)优化的极限学习机(ELM)模型，并将其应用于云贵高原干旱预测，从预测精度和特征值模拟能力等方面比较了PSO-ELM模型和DE-ELM模型在云贵高原干旱预测中的适用性。结果表明：(1)PSO-ELM模型和DE-ELM模型均能够有效预测云贵高原不同时间尺度下的干旱状况，模拟值与实测值的相关系数均在0.75以上，均方根误差均小于0.65;(2)两种模型对最大值、最小值、不同百分位数等特征统计值、干旱历时和干旱强度的拟合效果较好，能够有效反映研究区干旱特征；(3)相较而言，DE-ELM模型的预测性能略优于PSO-ELM模型，在云贵高原干旱预测中具有更强的适用性。     

基于极限学习机的边坡可靠度分析

对于边坡极限状态函数无法显式表达的情况,传统可靠度分析方法存在求解困难或计算量大的弊端。提出了一种基于FLAC^3D和极限学习机的边坡可靠度分析方法。利用均匀试验设计构造随机变量样本,基于FLAC^3D强度折减法计算随机变量样本对应的安全系数;通过极限学习机强大的数据拟合能力映射出安全系数与随机变量之间的关系,构造响应面功能函数;将蒙特卡罗模拟生成的大量随机数代入响应面获得安全系数,在此基础上,计算边坡的失效概率与可靠度指标。通过具体算例分析,并与其他方法对比,发现本文方法结果可靠、易于实现,为边坡可靠度分析提供了一种新途径,具有广泛的应用前景。     

贵州山区煤矿开采地表沉陷变形预测模型

山区煤矿开采地表沉陷移动变形监测资料甚少,目前山区煤矿开采地表沉陷移动变形主要是通过修正后的概率积分方法进行预测。以松河矿区为例,采用矿山沉陷预测系统,对煤矿开采引起的地表沉陷移动变形进行预测,得出了矿区沉陷影响范围值及地表沉陷移动变形值。     

基于分形理论的隧道地表沉降分析及预测

隧道地表沉降变形时间序列是具有分形特征的非线性体系,以狮子山隧道地表沉降监测为研究对象,基于分形理论,使用R/S分析法和V/S分析法计算了累计沉降和沉降速率时间序列的Hurst指数,并评价了地表沉降的稳定性,结合V统计量评价了这2种分析方法的有效性和地表变形的非循环周期;最后,使用分形插值函数与回归函数对地表沉降值进行了预测评价。结果表明,R/S分析法和V/S分析法对分析地表沉降时间序列具有较好的有效性,R/S分析法受短期记忆影响大,计算结果偏于安全,而 V/S分析法评价地表变形稳定性更加保守,3个监测点将长期处于稳定状态,且其时间序列的非循环周期约为20 d。使用分形插值得到的预测值与实测值间误差较小,且能正确反映变形演化趋势,较传统的回归分析优越,可以为地表沉降预测提供一种参考。     

采煤沉陷对沉陷区洼地汇流范围的影响分析

采煤沉陷区的动态发展改变了河道的汇流范围,增大了暴雨洪水的随机性,不利于沉陷区洼地的防洪调蓄。本文研究现状地形与预测沉陷叠加的地形预测技术,提出一种沉陷区洼地汇流范围划分的新方法,利用ArcSWAT的集水区划分工具提取现状地形与预测地形各主要流域的洼地汇流范围。通过各沉陷区洼地不同年份（2010,2020,2030）汇流范围的比较分析发现：地表的不规则沉陷使淮南矿区附近的河道汇流格局发生显著变化,甚至导致不同流域的兼并。洼地汇流范围的定量分析可为沉陷区洼地的防洪除涝、水量调蓄、非点源污染分析提供必要基础和重要依据。     

Application of Neural Networks and Optimization Model in Conjunctive Use of Surface Water and Groundwater

This study develops an optimization model for the large-scale conjunctive use of surface water and groundwater resources. The aim is to maximize public and irrigation water supplies subject to groundwater-level drawdown constraints. Linear programming is used to create the optimization model, which is formulated as a linear constrained objective function. An artificial neural network is trained by a flow modeling program at specific observation wells, and the network is then incorporated into the optimization model. The proposed methodology is applied to the Chou-Shui alluvial fan system, located in central Taiwan. People living in this region rely on large quantities of pumped water for their public and irrigation demands. This considerable dependency on groundwater has resulted in severe land subsidence in many coastal regions of the alluvial fan. Consequently, an efficient means of implementing large-scale conjunctive use of surface water and groundwater is needed to prevent further overuse of groundwater. Two different optimization scenarios are considered. The results given by the proposed model show that water-usage can be balanced with a stable groundwater level. Our findings may assist officials and researchers in establishing plans to alleviate land subsidence problems.     

采煤沉陷水域水环境研究主要方法评述与趋势分析

采煤沉陷水域水环境系统具有相当的复杂性和特殊性,对其进行分析、评价、模拟与预测,是当前能源基地资源环境可持续发展关注的焦点。本文评述了采煤沉陷水域水环境研究的主要方法：调查分析与原始观测实验、水质评价方法和水质模型模拟预测,并指出研究方法应考虑沉陷水域的特殊性,分析了当前采煤沉陷水域水环境研究的主要问题与发展趋势,旨在为采煤沉陷区水环境的深入研究和规划管理提供参考。     

CD无结构网格上的三维自由水面非静水压力流动模型Ⅱ：验证

对作者建立的CD无结构、z坐标网格上的非静水压力流动模型中的若干技术细节问题进行了进一步的阐述。提出一种改进的ELM(EulerianLagangian Method)方法求解对流项;紊流模型采用GLS(Generic Length Scale)模型,并针对急流的模拟提出一种给自由水面计算添加人工耗散以增强其稳定性的方法。通过微幅波、弯道环流、丁坝绕流3个典型算例对模型进行了基准测试,计算结果与解析解或试验资料吻合良好,表明本文模型具有能准确模拟非静水压力分布的流动和环流等的能力和良好的人工边界适应性。     

河道洪水流量预测方法研究

及时准确地预报某区域内河道指定区段洪水流量及发生时间,对合理实施该区域的防洪预案、落实抗洪抢险措施、组织调度人员及防汛物资具有重要意义。目前河道洪水预报普遍采用马斯京根流量演算法及加里宁—米尔加科夫洪水演进法,两种方法的参数率定存在局限性,对应支流的河道分段处理也存在问题。本文依据最小二乘法,建立含有预测河段上游干流、支流水文站（或水位站）流量或水位预测模型,该模型不受其他水文参数的率定精度影响,直接利用以往洪水及当次洪水上游、下游站的观测资料建立回归预测模型,并通过递推方式完成当次洪水预测,表达形式简单直观、便于实际应用。利用该模型完成了嫩江干流齐齐哈尔水文站2013年洪水流量预测,经与实测成果比较,洪峰流量最大拟合误差小于5.2%,具有较好的计算精度。     

A Comparative Assessment of Metaheuristic Optimized Extreme Learning Machine and Deep Neural Network in Multi-Step-Ahead Long-term Rainfall Prediction for All-Indian Regions

Prediction of long-term rainfall patterns is a highly challenging task in the hydrological field due to random nature of rainfall events. The contribution of monthly rainfall is important in agriculture and hydrological tasks. This paper proposes two data-driven models, namely biogeography-based extreme learning machine (BBO-ELM) and deep neural network (DNN), to predict one, two, and three month-ahead rainfall over India (All-India and six other homogeneous regions). Three other data-driven models called ELM, genetic algorithm (GA)-based ELM, and particle swarm optimization (PSO)-based ELM are used to compare the performance of the proposed models. Firstly, partial autocorrelation function (PACF) is applied in all datasets to select the optimal number of lags for input to the models. Secondly, the wavelet-based data pre-processing technique is applied in selected optimal lags and feed to the proposed models for achieving higher prediction performance. To investigate the performance of proposed models, a non-parametric statistical test, Anderson–Darling’ Normality test, is performed in all India dataset. The wavelet-based proposed hybrid models show better prediction capability compared to optimal lag-based proposed models. This study shows the successful application of time-series data using proposed techniques (optimal lags-based BBO-ELM and wavelet-based DNN) in the hydrological field which may be used for risk mitigation from dreadful natural events.