基于汶川地震的地震人员伤亡预测模型研究

地震发生以后及时掌握人员伤亡情况对灾后救援具有重要作用,因此,建立地震人员伤亡预测模型是极为重要的。以2008年汶川地震人员伤亡数据及房屋破坏面积数据为基础,运用线性回归分析方法模拟出地震人员伤亡预测模型。该函数模型是以建筑物的易损性为自变量,分别以死亡人数、受伤人数为因变量构建的。同时对回归模型进行误差分析,并参考前人模型可知房屋内人口密度和地震发生时间2个因素对模型有很大影响,进而对回归系数进行调整。最后利用文中模型和其他几种预测模型分别对汶川地震和玉树地震进行验证,并与地震实际伤亡结果进行比较,证明研究的模型的准确性和适用性。     

黄土与砂土液化特性的对比──土液化与减灾防灾

基于系统的试验 ,总结已有成果 ,研究了饱和黄土和砂土液化在液化机理、液化判别标准、影响液化的因素、孔压和应变的发展等方面的异同之处。研究表明 ,由于在液化机理上存在差异 ,导致二者动荷载下的孔压和应变发展特点有显著差别 ;同一因素对二者液化性状的影响可能相似 ,也可能不同 ;在动三轴液化试验中 ,黄土和砂土均可采用初始液化作为液化的判别标准。     

基于PSO-SVM的工艺装置液位监测方法

生产装置的"假液位"现象严重影响了工业生产过程的正常运行。为此,运用软测量思想建立数学模型,监测直接测量结果,防止假液位的发生,保障生产安全。通过比较机理建模法与基于数据驱动建模法的优劣,提出采用PSO-SVM法建立数学模型,并以SBR泄料槽液位的监测为例进行分析。以集管进料压力P_1、泄料槽入口温度T_A丁二烯分离系统压力p_O这3个量作为辅助变量来预测泄料槽液位L。结果表明,该模型预测值与实际值符合良好,具有较强的预测性能,能够较好地对SBR泄料槽液位进行监测,有效避免SBR泄料槽假液位的产生。     

BP和Elman神经网络在砂土液化预测中的研究

基于砂土液化的影响因素具有非线性关系,而神经网络模型能够逼近任意非线性函数和适合于动态系统辨识的特性,分别建立输入层为4,隐含层神经元为2,输出层为1的三层BP神经网络和Elman网络,并且通过matlab软件运算,实例比较得出Elman模型比BP模型收敛速度快、精度高,在砂土液化的预测中效果更好。     

基于PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。     

尾矿库地震液化机理及抗震评估指标体系研究

2008年"5.12"汶川大地震中,四川、陕西和甘肃三省尾矿库均受到不同程度的破坏和影响。本文针对四川汶川地震造成灾区尾矿库排洪系统失效,坝基沉降,坝体滑坡、垮塌、开裂等现状,对尾矿库地震溃坝机理进行了分析,研究了地震作用机理和地震液化的影响因素;在此基础上,建立起用于评估尾矿库抗震能力和地震溃坝可能性的指标体系,指标体系考虑了地震强度、防洪、抗滑、抗渗透和安全管理五个方面,能够较为全面的分析和评估尾矿库在抗震方面的基本特性,并通过研究给出了各个指标的分级方法。该体系的建立为尾矿库抗震能力评估、避免特殊工况下尾矿库溃坝事故的发生具有一定应用价值,可为尾矿库运行期的安全管理提供依据。     

尾矿坝地震液化评价可靠度模型及应用

为适应计算参数本身具有的随机性和未确知性,将可靠度理论引入尾矿坝地震液化评价中。以测试数据的统计分析结果为基础,应用一次二阶矩法建立尾矿坝地震液化分析可靠度模型,探讨了可靠度指标与抗液化安全系数之间的关系,并将该模型应用到某尾矿坝地震液化分析中。结果表明,新建可靠度模型各参数的物理意义与统计指标明确,相比传统的确定性分析方法,不仅能判断液化的发生与否,还能给出液化发生的概率;可靠度理论在液化分析中能更好地考虑计算参数的变异性,进一步完善了尾矿坝地震液化分析理论,为进行基于风险分析的尾矿坝抗震设计和地震安全评价提供更全面的依据。     

尾矿坝地震液化侧向位移分析方法及应用

为评估尾矿坝地震液化侧向位移值,评价坝体地震安全状态,有必要建立适用的地震液化侧向位移分析方法。基于现场标准贯入测试数据,分析地震液化敏感性。采用简化方法进行液化评价。根据抗液化安全系数与最大剪切应变间的关系,建立尾矿坝地震液化侧向位移计算式。归纳分析已有7个堤坝液化破坏实例。提出针对中小型尾矿坝,区分地震液化有限变形和整体破坏的极限值(即破坏判据)为2.0 m。选取2座上游法尾矿坝,采用新建方法进行实证分析。结果表明,预测液化侧向位移值与现场实测评估结论较吻合。     

基于PSO-SVM的咪唑类离子液体捕集CO_2性能预测

CO_2是主要的温室气体,大量CO_2的存在严重影响着环境,而咪唑类离子液体具有独特的气体选择溶解性,在CO_2的捕集分离中有非常好的应用前景。基于支持向量机方法,结合粒子群优化算法(PSO-SVM)建立了咪唑类离子液体捕集CO_2性能的理论预测模型,该模型包含温度、压力、密度、黏度和表面张力5个主要参数。根据PSO算法,得到模型的最优参数为惩罚参数C=100,不敏感损失参数ε=11.699 7,核函数的宽度γ=0.279 2;SVM算法得出训练集的相关系数r=0.993,均方根误差RMSE=12.012,平均绝对误差AAE=4.117,测试集r=0.999,RMSE=4.766,AAE=3.028。对预测模型进行了评价验证以及稳定性分析,明确了咪唑类离子液体捕集CO_2性能的主要影响因素及其重要程度。     

基于神经网络的尘肺病预测模型研究

针对尘肺病对人体的危害这一现实,本文通过建立神经元网络模型,开发了神经元网络预测系统,利用预测模块对获得的尘肺病发病数据进行了学习并以此形成了稳定的预测模式,以某矿尘肺病发病情况为例进行了评价;结果表明神经元网络模型克服了传统预测模型须建立函数的难题,且预测精度较度,具有重要理论与实际应用价值.     

基于EMD-LSSVM的瓦斯浓度动态预测模型

为提高回采工作面瓦斯体积分数预测时效性,建立了EMDLSSVM的瓦斯体积分数动态预测模型;为能够快速有效地反映瓦斯体积分数当前状态,避免早期历史数据对模型预测的影响,采用复合窗口技术对瓦斯体积分数时间序列进行动态更新;为提高算法预测精度,先采用经验模态分解算法(EMD)对更新后的窗口数据进行分解得到高频项、低频项和趋势项,考虑到瓦斯体积分数变化受到诸多因素干扰导致预测难度较大,但由同类因素影响的瓦斯体积分数变化特征具有较高的相似性,利用聚类方法将瓦斯体积分数监测数据划分成性质相似的若干个模式类别,以减少各种随机因素对预测结果的影响,再利用最小二乘支持向量机(LSSVM)对高、低频项进行加权预测,用自回归(AR)模型对趋势项进行预测,最后进行组合预测。实例对比分析表明,该预测模型能够有效地预测瓦斯体积分数的变化趋势,减少了预测时间,预测精度也满足矿山安全工程实际要求。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

基于烟草生产的能源消耗预测模型研究

准确的能源消耗预测可以为企业制定能源消耗工单、发现并控制能源消耗异常提供方法和数据支持。在分析烟草企业生产流程及能源消耗特点的基础上,收集目标企业近两年的生产数据和环境数据,采用三级计量方法采集工艺环节各设备的能耗统计,按照国际通用规则,将各类能耗转化为标准煤指标,利用统计分析软件,构建了基于烟草生产的能源消耗预测回归模型,采用逐日验证的方法以实际生产数据对模型的正确性和适用性进行了验证,并基于该模型为企业生产能耗提供标杆参考值。验证结果表明,构建的预测模型仿真结果误差较小,可以为烟草企业能源精细化管理提供方法支撑。     

基于改进Smote-GBDT算法的岩爆预测模型

为准确预测岩爆等级,确保施工人员和设备安全,首先,从岩爆机制、数据和算法角度,分析埋深(D)、单轴抗压强度(UCS)、单轴抗拉强度(UTS)、岩石脆性指数(B₁、B₂)、围岩最大切向应力(MTS)、应力集中系数(SCF)和弹性变形能指数(W_et) 8个指标,建立岩爆预测指标体系;其次,针对岩爆样本存在的数据不均衡问题,引进托梅克联系(Tomek Link)对欠采样方法,改进合成少数类过采样(Smote)算法,对岩爆训练样本进行混合过采样;最后,构建SmoteTomek-梯度提升树(GBDT)岩爆预测模型,以38组数据验证模型的有效性,并与其他模型进行对比。结果表明：SmoteTomek-GBDT的准确率为92.1%,较未采样提升5.3%,Smote采样提升10.5%,优于随机过采样模型,并且避免跨等级的岩爆误判。     

基于MIC-BBO-SVM的大坝渗流预测模型*

为监控大坝运行过程中的异常状态,准确预测大坝渗流量的变化趋势,采用最大信息系数(MIC)量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量,通过引入生物地理学优化算法(BBO)并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机(SVM)作为预测模型,以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5,0.155 0 m3/h,0.135 6 m3/h,11.51%,预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型,可为大坝渗流安全监测提供参考与借鉴。     

基于模糊评价法的建筑安全事故预测模型

针对建筑工程安全领域中许多对象具有"内涵明确,外延不明确"的特点,本文利用模糊数学对建筑安全事故影响因素进行度量,通过层次分析法确定各影响因素权重,提出了一种基于模糊评价法的建筑安全事故预测模型,解决了建筑生产中安全事故的即时预测,并通过实例给予说明,说明了模型在建筑安全事故预测中的有效性和实用性.     

基于最优加权的道路交通事故组合预测模型

针对各种单一灰色预测方法存在的局限性,建立了一种基于最优加权的灰色组合预测方法。根据我国道路交通事故的发展情况,建立了GM(1,1)模型和Verhulst模型相结合的组合预测模型,运用最优加权法确定了组合预测模型的权重系数。利用2001—2007年我国道路交通事故数据死亡人数数据,对建立的灰色组合预测模型进行了预测。预测结果表明,组合预测模型比单一的GM(1,1)模型和Verhulst模型具有更高的预测精度。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。