基于多元整体最小二乘优化的多点灰色动态变形分析模型

提出一种多元整体最小二乘优化的多点灰色动态模型,并结合实例验证优化的MGM(1,n)模型的优越性。将优化的MGM(1,n)模型与一般的MGM(1,n)模型进行对比,分析两种模型的建模值和预测值。结果表明,优化的MGM(1,n)模型在建模数据多于4期的情况下建模精度更高,预测精度更准确,更符合实际情况。     

高精度GPS监测小范围区域沉降的分析

在介绍GPS高程测量原理的基础上,分析大地高与正常高之间的转换关系,以某隧道12期GPS大地高与精密水准测量数据为例,进行对比研究,验证了两种方法的实际精度。结果表明,GPS应用于区域沉降监测完全可以像精密水准测量一样高精度地反应监测点的沉降值,其结果精确、可靠。     

多目标遗传算法改进的加权多点灰色模型

针对传统多点灰色预测模型MGM(1,n)白化背景值构造方法不合理性导致模型往往不符合变形体实际情况的问题,该文提出了一种基于遗传算法的加权MGM(1,n)模型。引入白化背景值最佳生成权值矩阵替换传统模型背景值构造公式中的紧邻均值生成权阵,较好地顾及变形区域内多监测点变形趋势的突变性与不规则性,弥补了线性系统MGM(1,n)模型在非线性动力学系统变形预测分析应用中的不足;建立多目标优化实数编码遗传算法,实现背景值最优构造权阵的迭代搜索。基于仿真和工程实例数据的建模结果表明:改进模型较传统MGM(1,n)模型预测精度提高,抗噪声干扰能力增强。     

GPS动态变形分析中的傅里叶级数恒星日滤波

针对恒星日滤波中计算GPS卫星轨道运行周期提前时间的问题,提出一种基于傅里叶级数曲线拟合的提前时间估计方法。根据跨度达8 526 d的广播星历计算每天中所有可用卫星运行周期相对于前1 d的平均提前时间,将此平均提前时间作为采样点,以8阶三角函数形式展开的傅里叶级数进行曲线拟合,将卫星运行周期的提前时间拟合成关于时间的单一变量函数,免去了繁琐的计算步骤。实验结果表明,傅里叶级数恒星日滤波法缩小了监测点N、E、U三个方向坐标残差序列的均方根值,有效消除了GPS动态变形监测分析中的多路径影响,提高了复杂工程环境下动态变形监测中变形信息提取的能力。     

岩性识别技术现状与进展

岩性智能预测在地质钻探中具有重要意义,可以提高勘探、开采效率和成果质量。基于钻进过程中钻头破碎岩石产生的振动信号,提出一种岩性随钻智能预测方法。选取7类尺寸相同的不同岩性的岩石,并设计微钻实验方案,对岩石施加不同钻速、转速以采集多钻进条件下的随钻三轴振动信号,对信号进行预处理滤除干扰信息,通过短时傅里叶变换生成表征信号时频域特征的时频图像,再利用多种数据增强方法增加图像数量并建立为数据库,以增强模型鲁棒性和泛化能力。改进深度学习中VGG11(Visual Geometry Group)卷积神经网络算法,将数据库划分为训练集∶测试集=8∶2,对训练集图像的有效信息进行特征提取、学习、迭代训练以获得岩性智能预测模型,并不断调整模型的3个超参数(学习率、批处理大小、迭代次数),拟合测试集和训练集损失函数曲线以提高模型预测精度。最后用测试集对模型进行多指标评估。结果表明：基于随钻振动数据训练得到的岩性智能预测模型泛化能力强,具有高预测精度,岩性整体预测准确率达到96.85%。重点讨论了数据集数量对岩性预测准确率的影响;不同的钻进条件会引起随钻振动信号产生一定规律性的变化,岩石性质会使得振动信号在三轴方向上有所变化;X、Y、Z轴信号表征着钻进过程中钻头破碎岩石的不同过程。提出的岩性实时智能预测方法为钻探工程现场中岩性预测提供了一定的依据和借鉴。

     

基于BP神经网络与变形监测成果的隧道安全状态评估

隧道变形监测周期长、内容多且影响因素复杂,因此需要对隧道监测方法进行不断的改进,对隧道的健康状态进行实时评估。研究变形监测范畴内基于BP神经网络的隧道安全状态评估模型,组建集卫星定位技术、测量机器人、传感器技术、移动网络通信等为一体的现代化物联网模式下的隧道变形监测系统,分析多源数据的变形特征,结合专家经验知识,实现基于BP神经网络与变形监测成果下的隧道安全状态评估,为隧道变形监测及安全状态评估提供一种新颖而有效的方法。     

时间序列协整关系及其在变形分析中的应用研究

通过对时间序列模型及其特性进行分析,运用序列间协整关系,实现同一变形体不同变形监测数据序列之间的联系,提取出平稳的、可用于变形预测分析的信息,建立适用于实际工程的ARIMAX动态预测模型,并通过工程实例验证预测模型的优化性、有效性与可行性。