基于SVR的含缺陷管道剩余强度研究

针对采用标准预测含缺陷管道剩余强度误差较大这一问题,在Matlab中建立基于SVR的含缺陷管道剩余强度预测模型,并基于60组含缺陷管道爆破试验数据进行训练测试,以验证模型的实际性能.结果表明:SVR模型预测测试集结果的最小相对误差为0.55％,最大相对误差为10.35％,平均相对误差为2.63％,预测结果的R2高达0....     

基于MDE和分形优化SVM的周期来压预测

为了解决周期来压的预测问题,首先对已知支架周期来压荷载曲线使用多重差异进化算法(MDE)进行拟合,将每重拟合形成的单一正弦曲线与上次差余曲线(Ei)再作差余曲线(Ei+1)。将这些Ei图通过分形几何的盒子法计算维度和相关系数(r)。将每条Ei的维度、r和支架相对距离(L)作为输入值,对应的Ei的周期Ti、缩放系数Si和纵移系数Di作为目标值,使用支持向量机(SVM)进行训练。通过对维度和r规律的研究得到拟设置支架处荷载各Ei的维度和r,带入训练后的SVM模拟得到Ei的Ti、Si和Di,进而得到Ei的表达式。将上述Ei求和即为所求拟设置支架处的周期来压荷载。实例分析说明,该种方法预测结果可以大体反映支架周期来压的基本形式和变化规律。     

Interventions for Reducing Extinction Risk in Chytridiomycosis‐Threatened Amphibians

Wildlife diseases pose an increasing threat to biodiversity and are a major management challenge. A striking example of this threat is the emergence of chytridiomycosis. Despite diagnosis of chytridiomycosis as an important driver of global amphibian declines 15 years ago, researchers have yet to devise effective large‐scale management responses other than biosecurity measures to mitigate disease spread and the establishment of disease‐free captive assurance colonies prior to or during disease outbreaks. We examined the development of management actions that can be implemented after an epidemic in surviving populations. We developed a conceptual framework with clear interventions to guide experimental management and applied research so that further extinctions of amphibian species threatened by chytridiomycosis might be prevented. Within our framework, there are 2 management approaches: reducing Batrachochytrium dendrobatidis (the fungus that causes chytridiomycosis) in the environment or on amphibians and increasing the capacity of populations to persist despite increased mortality from disease. The latter approach emphasizes that mitigation does not necessarily need to focus on reducing disease‐associated mortality. We propose promising management actions that can be implemented and tested based on current knowledge and that include habitat manipulation, antifungal treatments, animal translocation, bioaugmentation, head starting, and selection for resistance. Case studies where these strategies are being implemented will demonstrate their potential to save critically endangered species. Intervenciones para Reducir el Riesgo de Extinción en Anfibios Amenazados por la Quitridiomicosis     

一种基于状态向量推理的SDG-HAZOP分析方法

HAZOP是分析系统可靠性的一种有效方法,在石油、化工工业中得到了广泛应用。但人工HAZOP分析存在费时、费力、成本高等缺点,而计算机辅助SDG-HAZOP分析的提出有效地改善了人工分析的弊端,然而传统的计算机辅助SDG-HAZOP是纯定性的分析与推理,分析的结果往往过于冗繁。本文介绍了一种改进的基于状态向量推理的计算机辅助SDG-HAZOP分析方法,该方法基于SDG定性模型,构造了一个计算机自动推理引擎,并引入了状态向量的概念,通过正向反向推理,快速高效地发掘出偏差产生的后果和原因。通过应用实践表明,与人工HAZOP分析法和现有SDG-HAZOP分析方法相比,该方法具有完备性好、评价结果系统性和条理性强等优点。     

Optimizing mixture properties of biodiesel production using genetic algorithm-based evolutionary support vector machine

Nowadays, biodiesel is used as one of the alternative renewable energy due to the increasing energy demand. However, optimum production of biodiesel still requires a huge number of expensive and time-consuming laboratory tests. To address the problem, this research develops a novel Genetic Algorithm-based Evolutionary Support Vector Machine (GA-ESIM). The GA-ESIM is an Artificial Intelligence (AI)-based tool that combines K-means Chaotic Genetic Algorithm (KCGA) and Evolutionary Support Vector Machine Inference Model (ESIM). The ESIM is utilized as a supervised learning technique to establish a highly accurate prediction model between the input--output of biodiesel mixture properties; and the KCGA is used to perform the simulation to obtain the optimum mixture properties based on the prediction model. A real biodiesel experimental data is provided to validate the GA-ESIM performance. Our simulation results demonstrate that the GA-ESIM establishes a prediction model with better accuracy than other AI-based tool and thus obtains the mixture properties with the biodiesel yield of 99.9%, higher than the best experimental data record, 97.4%.     

PSO和SVM混合算法确定太湖入湖河流水质主要影响因子

以影响太湖入湖河流水质的24个因子值为研究对象,将PSO算法与SVM算法相结合。PSO算法用于优化SVM算法的参数c和g,以利于快速、高效地确定c和g的全局最优值;SVM算法基于最优的c和g,分别以24,21,18,15,12,9和6个因子作为特征向量预测水质的污染程度。结果表明,当特征向量为9个影响因子时预测率最高。其参数c=18.56,g=1.35,对应的预测率为：全局预测率92.59%,重度污染水质预测率88.89%,轻度污染水质预测率94.45%。因此,通过PSO和SVM混合算法,可以确定影响太湖入湖河流水质的主要因子,利用这些主要因子对水质进行预测预警,不但可以节省时间,而且可以得到精确的结果。     

种族鱼群优化支持向量机序列理论监测尾矿坝

为监测预警尾矿坝的变形位移,提出基于结构风险最小化理论的支持向量机进行学习预测。通过采集有效数据,对时间序列数据进行归一化序列处理,然后采取种族鱼群选择向量机参数,对处理后的数据进行支持向量机回归预测。将该理论应用到某尾矿坝监测系统,得到了较为准确的预测结果,表明该理论充分利用了数据的统计特性,精度和泛化能力都得到了明显提高,可作为尾矿坝监测系统的有效指导。     

基于FTA-SVM的车辆发动机故障识别方法

发动机结构日益复杂,其故障具有多样性和频发性的特点,收集大量故障样本存在很多实施障碍。为了提高车辆发动机的故障识别的效率和准确性,提出了一种新的结合故障树(FTA)和支持向量机(SVM)各自特点,从故障模式分析到故障类型识别的FTA-SVM故障识别方法。首先利用故障树在复杂系统故障模式分析中的优势,找出系统的故障模式,建立故障树模型,通过对故障树模型中各故障事件的分析,采集与故障事件状态相关的数据,建立数据与故障树底事件的映射模型,最后利用支持向量机在小样本数据处理中的优势,进行故障类型的识别。以发动机的失火故障为例建立了发动机失火故障树模型及故障数据与故障模式映射模型,验证了FTA-SVM方法的有效性和适用性。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

基于文本挖掘的煤矿安全隐患管理研究

为探寻安全隐患的内在特征,加深安全管理人员对安全隐患的理解,提升安全管理效率。以潞安集团司马煤业有限公司2009—2015年安全隐患记录为数据源,利用Word2Vec模型构建安全隐患词向量模型,从模型中获取各类安全隐患主要相关词,利用桑基图解释安全隐患在不同隐患地点、生产作业单位的特征分布,并进一步揭示相关安全隐患的细节特征。结果表明:词向量模型能有效发掘安全隐患特征,桑基图能突出呈现安全隐患的关键信息流动。上述措施有助于管理人员深刻理解安全隐患数据中蕴含的潜在规律,为煤矿安全隐患排查治理工作提供依据,指导安全管理实践。