地震多属性综合解释的支持向量机方法研究

能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。     

软土的一维次固结双曲线流变模型研究

软土的次固结对于软土的变形量非常重要。在软土次固结计算中,通常以次固结系数作为计算参数,但该系数不能反映荷载变化的影响,而且只适用于正常固结土。由于工程中所遇到的大都为超固结土,对超固结土的次固结计算还缺少合理的方法。通过室内试验开展了软土次固结沉降相关研究,进行了多组原状软土试样的分级加载次固结试验,试验结果表明,对于软土次固结计算,建议从次固结应变与时间关系的角度,采用双曲线形式进行拟合,并分别对正常固结和超固结状态的次固结应变参数进行分析,建立了一维次固结的经验模型公式,提出了一种考虑压力对次压缩影响的次固结沉降计算方法,并将该方法应用于现场工程项目,验证了该方法可以适用于正常固结土和超固结土,使得软土次固结沉降量的计算能够更好地反映实际工程问题。     

软黏土固结系数确定方法探讨

根据揭普高速原状软土的室内固结试验结果和现场实测结果,对7种固结系数确定方法的原理、精度、使用简便性、优缺点等进行了比较研究。研究结果表明,三点法和时间平方根法是较好的方法,但采用时间平方根法时其固结试验应采用较大的加载比。研究还发现,同一场地单元、同类软土、不同土样的固结系数离散性较大。实际工程中,同一单元地段应进行多组固结试验计算固结系数,剔除较高值者,取余下均值为该地段的固结系数。     

基于粗糙集理论与遗传规划的地表下沉系数预测研究

利用粗糙集理论处理大数据量.消除冗余信息等方面的优势,计算出下沉系数各影响因素的属性重要性,约简了遗传规划训练样本集,建立了基于粗糙集和遗传规划的地表下沉系数预测模型。并与BP神经网络法预测结果进行了对比,结果表明,本模型具有精度高,收敛速度快等特点,将其应用到地表下沉系数预测中是可行的。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。     

基于粗糙集和支持向量机的融合算法在岩体质量评价中的应用

从数据融合角度出发,把粗糙集理论和支持向量机理论结合,用来解决隧道岩体质量评价问题。首先,应用粗糙集理论对岩体质量评价样本数据进行约简,去除冗余特征形成岩体质量影响因素与岩体质量之间简明扼要的关系数据表达形式,形成新的样本数据,然后应用支持向量机理论,对新样本数据进行学习,建立岩体质量的支持向量机评价模型。通过实际工程应用表明,该方法科学可行。      

温州浅滩淤泥固结系数与固结应力关系研究

固结系数在软土压缩过程中并非常数,其变化规律与土体的工程特性、先期固结压力、有效固结应力等因素有关。当固结应力小于土体的先期固结压力时（ ）,随着应力的增加,固结系数减小;当固结应力达到其先期固结压力时（ ）,固结系数取最小值;当固结应力超过先期固结压力后（ ）,随着应力的继续增加,淤泥固结系数又逐渐增大。温州淤泥的固结系数与固结应力之间存在显著的双对数（ln( 或 )- ）线性相关性,其分段拟合公式在先期固结压力 的前后分为两段。利用“改进的门田法”求解的淤泥层在压缩过程中,固结系数的变化规律,进一步说明和验证了这一结论。利用双对数拟合公式可较准确推求整个加载过程中淤泥的固结系数,为固结沉降计算提供重要的参数。     

昆仑山地区冻融土导热系数试验测试与预测模型研究

为探究青藏高原工程走廊带昆仑山地区冻融土导热系数基本特征,采用瞬态平面热源法对钻取的349组冻土试样和245组融土试样导热系数进行了测试,分析了五类土导热系数分布特征及天然含水率、干密度与导热系数的偏相关性,并以两者为变量因素建立了经验公式拟合、支持向量回归（SVR）和径向基（RBF）神经网络导热系数预测模型。结果表明:冻融土导热系数整体均呈粗颗粒土大于细颗粒土特征,且冻土和融土导热系数随土性分布规律存在差异;天然含水率、干密度与导热系数均呈正相关性,不同土类偏相关性结果差异明显,典型土导热系数二元经验回归方程表现为非线性拟合结果。对比三种预测模型下各典型土冻融土导热系数预测结果,全风化千枚岩、角砾及砾砂三种预测模型效果整体较佳,粉土的SVR及RBF神经网络预测精度较好;融土导热系数预测效果整体略优于冻土,SVR及RBF神经网络模型下角砾、粉土及全风化千枚岩融土导热系数预测精度较高。综合导热系数模型预测效果和误差结果分析可得,SVR和RBF神经网络模型预测效果显著优于经验方程拟合,后者针对部分土性拟合效果相对较好,可满足一般工程估算需求;SVR和RBF神经网络预测模型针对不同土性导热系数预测效果呈差异性变化,整体预测效果相当,且预测精度更高、应用土性范围更广。     

软土路基大应变黏弹塑性正/反分析沉降预测对比

结合软土变形的大位移、大应变、渗透固结及依时性特点,采用黏弹塑（西原）模型模拟土骨架,建立了分析软土地基的大应变黏弹塑性有限元列式和迭代求解算法,并采用动态“生”“死”单元模拟路堤的施工过程,建立了软土路基双重非线性渗透固结分析模型,研制了相应的大型实用化有限元分析程序LSVEP。分别采用反分析所得参数和室内试验确定参数对路基地表沉降和地基深层沉降进行预测,并将所得结果和现场实测结果进行对比分析,结果表明：所建立的大应变黏弹塑性有限元分析方法正确;计算参数的准确选择对沉降预测精度影响很大;用反分析所得参数进行沉降预测的精度远高于正分析预测,是提高沉降预测精度的有效途径,可供类似工程借鉴。     

砂土地震液化预测的GA_SVM_Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。      

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

基于高光谱的土壤养分含量反演模型研究

为实现土壤养分（有机质SOM、全氮TN、全磷TP、全硫TS）含量的快速测定,以建三江创业农场为例,对土壤原始反射率进行了一阶微分（FD）、倒数对数（RL）、倒数一阶微分（FDR）、多元散射校正（MSC）和连续统去除（CR）变换,分析6种光谱变量与土壤养分的相关性,将在α=0.01水平上显著相关的波段作为特征波段,运用多元逐步回归（SMLR）、偏最小二乘回归（PLSR）和BP神经网络（BPNN）三种分析方法分别建立有机质、全氮、全磷和全硫的高光谱预测模型,并利用决定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）对预测模型进行评价.结果显示,PLSR和BPNN建立的土壤养分含量预测模型均优于SMLR,能极好地预测有机质和全氮含量,同时具有粗略估算全硫含量的能力.三种方法中仅有CR-BPNN能对全磷含量进行粗略估算.对有机质、全氮、全磷和全硫预测效果最佳的模型及其验证集决定系数分别为：MSC-PLSR （0.86）、MSC-PLSR （0.75）、CR-BPNN （0.56）、FDR-BPNN （0.67）.     

Analysis of soil erosion characteristics in small watersheds with particle swarm optimization, support vector machine, and artificial neuronal networks

Sand production by soil erosion in small watershed is a complex physical process. There are few physical models suitable to describe the characteristics of the intense erosion in domestic loess plateau. Introducing support vector machine (SVM) oriented to small sample data and possessing good extension property can be an effective approach to predict soil erosion because SVM has been applied in hydrological prediction to some extent. But there are no effective methods to select the rational parameters for SVM, which seriously limited the practical application of SVM. This paper explored the application of intelligence-based particle swarm optimization (PSO) algorithm in automatic selection of parameters for SVM, and proposed a prediction model by linking PSO and SVM for small sample data analysis. This method utilized the high efficiency optimization property and swarm paralleling property of PSO algorithm and the relatively strong learning and extending capacity of SVM. For an example of Huangfuchuan small watershed, its intensive fragmentation and intense erosion earn itself the name of “worst erosion in the world”. Using four characteristics selection algorithms of correlation feature selection, the primary affecting factors for soil erosion in this small watershed were determined to be the channel density, ravine area, sand rock proportion, and the total vegetation coverage. Based on the proposed PSO–SVM algorithm, the soil erosion modulus in the small watershed was predicted. The accuracy of the simulation and prediction was good, and the average error was 3.85%. The SVM predicting model was based on the monitoring data of sand production. The construction of the SVM erosion modulus prediction model for the small watershed comprehensively reflected the complex mechanism of soil erosion and sand production. It had certain advantage and relatively high practical value in small sample prediction in the discipline of soil erosion.     

公路软基沉降预测的支持向量机模型

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程     

海堤地基固结系数反演与工后沉降分形模型预测

海堤工后沉降分析预测对工程维护和灾害防治具有重要意义。以海堤工后初期监测资料为基础,运用分层总和法和太沙基一维固结理论反演了土层固结系数,并通过对固结系数变化规律的分析,提出采用改进变维分形预测模型对具有较强趋势性的固结系数进行预测,进而对海堤工后可能发生的长期沉降进行预测。以浙江省洞头县北岙后二期东围堤工程的海堤监测数据作为研究对象进行了验证计算,结果表明,该方法反映了实际土体的固结沉降机制,能够较好地预测海堤工后沉降趋势,具有一定的工程实用意义。     

基于双曲线法的分级填筑路堤沉降预测

在软土地基上修筑路堤多采用分级施工的方法。基于传统双曲线沉降预测法基础上,提出一种软土地基上路堤分级施工情况下沉降预测的新模型,该模型考虑了土体变形的非线性特性和固结性质随荷载的变化,将沉降拟合方程中的待定参数在2个不同荷载级中分别确定。利用有较长预压期的前一级实测沉降,确定与土的固结性质有关的参数,待预测沉降荷载级的最终沉降量由该级较短预压期内实测沉降确定。通过工程实例验证了所建议模型的适用性。     

土层回弹变形特性及回弹潜力试验研究

对土层的回弹变形效应进行研究有助于科学实施地下水回灌、管理地下水资源及预测地面沉降。文章通过大量室内 压缩回弹试验,研究了土层回弹影响因素及回弹变形特性。试验结果表明：土层的最终回弹量受土样性质、最大固结压 力、固结时间以及卸荷比等因素影响;相同固结回弹条件下,土层黏粒含量越高,回弹量越大;对于同一种土,固结时间 越短,卸荷压力越大,回弹量越大;当卸荷比小于0.5时,固结压力对土层回弹量影响不明显,随着卸荷比的增大,同一种 土样所受固结压力越大,土样回弹率也越大,而当卸荷比大于0.9时,回弹率迅速增大。当土层类型及固结压力确定时,土 层最大回弹率和固结压力大致呈线性关系,可用于土层最大回弹率的预测。     

土层回弹变形特性及回弹潜力试验研究

对土层的回弹变形效应进行研究有助于科学实施地下水回灌、管理地下水资源及预测地面沉降。文章通过大量室内 压缩回弹试验，研究了土层回弹影响因素及回弹变形特性。试验结果表明：土层的最终回弹量受土样性质、最大固结压 力、固结时间以及卸荷比等因素影响；相同固结回弹条件下，土层黏粒含量越高，回弹量越大；对于同一种土，固结时间 越短，卸荷压力越大，回弹量越大；当卸荷比小于0.5时，固结压力对土层回弹量影响不明显，随着卸荷比的增大，同一种 土样所受固结压力越大，土样回弹率也越大，而当卸荷比大于0.9时，回弹率迅速增大。当土层类型及固结压力确定时，土 层最大回弹率和固结压力大致呈线性关系，可用于土层最大回弹率的预测。     

基于CASI & SASI航空高光谱的雄安新区西南部农田土壤 重金属镍含量反演研究

农田土壤中重金属元素富集会严重制约农作物的生长,且对人类健康造成潜在威胁。高光谱遥感数据具有极高的光谱分辨率,因而可在土壤重金属污染元素信息的定量研究中发挥重要作用。本文以雄安新区西南部及其周边农田土壤作为研究对象,在实验室测定土壤重金属元素Ni的含量,并与土壤可见-近红外高光谱数据建立土壤重金属Ni含量的定量估测模型,进一步基于CASI&SASI航空高光谱数据快速反演研究区农田土壤重金属Ni的含量,获取其分布特征。本文研究并建立了研究区土壤重金属元素基于不同光谱变换形式的多元逐步回归、偏最小二乘回归和BP神经网络统计估算模型,通过模型验证与对比,探索研究区土壤重金属Ni元素含量的最优反演模型。研究结果表明: （1）基于各光谱变换的BP神经网络模型的建模和预测精度整体上大于偏最小二乘法和多元逐步回归法模型,模型拟合精度高,预测能力较好;（2）综合来看,一阶微分处理能普遍改善模型预测效果,其中BP神经网络模型的一阶微分变换结果最佳,对于Ni元素建模精度R2高达97.1%,验证集精度R2高达98%以上;（3）选用精度最好的BP神经网络模型,通过CASI&SASI高光谱数据对研究区重金属Ni含量进行反演,反演结果与实测Ni含量数据一致性很好。