基于Alpha稳定分布概率神经网络的围岩稳定性分类研究EI北大核心CSCD

工程围岩是一种高度非线性的复杂动态系统,其影响因素众多,单一的评价指标已不能准确描述围岩分类情况。目前,综合考虑多种指标评价围岩分类的方法很多,但围岩评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标,无法满足概率神经网络(PNN)样本层中采用高斯分布作径向基函数的要求,因此,提出一种对称Alpha稳定分布(SaS)。SaS有更广泛的数学表达,其径向对称特性还可充当PNN样本层中高斯分布。在SaS的基础上,建立广州抽水蓄能电站二期工程围岩分类评价的SaS-PNN模型。预测结果表明,SaS-PNN模型具有良好的预测效果,其误判率为为4.55%。可为地下工程围岩分类评价提供一种新思路。     

因子分析-概率神经网络模型在边坡稳定性评价中的应用

边坡稳定性分析是一个复杂的系统工程问题,其评价直接影响边坡工程的安全性与经济性。为了实现对边坡稳定性的快速、高效和准确评价,需要考虑边坡稳定性多种评价指标,但指标间或多或少存在一定的相关性,从而导致参量信息重叠。文章提出一种因子分析方法对边坡稳定性相关指标数据进行降维处理,提取3个综合指标对边坡稳定性进行总体评价。因子分析后的指标彼此独立,能够满足概率神经网络（PNN）样本层中采用高斯函数作径向基函数的要求。在因子分析的基础上,建立边坡稳定性评价的PNN模型,将其应用于39个典型的边坡稳定性评价。预测结果表明:5种不同的训练和测试样本个数下PNN模型仍具有良好的预测效果,其正判率分别为100%、94.87%、94.87%、84.62%和84.62%,说明因子分析与PNN模型结合可为岩土工程中边坡稳定性评价提供了一种很好的思路。     

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。     

基于有限区间联系云的围岩稳定性评价模型

围岩稳定性评价指标分布具有有限区间分布和等级边界模糊特性。基于联系数理论和云理论的耦合方法,探讨了能考虑指标区间分布特点和级别界限模糊转换特性的围岩稳定性分类联系云模型。首先探讨了有限区间内的联系云模型,以描述有限区间内的围岩稳定性分类指标的模糊性和转换态势,结合样本指标权重和联系概率概念分析实测评价指标对各等级的综合确定度,判定了样本的围岩稳定性级别。实例应用和与其他方法对比分析结果表明,该模型应用于围岩稳定性评价是有效可行的,取得较好效果,且弥补了理想云模型不能整体描述有限区间分布的指标间确定和不确定关系的缺陷,拓广了云模型应用的适应性。     

基于粗糙集和理想点法的隧道围岩分类研究

理想点法是一种多目标决策分析法,其基本思路是通过构造多指标问题的理想解和反理想解,并以靠近理想解和远离反理想解的程度作为各评价对象的判断依据,基于此原理建立了隧道围岩分类的理想点法评价模型。理想点法各指标权重的取值是否合理对最终的评判结果有着很大的影响,采用粗糙集理论把权重问题转化为粗糙集中属性重要性评价问题,以此来确定各指标权重。该方法不需先知经验,求解过程完全由实际样本驱动,具有很强的可操作性。建立了基于粗糙集和理想点法的隧道围岩分类模型,并应用于实际工程,结果表明,该方法的分类结果与实际相符,基于粗糙集和理想点法为隧洞围岩分类提供了一种新思路     

基于可拓理论的围岩稳定分类方法的研究

在双护盾TBM（tunnel boring machine）的隧洞施工中,将可拓理论与洞室围岩稳定评价相结合。基于碴料和掘进参数的地质编录所提供的地质信息,选取了能够反映围岩稳定综合特性的评价指标,确定围岩稳定类型和预测前方岩体情 况。在物元理论、可拓集合论和关联函数运算的基础上,建立了隧洞围岩稳定分类的可拓评价方法,其中引进了隶属度的概念和一种定量的指标权重的确定方法,并在山西引黄工程的双护盾TBM隧洞施工中用此分类方法对某两段围岩进行了稳定分 类,得到的稳定分类结果与实际情况吻合。     

基于投影寻踪模型和加速遗传算法的石羊河流域水资源承载力综合评价

针对区域水资源承载力状况,采用高维降维技术——投影寻踪分类模型（PPC）,利用基于实数编码的加速遗传算法（RAGA）优化其投影方向,将多维数据指标（样本评价指标）转换到低维子空间,根据投影函数值的大小评价出样本的优劣,从而做出评价,最大限度避免了灰色关联法评判中权重矩阵取值的人为干扰,为区域水资源承载力状况评价及其它评判问题提供一条新的方法与思路。     

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传（QGA）-径向基函数（RBF）神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。     

基于岩体精细化描述的围岩分类及力学参数概率分布特征分析

针对目前水电站地下厂房工程中不同围岩分类方法存在评价结果不一致、围岩力学参数存在室内试验值与实际情况不吻合的现象,现推荐采用岩体精细化描述体系对围岩岩体结构进行定量化评价。将常用围岩分类方法(RMR、Q、RMi、GSI、BQ、HC)评价指标予以归纳分组,并通过各组内不同指标对比分析获得围岩分类方法中的基础评价指标。以大岗山水电站主厂房某区段为分析对象,采取现场岩体精细化地质素描与后期数据挖掘、拟合相结合方法,并依据评价指标间的关联关系,获得了基础、非基础评价指标的分布概型及对应参数,实现对该段围岩岩体精细化描述认知;基于精细化描述结果,应用Monte Carlo法生成符合各评价指标分布概型的大量随机数,而后参照各分类方法评价思路与评分流程,得到评价指标在各分类方法对应的大量随机评分值,通过归纳统计获得不同围岩分类方法评价结果的分布概型;基于各围岩分类方法评价结果与力学参数值之间的关联关系实现对力学参数概率特征分析。该分析方法与思路可为类似工程围岩质量及力学参数的精确确定提供一定借鉴,并可为实现围岩支护极限状态设计提供必要的原始参数支持。     

基于深度学习的岩体遥感智能解译模型研究——以苇河镇、亚布力镇、绥阳镇地区为例

在东北地区选取试验区,对比多种分类模型,提出一种基于多源多模态数据和多流CNN的岩体分类模型. 其中包括两个子模型:一是基于大尺度邻域和深度卷积神经网络的岩体提取模型;二是基于波段组合和多模态数据的多流CNN融合模型. 研究结果表明,预测结果图整体区域预测分布正确,总体精度评价指标达到84.4%,具有智能化程度高、客观性强的特点,能够为地质工作者提供辅助决策依据. 此外,还采用迁移学习策略对样本数量进行扩容,解决了CNN模型小样本问题.     

A New Type of Neural Network For Reservoir Identification Using Geophysical Well Logs

We have developed a neural network algorithm of radial basis network (RBN) type for geoscience applications. This new probabilistic neural network (PNN), referred to as “gravity-capturing neural network,” employs multidimensional even distance and introduces the resultant force competition mechanism for the output layer. When used for geological pattern recognition with well-logging data, it avoids misjudgment due to a magnitude jump of a single parameter and can extract complex and hidden formulas from laboratory and field measurements more efficiently. A field case study of reservoir identification with geophysical well logs is presented to demonstrate the advantages of this neural network over the conventional PNN in such classification applications.     

地下工程围岩分类的神经网络可视化评价

围岩分类是地下工程技术基础研究的重要课题之一。影响围岩类别的因素有很多，并且具有高度的随机性和模糊性。神经网络方法具有自组织、自学习和高度非线性映射的能力，并且既能考虑定量因素又能考虑定性因素，因此，在围岩分类的应用方面，神经网络具有广泛的前景。文章基于改进的BP神经网络的一般原理，依据有关地下工程围岩的分类标准，选取岩体结构、岩石饱和单轴抗压强度、岩体结构面、岩石纵波速度作为围岩分类的评价指标，利用MATLAB语言构建了可视化的围岩分类神经网络模型，并收集了大量的工程资料对网络进行训练和检验。结果表明，网络的预测结果与实际结果比较一致。证明神经网络是能够在工程岩体分类方面得到推广应用的。     

基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例

概率神经网络是一种分类准确率高、泛用性强、可以包容一定数量错误样本的人工神经网络,极其适合勘查地球化学找矿中的预测找矿靶区。本文以四川雅江县木绒锂矿为例,运用概率神经网络搭建智能找矿模型,以已知区的Li元素及与其相关性强的Rb-Cs-Al-Fe元素作为训练指标,对模型进行训练,经过多次训练后将Spread值确定为0.08,使模型在训练集和测试集的准确率均大于80%,实现非线性的指标与成矿潜力的对应,得到本矿区的PNN模型,然后对预测区的样本数据进行预测,成功圈定了1处靶区。为检验靶区准确性,以Li、Rb、Cs元素数据累计频率的80%作为异常下限,圈出的异常区域与靶区位置基本重叠。对预测区进行了实地查证工作,发现两条红柱石带,其中一条与靶区位置吻合,表明该神经网络模型准确性高,可用于矿产勘查的预测研究。     

基于可拓理论的高地应力隧道围岩分级法及应用

随着大量深埋特长隧道的修建,地应力问题特别是高地应力问题对围岩分级的影响愈发突出。围岩分级是一个复杂的矛盾问题,目前常用的围岩分级方法是选取固定的几个指标,然后采用集商、求和等方式进行评分分级。但有些围岩分级计算方法不能根据实际地质情况灵活地选取分级指标,而且有些分级指标之间存在相关影响。可拓学理论可将矛盾问题转化为相容问题,是一种值得探索和运用的方法。本文将可拓理论方法与高地应力隧道围岩分级相结合,建立基于可拓理论的高地应力隧道围岩分级法。该方法主要是通过选取能够反映和体现围岩分级的各项重要参数指标岩石单轴抗压强度Rc,RQD指标,岩石完整性指标Kv,地下水状态指标,特别是考虑了地应力值这项重要指标,然后在物元理论、可拓集合论和关联函数运算的基础上,建立了隧道围岩分级的物元模型; 通过实际的隧道围岩级别关联度的计算,最终确定围岩级别。通过可拓理论围岩分级的实际应用表明,该方法在高地应力隧道围岩分级中具有较好的适用性。     

http://www.sciencedirect.com/science/article/pii/S1674987114001388

Proper quality planning of limestone raw materials is an essential job of maintaining desired feed in cement plant. Rock-type identification is an integrated part of quality planning for limestone mine. In this paper, a computer vision-based rock-type classification algorithm is proposed for fast and reliable identification without human intervention. A laboratory scale vision-based model was developed using probabilistic neural network(PNN) where color histogram features are used as input. The color image histogram-based features that include weighted mean, skewness and kurtosis features are extracted for all three color space red, green, and blue. A total nine features are used as input for the PNN classification model. The smoothing parameter for PNN model is selected judicially to develop an optimal or close to the optimum classification model. The developed PPN is validated using the test data set and results reveal that the proposed vision-based model can perform satisfactorily for classifying limestone rocktypes. Overall the error of mis-classification is below 6%. When compared with other three classification algorithms, it is observed that the proposed method performs substantially better than all three classification algorithms.