基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

工程先验知识辨识下的滑坡非平稳变形支持向量机预测

针对缺乏非平稳变形（阶段性、反复性及突变性）特征数据导致的滑坡预测与评估不完全符合工程实际的情况,通过分析变形时序的物理意义与类型,在定义了非平稳变形趋势变化外延模式的基础上,提出了综合考虑滑坡当前变形阶段、观测变形数据特征以及待预测时段外界诱发因素的时序外延模式辨识方法,并进一步在工程先验知识指导下建立了支持向量机（SVM）预测模型。通过2个工程实例对方法进行应用验证。结果表明,工程先验知识能够有效补充非平稳变形的观测数据信息,对预测建模具有指导性作用;融入外延模式的SVM模型与一般性SVM的外推预测,其平均相对误差可降低2～3倍,预测的可靠性与准确性得到了显著增强。     

基于规则网格的复杂断层网络处理与建模

断层建模是三维地质结构建模中的主要过程之一。断层面建模过程中需要根据断层间的空间接触或者切割关系进行几何曲面的裁剪,目前方法利用三角网求交算法进行曲面裁剪,但是该算法处理复杂断层面切割关系时往往不稳定。笔者等提出了基于规则网格的复杂断层网络处理与自动化建模的方法和流程,详细讨论了基于网格化的断层网络模型形式化理论表达、建模流程中的断层网络空间关系构建以及相交裁剪处理算法等核心步骤。利用测试数据和煤矿三维地震构造解释数据进行了验证,表明该方法可以有效处理多条互相切割、主辅关系复杂的断层网络,具有较好的算法稳定性;与SKUA—GOCAD断层建模方法对比,能够减少交互过程,提高断层建模的自动化程度。     

人工神经网络在灌浆加固工程中的应用

提出灌浆加固工程中预测单位深度吸浆量的人工神经网络模型，详细介绍了该模型的建模过程，北结合工程实例，验证预测结果和实际数据有较好吻合性，同时表明在复杂地质条件下，灌浆加固工程中利用这一模型进行单位深度吸浆量预测是有效的。     

逆冲推覆带储层波阻抗反演方法研究

由于在逆冲推覆带上主要发育逆冲断层,其上下盘层位重叠严重、由根部至顶部倾角变化大,影响储层建模的精度。针对这一问题,笔者以三维地震资料为基础,结合钻井资料,利用波阻抗反演技术实现逆冲推覆带的储层预测与评价。波阻抗反演的关键步骤是初始波阻抗模型的建立。通过上下盘分开、将断层转换为层位并与地层层位相融合的建模方法,有效提高了逆冲推覆带初始波阻抗模型的精度;采用上、下盘分开反演方案进行波阻抗反演;利用体融合的方法完成波阻抗反演。经已钻井验证,运用该方法进行的波阻抗反演准确度较高,为逆冲推覆带储层预测和目标评价奠定基础。     

基于规则网格的复杂断层网络处理与建模

断层建模是三维地质结构建模中的主要过程之一。断层面建模过程中需要根据断层间的空间接触或者切割关系进行几何曲面的裁剪,目前方法利用三角网求交算法进行曲面裁剪,但是该算法处理复杂断层面切割关系时往往不稳定。笔者等提出了基于规则网格的复杂断层网络处理与自动化建模的方法和流程,详细讨论了基于网格化的断层网络模型形式化理论表达、建模流程中的断层网络空间关系构建以及相交裁剪处理算法等核心步骤。利用测试数据和煤矿三维地震构造解释数据进行了验证,表明该方法可以有效处理多条互相切割、主辅关系复杂的断层网络,具有较好的算法稳定性;与SKUA—GOCAD断层建模方法对比,能够减少交互过程,提高断层建模的自动化程度。     

基于BMA多模型组合的疏勒河径流预测研究

准确可靠的径流预测对于水资源的科学管理与规划具有重要意义,特别是在水资源紧缺的干旱半干旱地区,径流预测对流域内水资源高效利用与水利工程经济运行具有重要现实意义。针对径流预测通常采用单一方法进行建模与预测,难以利用各预测模型优势的问题,本文利用极限学习机（ELM）模型、支持向量机（SVM）模型、多元自适应回归样条（MARS）等机器学习方法建立了疏勒河上游未来1~7日的径流预测模型。在此基础上,运用贝叶斯模型平均（BMA）方法对ELM、SVM、MARS模型的预测结果进行组合,构建了径流组合预测模型,以获取更可靠的预测结果,并采用蒙特卡洛抽样方法获取BMA的95%置信区间,对预测结果进行了不确定性分析。结果表明：ELM、SVM、MARS模型以及BMA组合模型均适用于干旱半干旱地区的中长期日径流预测;BMA的预测精度较单一模型更高,能够提供更准确的预测值;BMA的95%置信区间对实测值覆盖率高,同时能够提供较好的确定性预测和概率预测结果。表明BMA在资料有限的条件下,表现出较单一模型更高的预测性能,可以成为干旱半干旱地区中长期日径流预测的有效方法。     

近垂直反射正演模拟及其地下工程应用

近垂直反射法是一种以垂直反射法为基础的地震探勘技术,不需要足够大的偏移距,适用于隧洞、巷道等空间较狭小的地下工程,能够对中大型地质构造(例如断层、溶蚀带等)进行定位与追踪。首先结合实际工程情况,对隧洞与断层模型进行建模,赋予与实际工程相符的模型参数,开展正演模拟研究,得到断层理论探测结果。然后利用正演模拟地震排列参数,在实际工程中开展了3次近垂直反射法探测工作,并结合正演模拟结果进行了对比与分析。最后经隧洞实际开挖验证,证明了近垂直反射法在断层探测中的有效性。     

基于灰色关联度模型的区域滑坡敏感性评价

数理统计和机器学习模型如支持向量机(support vector machine,SVM)等,在区域滑坡敏感性评价中得到广泛的应用.但这些模型的建模过程往往较复杂,如在对机器学习进行训练和测试时难以选取合理的非滑坡栅格单元,而且有较多的模型参数需要确定.为提高滑坡敏感性评价建模的效率和精度,提出基于灰色关联度的敏感性评价模型.灰色关联度模型能有效计算各比较样本与参考样本之间的定量的关联度,具有建模过程简洁和评价精度高的优点,该模型目前在区域滑坡敏感性评价中的应用还没有引起研究人员的足够关注且有待进一步拓展.拟将灰色关联度模型用于浙江省飞云江流域南田—雅梅图幅(南田地区)的滑坡敏感性评价,并将得到的评价结果与SVM模型的敏感性评价结果作对比分析.结果显示,灰色关联度模型在高和极高敏感区的滑坡预测精度优于SVM模型,而在中等敏感区的滑坡预测精度略低于SVM模型;整体而言,灰色关联度模型对整个南田地区滑坡敏感性分布的预测精度略高于SVM模型.对两个模型建模过程的对比结果显示,灰色关联度模型建模较简单,具有比SVM模型更高的建模效率,为滑坡敏感性评价提供了一种新思路.     

油藏数值模拟中地质模型的建模流程与方法

围绕油藏数值模拟过程中三维地质模型的建模技术进行了分析与探讨,详细介绍了基于角点网格模型的建模方法,给出了相应的实现步骤。其主要流程是:首先根据断层数据构造断层模型,在断层模型的基础上构建骨架模型;然后在骨架模型约束下采用地层恢复技术实现含断层的地层模型;最后基于结构模型插值物性参数完成属性模型。以塔河油田缝洞型油藏为例,对建模流程和技术的可行性进行验证,结果表明,其建模结果与专业地质建模软件Petrel相符。     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。      

改进的支持向量机方法在矿山地质环境质量评价中的应用

传统支持向量机（SVM）评价模型中网格搜索法对参数的选择受到主观因素的影响,选用粒子群算法对SVM模型进行优化,并应用改进的SVM模型（PSO-SVM）对长吉图经济区135个矿山进行地质环境质量评价。PSO-SVM模型的评价结果与综合评价结果的相同率（注：该相同率是指两个评价结果相同的个数占所有评价样本数的百分比）达到95.56%,与SVM模型评价结果的相同率达到91.11%。结合研究区实际情况并分析三种评价结果得出,PSO-SVM模型的评价结果更符合实际情况。改进的支持向量机方法能够避免人为因素影响,提高矿山地质环境评价水平,在评价中具有可行性和有效性。基于改进的支持向量机方法评价结果表明,研究区矿山地质环境受矿山开采等人为活动的影响,54.1%的矿山遭受严重破坏（III级）,25.9%为中度破坏（II级）。评价结果可为研究区矿山环境恢复治理提供决策支持。     

地下结构孕险环境危险性预警的改进SVM模型

针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。     

Forecasting Spontaneous Heating Susceptibility of Indian Coals Using Neuro Fuzzy System

Coal mine fires due to spontaneous heating have been a great concern both for the industry and researchers worldwide. They start in a very small scale and gradually expand in size resulting in environmental, safety and economic concerns. Most of these fires could be averted if suitable preventive measures are taken. Since the spontaneous heating potential of all types of coals are not the same, its accurate forecasting is essential to plan efficient preventive measures, production schedule and storage capabilities of a mine. This study presents a neuro-fuzzy approach for forecasting the auto-oxidation of coals based on laboratory test results on fifty cone coal samples collected from different coalfields of India. Using the constituents of proximate analysis as input parameters, crossing point temperature (CPT) is predicted using adaptive neuro-fuzzy inference system (ANFIS) model. Gaussian membership function has been adopted for describing the input variables. The results indicate that ANFIS model can predict CPT values with reasonable accuracy.     

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.     

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.     

基于支持向量机的水库诱发地震分析

将诱发水库地震的主要因素（岩性、岩体完整性、断层性质、库区区域应力状态、库区地震活动背景）划分为11个因子,并进行定量化;再根据每个样本到所属类内超平面的距离计算每个样本点的模糊因子,确定其对分类超平面影响大小;然后建立水库地震的支持向量机（SVM）和模糊支持向量机（FSVM）模型,并应用于水库诱发地震等级预测。实例分析表明,两种模型均可用于水库诱发地震等级预测,具有预测精度较高、考虑因素全面的特点,相比之下SVM模型预测结果略优于FSVM模型。另外,在应用SVM和FSVM进行分类时,如果样本离散性较高,则SVM模型优于FSVM模型;相反,如果样本离散性较低,则FSVM模型优于SVM模型。     

非线性支持向量机在油气预测中的应用

油气预测的传统方法通常是基于经验风险最小化准则,但在有限样本情况下,预测效果并不理想.研究引入基于结构化风险最小化准则的非线性支持向量机方法,通过对推广误差界的最小化达到最大的泛化能力和全局最优,时于小样本数据,该方法具有可靠的预测能力.在对四川观音场构造面新统上部碳酸盐岩储层数据处理中.通过实例试算,结果表明该方法有效可靠,预测精度高,与已知结果吻合较好.     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。