基于深度学习的旧金山湾水质预测

传统的水质预测模型计算复杂，且在大对流情况下会引发误差，对于大数据时代下智能化的水质预测问题并不适用。本文针对旧金山湾地表水质研究区的数据资料，利用数据分析、统计检验、深度学习时序模型等技术方法对该研究区的水质进行研究，根据主成分信息构建了长短时记忆（LSTM）循环神经网络模型，对研究区的5个地表水质采样站点进行了水质预测。结果表明：长短时记忆循环神经网络模型通过门控制循环和记忆单元结构，有效控制传入模型的输入特征，从而降低模型的复杂度；双层长短时记忆循环神经网络模型较单层长短时记忆循环神经网络模型的预测精度平均提高5.3%。利用LSTM模型可以对旧金山湾地表水质进行有效评价。     

基于Stacking模型融合的深基坑地面沉降预测

为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明：Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型（随机森林、支持向量机和人工神经网络）,Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

基于遗传BP神经网络的地下水位预测模型

地下水水位动态预测对农田土壤盐渍化防治、地下水地表水资源的合理调度具有十分重要的意义。以新疆和静县某地下水观测井为研究对象,选择月均蒸发量、气温和灌溉量3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达地下水位与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.040 3,测试样本的网络输出值与网络目标值的相关系数达0.967 3,模型预测效果较佳。研究结果为区域地下水的开发利用与保护提供参考依据。     

基于光纤监测和PSO-SVM模型的马家沟滑坡深部位移预测研究

滑坡位移预测效果一方面取决于预测模型的优劣,另一方面取决于野外监测数据的质量。针对目前滑坡常规监测技术与评价方法的不足,本文采用光纤监测技术、监测数据与PSO-SVM预测模型相结合的评价方法,对三峡马家沟Ⅰ号滑坡的深部位移进行了预测;通过对320个滑坡深部位移光纤监测数据分析,基于时间序列法,将滑坡位移分为趋势性位移和波动性位移;趋势性位移采用拟合法进行预测,波动性位移采用PSO-SVM模型进行预测;最后将趋势项和波动项位移预测值叠加得到累积位移的预测值。研究结果表明,PSO-SVM模型对波动性位移预测的均方根误差0.51 mm,平均绝对百分误差0.37 mm,能准确预测滑坡波动项位移;累积位移预测值与实测值的相关系数为0.98,均方根误差为0.54 mm,预测效果较好,可以用来对滑坡深部位移进行短期预测。     

基于变分模态分解的机器学习模型择优风速预测系统

精准的风速预报对风力发电系统具有重要意义,但风速信号自身固有的随机性使其波动复杂且不可控,以往的研究采用单一或固定的组合模型很难把握风速序列的特征.提出一种基于分解的机器学习模型择优风速预测系统,采用变分模态分解算法降低原始风速序列的复杂度.进而利用模糊神经网络、非线性自回归神经网络、Elman神经网络、反向传播神经网络和自回归差分移动平均模型构成机器学习模型择优系统,分别对子序列的验证集进行预测,通过均方根误差等性能指数选择其最优模型,提高了整体模型的预测精度.试验采用宁夏地区4个站点的实测风速数据,仿真实验结果表明,所提模型相比于单模型以及较新的深度学习组合模型,具有更高的预测精度.     

堆叠集成模型径流预报效果的影响因素研究

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支持向量回归、多层感知机作为元学习器,建立多个堆叠集成模型,并基于平均绝对误差、均方根误差、纳什效率系数构建综合评价指标,对各集成模型的预报效果进行了对比分析。研究表明,堆叠集成模型的预测效果与基学习器的数量无关,与基学习器的质量呈正相关关系。此外,不同的元学习器选择也会对堆叠集成模型的预测效果产生影响。该研究可为利用堆叠集成模型进行径流预报提供科学指导。     

极端波浪荷载作用下近海桥梁下方海床瞬态液化稳定性研究

为研究极端波浪荷载作用下近海桥梁下方密实海床的瞬态液化稳定性,通过求解RANS方程和Biot方程,建立了极端波浪作用下箱梁下方密实海床动力响应的有限元数值模型。将该模型与以往试验结果对比,验证了该模型的准确性,基于此模型进一步研究了极端波浪作用下箱梁周围的波浪压力场分布及波浪特性、淹没深度对桥梁下方密实海床瞬态液化稳定性的影响。研究结果表明:处于淹没状态的箱梁对周围波压场影响较大,箱梁迎浪侧密实海床的瞬态液化深度大于背浪侧,液化深度幅值距离箱梁1/10~1/8波长范围内达到最大;随着波高与波浪周期的增大,箱梁左、右两侧密实海床瞬态液化深度均增大;在迎浪侧,当箱梁刚好完全被淹没时,海床瞬态液化深度最大,而在背浪侧,随着淹没深度增加,箱梁下方海床趋于安全。其研究结果可为跨海桥梁安全性分析提供参考。     

极端波浪荷载作用下近海桥梁下方海床瞬态液化稳定性研究EI北大核心CSCD

为研究极端波浪荷载作用下近海桥梁下方密实海床的瞬态液化稳定性,通过求解RANS方程和Biot方程,建立了极端波浪作用下箱梁下方密实海床动力响应的有限元数值模型。将该模型与以往试验结果对比,验证了该模型的准确性,基于此模型进一步研究了极端波浪作用下箱梁周围的波浪压力场分布及波浪特性、淹没深度对桥梁下方密实海床瞬态液化稳定性的影响。研究结果表明:处于淹没状态的箱梁对周围波压场影响较大,箱梁迎浪侧密实海床的瞬态液化深度大于背浪侧,液化深度幅值距离箱梁1/10~1/8波长范围内达到最大;随着波高与波浪周期的增大,箱梁左、右两侧密实海床瞬态液化深度均增大;在迎浪侧,当箱梁刚好完全被淹没时,海床瞬态液化深度最大,而在背浪侧,随着淹没深度增加,箱梁下方海床趋于安全。其研究结果可为跨海桥梁安全性分析提供参考。     

基于小样本卷积神经网络的主动源P 波初至拾取方法

地震走时成像结果的准确性取决于初至到时的拾取精度,人工挑选初至效率低、成本高。前人研究表明深度学习可以应用于初至的自动拾取,然而传统的深度学习方法往往需要大量人工挑选的初至作为神经网络的训练集。文章利用U型卷积神经网络拾取单炮多道P波初至,研究表明P波初至拾取的均方根误差会随着训练集数量的增加而减少。训练集分别采用35炮和597炮数据时,对应的均方根误差分别为11.4和6.5 ms。参考半监督学习中数据增强方法,选取适合主动源数据的增强方法（随机剪裁、随机擦除等）用于拓展训练集。结果显示,以人工拾取总数据量的5%（35炮）作为小样本并进行随机擦除数据增强后,实现了均方根误差在5.5 ms（约3个采样点）以内,比未经增强的误差减少51%。与前人的深度学习方法相比,本文应用的数据增强方法可以在小样本的情况下实现主动源地震初至的高精度拾取。     

利用PLSR-DNN耦合模型预测TBM净掘进速率

科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义。鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型。基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析。研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96%,平均相对预测误差3.27%,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型。     

北京市生活垃圾产生量预测方法的比较分析

依据北京市1991~2006年的生活垃圾产生量及其相关影响因子,运用多元线性回归法、灰色模型、BP神经网络3种预测模型进行了模拟,并预测了北京市2007年和2010年的垃圾产生量,通过绝对百分误差(MAPE)等指标比较了预测精确度。结果表明,BP神经网络综合考虑了各种因素的影响,较前两者的拟合和预测精度高。     

基于多因素-多尺度分析的阶跃型滑坡位移预测

为了定量分析阶跃型滑坡位移与诱发因素之间的时滞效应,提高位移预测精度,本文提出新的预测模型并进行对比分析。首先基于时间序列分析将滑坡累计位移分离为趋势项和周期项;然后采用最大信息系数(C_mi)、多元经验模态分解(MEMD)方法进行多因素分析和多尺度分析,构建出多因素-多尺度MEMD预测模型;最后以三峡库区八字门滑坡为例,通过C_mi选取最优滞后期的诱发因素作为模型输入,在用MEMD方法分解多元序列的基础上建立时间多尺度模型,并与单因素-单尺度模型、多因素-单尺度模型及单因素-多尺度EMD(经验模态分解)模型进行对比。结果表明：八字门滑坡降雨和库水位的最优滞后期分别为2 d和4 d;滑坡多元序列经MEMD方法分解后得到3组模态函数,每组均有7个分量,各对应分量的时间尺度一致,其中周期项位移受诱发因素的响应具有时间多尺度特性;多因素-多尺度MEMD预测模型的均方根误差相较于以上3种对比模型分别平均降低49.4%、36.9%和27.4%,平均绝对百分比误差分别平均降低38.0%、26.4%和15.8%。     

高速铁路桥梁桩基工后沉降组合预测研究

通过现场沉降监测,获取了高速铁路桥梁桩基沉降的大量实测数据。据此分析了成桥过程中桩基沉降发展的规律及其沉降曲线特点。对桩基最终沉降,采用单项预测模型进行了拟合预测,通过预测效果的评价指标分析,指出了客运专线铁路无碴轨道铺设条件评估技术指南中评价预测模型合理性仅局限于相关系数指标的不足,建议引入均方误差MSE、平均绝对百分比误差MAPE和平均绝对误差MAE指标进行综合检验、评价,并提出了这些评价指标相应的参考值。引入组合预测模型进行高速铁路桥梁工后沉降预测,对比分析现有组合预测模型的特点,提出了高速铁路桥梁桩基工后沉降预测应遵循的具体步骤和原则。研制了桥梁桩基沉降加权组合预测电算程序BriFSCF,可大大提高预测准确度和效率。通过工程实例验证表明,最小二乘准则下的最优组合预测方法效果较好,可作为预测的优选模型。其结果可供高速铁路合理铺设轨道时间的确定、工后沉降计算参考和利用。     

基于LSTM神经网络的煤矿突水预测

针对煤层底板突水预测问题,在总结现有突水预测方法和理论的基础上,通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素,这些因素具有复杂、非线性的特点。提出基于长短时记忆（LSTM）神经网络构建的突水预测模型,将煤矿突水实例的数据作为样本数据对模型进行训练。最后,将LSTM神经网络模型与遗传算法-反向传播（GA-BP）神经网络模型和反向传播（BP）神经网络模型进行对比实验。实验结果表明,LSTM神经网络模型在测试集上的预测正确率更高,稳定性更好,更适用于煤层底板突水预测。      

基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测

立节镇北山滑坡长期处于蠕动变形状态，已多次发生滑坡、泥石流灾害。监测地表形变，以掌握灾害体地表形变规律，是实现地质灾害预警预报的可靠依据。文章引入一种机器学习模型——长短期记忆网络，通过立节北山监测点位移数据，运用该方法对立节北山滑坡变形进行预测，并且将预测结果与实际数据进行比对和分析。文章预测结果评价指标选用均方根误差、平均绝对误差、决定系数以及可解释方差，其中决定系数和可解释方差均达到0.99，预测值和真实值的拟合均方根误差和平均绝对误差也表现较低，说明长短期记忆网络在立节北山滑坡变形的预测中达到了良好的预测性能。     

基于集成学习与贝叶斯优化的岩石抗压强度预测

岩石抗压强度是评估岩体工程稳定性的重要力学参数,传统统计回归方法对于岩石抗压强度预测存在一定的局限性.为此,提出了一种利用简单岩石力学参数实现岩石抗压强度智能预测的方法,首先收集了620组含不同类型岩石的三轴试验数据,然后分别采用随机森林(Random Forest,RF)、极限梯度提升树(XGBoost,XGB)和轻量梯度提升机(LightGBM,LGB)3种主流的集成学习算法建立了岩石抗压强度预测模型,使用贝叶斯优化算法在模型训练过程中进行超参数优化,最后利用决定系数(R²)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)对优化后模型的泛化能力进行了综合评估和对比分析.此外,利用LGB模型对输入特征进行重要性分析,以评估不同输入特征对模型泛化性能的影响重要程度.研究结果表明：所建立的3种模型对岩石抗压强度均取得了较好的预测结果,其中LGB模型泛化性能优于另外两种模型(R²=0.978,RMSE=5.58,MAPE=9.70%),且运行耗时相对最少.弹性模量(E)、围压(σ₃)和密度(ρ)对模型的泛化性能影响较...     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。