基于人工神经网络的矿井构造定量评价

探讨了矿井构造定量评价的人工神经网络方法，结合东坡井田讨论了BP模型的输入层，隐含层和输出层的构置和优选等问题，利用东坡井田已知资料使用有序地质量最优分割方法和插值法得到学习样本，经过学习样本的训练，对未知单元进行评价。     

人工神经网络方法在桩基检测中的应用

提出了一种基于桩基动测波动数据的人工神经网络识别方法,所建立的多层神经网络通过对已知样本的学习,可实现对未学习样本（桩基检测数据）的识别,指出桩基中存在的缺陷。实际检验的结果表明该方法具有良好的应用前景     

支持向量回归机在滑坡安全可靠度评价中的应用研究

探讨支持向量机的参数优化方法,将学习能力较强的支持向量机引入滑坡可靠度评价当中,并根据数理统计的理论,对滑坡稳定性敏感性因素作数据处理,并证明其合理性,在此基础上提出一种改进的可靠度指标的计算方法。为便于对比,分别选取49个学习样本和121个学习样本两种计算模型,计算实例表明,这两种计算模型与蒙特卡洛模型计算结果非常接近,充分体现了在小样本的情形下支持向量机的优势,说明将其应用于滑坡安全可靠度评价中是可行的。     

人工神经网络氡气灾害模型在铀矿山的应用

对多层前馈神经网络模型(BP神经网络)的结构特点、数据分析、学习方法和过程等内容做了分析。以中核抚州金安铀业有限公司铀矿山氡气状态为学习训练样本及预测样本,建立铀矿山氡气灾害模型。讨论了基于BP神经网络技术的氡气灾害模型分析方法及其有效性。通过实例样本的训练检验表明,采用人工神经网络方法对铀矿山氡灾害预测取得了比较满意的效果,为神经网络在铀矿山氡气灾害预报的应用提供了可行性。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

基于Alpha稳定分布概率神经网络的围岩稳定性分类研究

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。     

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。     

应用灰色关联分析进行城市地表水环境质量评价

用于水环境质量评价的方法较多,而灰色关联分析法主要体现的是待评价样本与环境质量分级标准在整体上的关联程度.应用该方法进行城市地表水环境质量评价,得出了各待评价样本所属的环境质量级别,验证了该方法的实用性、准确性和可靠性.     

基于滑坡破坏模式分析的易发性评价——以三峡库区首段泄滩河左岸为例

三峡库区首段发育有大量岩质滑坡,其中很多灾害点极具隐蔽性且目前并未被查明。文中以三峡库区首段泄滩河左岸为研究区,以区内唯一破坏的卡门子湾顺层岩质滑坡为例,在分析其成因机制的基础上归纳总结了该地区顺层岩质滑坡的破坏模式,并以此确定了高程、坡度、坡向、起伏度、平面曲率、剖面曲率、地层岩性、距河流距离及距道路距离共9个评价指标因子及疑似滑坡隐患点,将这些灾害隐患点作为滑坡样本,运用ALSA模型开展研究区的滑坡易发性分区,最后采用ROC曲线及现场复查等方法验证评价结果的可靠性。预测结果表明：研究区内顺层岩质滑坡的极高易发区和较高易发区大致呈面状分布,主要集中在岩性为侏罗系中统上沙溪庙组紫红色泥岩夹砂岩和西北坡向的近库岸地区。现场验证发现易发分区结果与滑坡破坏模式分布规律较吻合,表明基于滑坡破坏模式选择滑坡样本得到的滑坡易发性结果在整体上也能反映研究区滑坡概率空间分布规律,在缺乏准确滑坡样本时可作为一种替补方案。上述研究结果为基于滑坡破坏模式选取滑坡样本开展易发性评价工作提供了理论支持和科学依据。     

钻进信息综合集成系统研究与开发

钻进过程同步传输地层信息钻进参数信息,工况信息,以达到钻进过程信息化,科学化.利用人工神经网络技术同步判断所钻地层的岩性,可以弥补由于地质因数和技术因素原因造成采心上的问题所引起的地层失真缺陷.本技术通过野外生产实际和室内实验证明其可靠性与实用性,加强岩样的样本学习扩大岩样的样本库容,可以提高人工神经网络的判层精度.     

人工神经网络在水源地影响评价中的应用

为了评价水源地开采过程中对周围地下水环境的影响，本文运用BP神经网络模型建立了有4个输入、2个输出的三层网络模型，通过BP网络学习训练，得到水源地的BP网络模型，并运用该模型预测了在不同条件下因水源地开采所引起的降落漏斗秒地下水补给量，计算表明，BP神经网络用于模拟地下水系统简便，实用，能很好地预测地下水动态变化情况。     

BP神经网络在某油田区地下水质量评价中的应用

对误差反向传播(error back propagation,简称BP)人工神经网络在水质评价中应用的原理进行了分析,并将其应用于地下水质量评价.首先,利用MATLAB7的神经网络工具箱,根据GB/T 14848-93《地下水质量标准》,构建出10-11-5三层结构的BP人工神经网络模型,并对某油田区的地下水水质进行了...     

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。     

基于人工神经网络的喀斯特地区水资源承载力综合评价——以贵州省为例

运用BP网络对贵州喀斯特地区水资源承载力进行综合评价,并与灰色关联投影法评价结果进行对比。结果表明,两种方法的评价结果整体差别不大,但安顺市和铜仁地区的承载力差别很大。神经网络法所得结果,铜仁地区水资源开发利用潜力最大,而安顺市则很小,仅高于贵阳市;但灰色关联投影法所得结果,铜仁地区的水资源承载力却比安顺市低很多。通过与前人研究结果比较,BP网络的评价结果更加符合实际情况。应用Kohonen网络进行分析,结果表明水资源总量和经济发展水平是影响贵州各地区水资源承载力的主要因素;此外,人口对遵义市的水资源承载力也有较大的影响,铜仁和毕节地区受喀斯特的影响较其他地区显著。      

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

基于BP神经网络的农户生计风险评价模型

当今,农户生计风险在农村社会建设的过程中是最为重要和核心的问题之一。作为基本的社会经济单元,农户正面临着来自经济、社会和自然等各方面的风险。石羊河流域农户由于面临着严峻的风险冲击使其生计脆弱性进一步加剧。所以,急需辨明流域农户面临的主要风险类型,并依此找寻提高农户风险应对能力的对策措施。针对流域农户生计风险的非线性关系和复杂性特征,以及BP神经网络的适用性范围,建立了基于BP神经网络的农户生计风险评价指标体系。并基于入户调查数据,运用熵权法计算得出流域农户生计风险评价指标体系中各种生计风险变量。同时,根据石羊河流域农户所面临生计风险的特征,基于BP神经网络结构模型,确定了其评价结果的表征方法。最终对模型的可行性进行了验证。研究表明：基于BP神经网络的生计风险评价模型对定量化测度农户生计风险的适用性较强,这可为决策部门定量评估农户生计风险提供依据。     

神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

基于遗传算法优化BP神经网络的玉米遥感估产方法

以内蒙古自治区开鲁县玉米作物为研究对象,将生育期内玉米遥感影像所提取的多种植被指数和实地采样点的测产数据作为训练值,利用BP(back propagation)神经网络和遗传算法优化BP(GA-BP)神经网络估产模型,得出网络预测的玉米产量数值。通过决定系数R 2和均方根误差RMSE,比较实测产量与预测产量之间的精度,BP神经网络模型R^2为0.8452,RMSE(%)为28.37;遗传算法优化BP神经网络模型R^2为0.9850,RMSE(%)为6.70,表明遗传算法优化BP神经网络估产模型具有一定可行性和可信度。     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。