基于生物地理优化的人工神经网络模型预测软土的固结系数

软土固结系数C_v是岩土工程结构设计中的重要参数,测试固结系数需要花费大量的时间和成本。基于生物地理学优化算法(biogeographical optimization algorithm,BBO)来改进人工神经网络(artificial neural network,ANN)模型,使用生物地理优化的人工神经网络(ANN-BBO)模型对软土固结系数进行计算。基于连淮高速公路改扩建项目的路基软土数据对计算模型进行了训练和测试。通过相关系数矩阵和主成分分析对软土的11个物理力学参数进行了统计分析,确定了7个参数作为计算模型的输入参数,并对计算模型进行了训练和测试;模型通过相关系数、均方根误差和方差比进行检验,并对误差进行了统计分析;采用蒙特卡罗模拟对计算模型的鲁棒性进行了分析。结果表明：ANN-BBO模型可以用于估计软土的固结系数,相关系数R²=0.947 1,均方根误差RMSE=0.165 7×10^-3 cm²/s,方差比VAF=94.54%;ANN-BBO模型预测精度明显优于ANN模型;ANN-BBO...     

基于PSO-XGB混合优化技术的浅层地下温度预测——以长春市为例

准确预测浅层地下温度对于降低投资风险和推动浅层地热能开发利用具有重要意义。本研究基于粒子群优化(PSO)和极限梯度提升(XGB)的混合模型(PSO-XGB),并将其与K近邻(KNN)、支持向量回归(SVR)、随机森林(RF)和极限梯度提升(XGB)等单一模型进行了比较。首先收集了54组钻孔数据,使用克里金插值法对数据集进行扩充,经过相关性分析最终选择经纬度坐标、年平均降雨量、年平均气温和与断裂距离等因素用作预测100 m地下温度的输入特征。然后利用测试集对预测模型进行验证,使用均方根误差(E_RMS)、平均绝对误差(E_MA)、决定系数(R²)和均方误差(E_MS)等指标评估了模型的性能。结果表明,PSO-XGB混合模型在测试集表现最好,E_RMS为0.070 6,E_MA值为0.054 9,R²值为0.962 0,E_MS值为0.005 0,在精度和拟合程度上明显高于其他模型,可知PSO-XGB混合模型在预测性能方面优于单...     

基于GF-2影像的武汉市九峰山国家森林公园地上碳储量估算

探究国产高分辨率数据在森林碳储量估算研究中的潜力,为构建森林碳储量估算模型提供新思路。选取武汉市九峰山国家森林公园为研究对象,以GF-2遥感影像为数据源,结合地面实测信息,对研究区森林地上碳储量进行估算,共提取6个植被指数、4个波段值、8种纹理特征,筛选出9个与实测碳储量相关的遥感变量,运用线性与非线性方程对单个高相关变量和多个相关变量进行建模,选出最优模型,为进一步提高预测精度,将模型代入4种纹理窗口(3×3、5×5、7×7、9×9)。结果表明：通过遥感图像提取的植被指数之间,具有较强的共线性,单变量建立的模型精度低于多变量模型;利用均方根误差RMSE与决定系数R²对4个窗口下模型的预测精度进行评价,模型在5×5窗口下预测效果最好(R²=0.73,RMSE=0.5),3×3窗口下预测效果最差(R²=0.64,RMSE=0.8),将所有估测模型进行比较,在纹理窗口下模型精度提高了0.11。利用5×5窗口下构建的多变量模型对研究区碳储量进行估算,九峰山国家森林公园碳储总量为1.06×10⁴ t,总体平...     

基于贝叶斯集成学习算法的土体先期固结压力预测模型

准确评估土体的先期固结压力（PS）是岩土工程实践中的一个重要问题.采用集成学习算法（XGBoost、RF）来捕捉各个土体参数之间的关系,建立先期固结压力预测模型.使用贝叶斯优化方法来确定模型的最优参数,并通过与SVR、KNN和MLP三种非集成算法进行对比,统计分析了不同模型在相关系数R2、均方根误差RMSE和绝对平均误差MAPE三种误差指标下的表现;最后在5折交叉验证下,评估各个模型的预测精度及泛化性.结果表明基于XGBoost的预测精度最高,其RMSE及MAPE分别为20.80 kPa和18.29%;其次是RF,分别为24.532 kPa和19.15%.同时在PS作为回归变量的情况下,其特征重要性为：USS>VES>w>LL>PL.因此,在小规模数据集情况下,集成学习算法在预测精度及泛化性上要优于其他算法,且可作为岩土参数敏感性分析的有效方法.     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

基于改进极限学习机模型的岩质边坡稳定性评价与参数反演

岩质边坡的稳定性评价与参数确定是岩土工程领域的经典难题。基于大数据智能计算的优点,提出了一种结合变量遗忘因子的正则化在线序列极限学习机模型(FOS-ELM)的岩质边坡稳定性评价和参数确定方法。根据收集的1 235例岩质边坡的几何力学与Hoek-Brown模型参数,应用贝叶斯信息准则(BIC)优选基于岩体强度指标(GSI)、扰动因子(D)、岩石材料常数(m_i)、单轴抗压强度(σ_(ci))、岩体重度(γ)、坡高(H)、坡角(β)的最优输入组合预测边坡稳定安全系数(F),并建立7个模型对最优输入组合进行评价,论证模型的预测精度,结果表明全参数输入组合精度最高,但输入参数并不是越多越好。同经典的极限学习机模型(ELM)相比,该模型具有预测精度高、预测速度快、后期增加边坡数据无须重新训练等优点。并采用不同赋值的全参数输入模型(FOS-ELM-M_7)建立边坡参数反演模型,结果表明该模型对边坡单参数和双参数的反演计算速度快、精度高,为获取岩体边坡参数提供了一种快捷的新方法。     

基于广义Hoek-Brown准则的节理岩体强度及变形参数随机分析

以赞比亚穆利亚希露天矿边坡为工程背景,在岩石力学试验以及现场勘察测绘数据的基础上,构建了以岩石单轴抗压强度、岩石质量指标和节理调查统计数据为输入参数的概率统计模型,并采用卡方检验对模型进行了吻合度检验。在广义Hoek-Brown准则的基础上,利用MATLAB编程及蒙特卡洛随机分析方法,由输入参数模拟获取节理岩体强度及变形参数的概率分布,得到各参数的取值范围(最小值/最大值)以及平均值、标准差等统计值。采用斯皮尔曼等级相关系数分析了强度及变形参数与各输入参数之间的相关关系。结合边坡工程实例,从破坏概率角度评价了该边坡工程的稳定性状态。该方法可充分考虑节理岩体参数的不确定性和变异性,可为实际工程安全决策提供重要的参考依据。     

基于P波模量的岩石单轴抗压强度预测

传统获取岩石单轴抗压强度参数需要钻进取样、加工制作等严格的试验步骤,需要建立一种参数易于获取且准确的岩石单轴抗压强度预测公式。基于岩石物理力学参数的内在联系,建立了岩石单轴抗压强度与岩石P波模量的关系式。根据英安斑岩和页岩两种岩石的干密度、P波速度及单轴抗压强度的测试数据,采用线性拟合的方法建立了岩石基于P波模量的单轴抗压强度预测公式,并采用统计检验的方法对上述预测公式与传统基于P波速度的预测公式进行了对比分析。结果表明,所建立的强度预测通式简单、精度高,模量容易获取,具有很强的实用性。     

基于P波模量的岩石单轴抗压强度预测EI北大核心CSCD

传统获取岩石单轴抗压强度参数需要钻进取样、加工制作等严格的试验步骤,需要建立一种参数易于获取且准确的岩石单轴抗压强度预测公式。基于岩石物理力学参数的内在联系,建立了岩石单轴抗压强度与岩石P波模量的关系式。根据英安斑岩和页岩两种岩石的干密度、P波速度及单轴抗压强度的测试数据,采用线性拟合的方法建立了岩石基于P波模量的单轴抗压强度预测公式,并采用统计检验的方法对上述预测公式与传统基于P波速度的预测公式进行了对比分析。结果表明,所建立的强度预测通式简单、精度高,模量容易获取,具有很强的实用性。     

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

考虑力学参数不确定性的岩质边坡开挖卸荷响应概率评价

鉴于目前关于节理岩体力学参数空间变异性表征及存在潜在滑移面边坡的可靠性问题研究较多,但对于岩质边坡力学参数空间变异性影响及开挖卸荷响应(变形与塑性区)不确定性分析的研究较为有限。提出考虑力学参数不确定性的岩质边坡开挖卸荷响应概率评价方法,该方法以室内岩石力学试验及现场地质勘察测绘数据为基础,利用Hoek-Brown经验准则与Monte Carlo分析手段,构建了以岩石单轴抗压强度(uniaxial compressive strength,简称UCS)、地质强度指标(geological strengthindex,简称GSI)和节理工程参数为输入的边坡岩体力学参数概率统计模型,并采用卡方检验进行模型的吻合度检验;基于点估计原理构建岩体力学参数组合方案,并结合数值模拟开展边坡开挖过程的仿真分析,获得边坡开挖后整体安全系数及位移及塑性区的概率分布。利用该方法对在建京秦高速沿线某路堑边坡岩体力学参数及开挖卸荷响应进行分析,得到了岩体强度、弹性模量、黏聚力与内摩擦角的取值及不确定性分布,采用点估计与FLAC^3D模拟分析,得到了边坡安全系数及典型观测点的位移与塑性区分布结...     

基于BP神经网络的岩土体细观力学参数研究

目前颗粒流计算方法中所采用的细观力学参数,均需根据岩土体宏观力学参数试验结果反复调试获取,调试效率很低且有较大的盲目性,因此,急需引入一种新方法,建立岩土体宏观力学参数与细观力学参数的关系。基于PFC3D程序,采用BP(back propagation)神经网络方法,建立宏观力学参数与细观力学参数的非线性模型,通过输入宏观力学参数,即可快速、准确地反演岩土体细观力学参数。研究结果表明：(1)根据BP神经网络模型反演确定的细观力学参数,输入数值模型计算其宏观力学参数,结果与试验值相比,精度一般高于90%;(2)当模型最小尺度上的颗粒数RES = 10、隐含层含6个神经元时,BP神经网络模型的反演性能最佳。实例计算表明,BP神经网络模型对于岩土体细观力学参数的确定具有良好的反演性能,该方法为颗粒流理论的推广应用提供了新的技术手段。     

冻结过程土体导热系数影响因素及预测模型研究

为探究土体导热系数的基本规律,采用瞬态平面热源法测试了冻结过程土体导热系数。研究了土体在不同温度、含水率和干密度物理指标下导热系数变化规律,分析了这三个物理指标动态变化对土体导热系数的影响机制。基于试验数据,建立了DT、RF、GBDT、AdaBoost、SVR、BPNN共六种机器学习模型以预测土体导热系数,通过四个性能指标评估了六种机器学习模型的预测能力,并与三种经验模型进行了对比。此外,基于RF和GBDT进行了特征重要性分析。结果表明:未冻结阶段土体导热系数无显著变化。剧烈相变阶段,因含水率和干密度的不同,土体导热系数随温度的降低分别呈现出减小和增大的趋势,其中增大的趋势随着含水率的增加而增加。冻结阶段,因测试过程中土样的水分蒸发和迁移,土体导热系数随着温度的降低而减小。土体导热系数均随干密度和含水率的增加而增加。根据评估结果,六种机器学习模型中RF的表现较好(RMSE=0.036,MAE=0.028,R²=0.993,AD=0.004),明显优于三种经验模型,RF相较于经验模型也能更准确地预测出其他地区的土体导热系数,建议使用RF预测冻结过程土体导热系数。特征...     

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。     

东北寒区SWAT模型融雪径流空间异质性参数率定方法及应用——以白山流域为例

融雪水是东北地区春季径流的重要来源,融雪径流过程的可靠模拟及预报可为科学管理和调度春汛期水资源提供参考。东北寒区年度内存在融雪径流和降雨径流两种产流模式,流域物理空间属性差异对融雪径流产流模式影响显著,为了解决东北寒区融雪径流空间异质性问题、提高SWAT模型模拟及预报精度,提出对SWAT模型采用单站点和多站点联合参数率定的策略。首先,利用白山水库入库流量进行单站初步参数率定,进而,采用多站点对融雪径流参数进行率定,并将该参数移植到单站初步率定参数集。结果表明：单站初步参数率定后模拟得到年度(1—12月)、夏季汛期(6—9月)、春季融雪期(3—5月)验证期月尺度确定系数(R²)分别为0.76、0.74和0.58,日尺度R²分别为0.71、0.75和0.51;单站和多站点联合参数率定后模拟得到年度、夏季汛期、春季融雪期验证期月尺度R²分别为0.80、0.74和0.79,日尺度R²分别为0.74、0.78和0.61。在月尺度和日尺度上,单站和多站点联合参数率定较单站参数率定后春季融雪期的模拟精度分别提高了...     

基于融合算法的土石混合体斜坡稳定性预测

土石混合体是物理力学性质较为复杂的地质材料,因此该类斜坡的稳定性评价是工程地质领域的重要课题。为提高斜坡稳定性预测的能力,本文将粒子群算法和果蝇优化算法相互耦合,形成融合算法,并结合机器学习模型,使用决定系数、均方误差和平均绝对误差3个评价指标,构建并评价土石混合体斜坡稳定性的预测模型,最终采用基于融合算法的梯度提升决策树模型对输入参数进行了重要性分析。结果表明:(1)相比于粒子群和果蝇优化算法,融合算法能够有效优化机器学习模型的参数,从而较为明显地提升模型预测精度。(2)基于融合算法的梯度提升决策树模型预测精度最高,达到93.33%,明显优于融合算法下的决策树模型和Stacking模型。(3)影响土石混合体斜坡稳定性的结构因素,其重要性从高到低分别为基覆面倾角、含石率、总体坡角、坡高。     

采用支持向量回归从测井曲线定量计算油页岩含油率

获取油页岩含油率是油页岩资源评价的重要步骤,传统从测井曲线计算油页岩含油率多采用回归模型,但存在误差大或过拟合的局限性和弱点.本文尝试结合大数据概念的数据挖掘算法和测井应用知识进行油页岩含油率定量计算,提高含油率计算的精度以及模型的泛化性.利用改进的ΔlogR技术获得DT_s、DEN_s、GR_s作为解释变量.采用数据挖掘算法——支持向量回归进行定量计算油页岩含油率能够大幅提高泛化性和精度,获得模型训练样本R²得分为0.82,测试样本R²得分可达0.70,拟合精度较高.支持向量回归模型比传统回归模型泛化能力更强,能够避免过拟合问题,具有广泛的应用性.     

不同尺度的土壤含水量主被动微波联合反演方法研究

土壤含水量是水文、农业和气象等领域的关键参数,而微波遥感是目前监测土壤含水量最有效的手段之一。本文利用主动微波与被动微波数据,结合其他多源遥感数据,运用随机森林算法分别在主动微波数据分辨率尺度和被动微波数据分辨率尺度下完成主被动微波数据的土壤含水量联合反演。首先对被动微波尺度的地表覆盖类型与归一化植被指数(NDVI)参数进行空间分辨率优化,再利用回归ReliefF方法对两种尺度所用的输入变量的重要性进行评估,并对输入变量进行优选,最后对比主被动微波数据土壤含水量联合反演和单独利用主动/被动微波数据进行反演的精度,分析主被动微波联合反演方法的有效性。结果表明：在主动微波尺度,主被动微波联合反演的精度相比单独利用主动微波数据反演的精度有所提升,相关系数r由0.691升至0.744,RMSE由0.084 8 cm³/cm³降至0.079 6 cm³/cm³;在被动微波尺度,主被动微波联合反演的精度反而比单独利用被动微波数据反演的精度更低,相关系数r由0.944变为0.939,RMSE由0.043 5 cm...     

岩石力学参数标定系统关键技术研究

岩石力学参数建模在地应力建模、甜点预测与井网部署优化等研究工作中起着重要作用。利用常规测井资料计算井点岩石力学参数,并结合地质统计插值建立全区域三维岩石力学参数模型是最为常用的方法之一,但是该方法在一定程度上忽略了测井曲线之间的相关性与约束性。实际上,在很多油气勘探区块,岩石力学非均质性强,利用统计学方法建模会产生较大误差。针对以上问题,本文研发了岩石力学参数标定系统,提出利用与岩石力学参数相关性较强的声波时差、自然伽马参数等测井曲线约束初始岩石力学参数模型,从而克服以上缺陷,提高建模精度,并利用数据分块算法顺利实现了对亿级数量网格单元的岩石力学参数模型标定计算。     

基于量纲分析的岩石相似材料抗压强度计算模型

物理相似模型试验是复杂、难采矿技术研究的有效手段,而岩石相似材料物理力学特性的研究是试验有效进行的前提。根据相似原理和岩石的力学特性,论证了岩石相似材料单轴抗压强度的力学代表性。统计并分析了影响岩石相似材料单轴抗压强度的一系列因素,基于量纲分析的方法构建了岩石相似材料单轴抗压强度与砂粒径、配比材料总量、充填材料（砂）用量、水用量、养护方式等重要因素间的无量纲计算模型,结合岩石相似材料配比试验得到了定量关系式。选取3组具有代表性的岩石相似材料配比试验对所建立的单轴抗压强度计算关系式进行验证,其计算结果与实验室实测结果相吻合,平均误差为4.20%,定量关系式在岩石相似材料参数的研究上具有一定的合理性。研究结果可以为相似材料物理力学参数的预测及岩土工程物理模型试验相似材料的高效选取提供参考。