基于交替迭代算法神经网络评价岩石边坡稳定性

目前边坡工程中常用的稳定性分析方法主要分为极限平衡法和数值分析法2大类，文章对它们各自的主要愿理、特点及其优缺点等进行了阐述。首先，根据经典边坡稳定分析方法存在的局限性，提出有必要建立基于人工神经网络的边坡稳定性预报方法。其次，针对经典算法BP网络存在的某些缺陷，提出了一种交替迭代算法神经网络，以提高其非线性映射能力和泛化能力。交替迭代神经网络算法通过解2个阶数比较低的线性代数方程组，逐步求得连接权值的。以此提高收敛速度，且有利于寻求最优解。作者用FORTRAN语言编制了程序。分析了建立边坡岩体稳定性预测网络模型的建立中应该注意的几个方面。最后，基于已有的40个岩石边坡工程实例进行所建立的神经网络的训练和边坡稳定的预报，结果表明文中所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于改进遗传算法的粘弹性岩体力学参数反演

把模式搜索嵌入目前广为应用的遗传算法中,使之和神经网络有机结合,提出了搜索—遗传—神经网络算法。该方法用经过最佳预测学习算法训练的神经网络来表达粘弹性岩体力学参数和位移之间的映射关系,除具有一般遗传算法的优点外,还提高了参数反演的精度,节省了参数反演的计算时间。结合某工程实例,验证了该方法在粘弹性岩体力学参数反演中的优越性。      

基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。      

预测岩石单轴抗压强度的神经网络方法

本文提出一种根据岩石点荷载强度、密度、岩石类型、孔隙率和粒度预测单轴抗压强度(Rc)的神经网络方法。以反向传播算法和包含96个样本的训练集训练网络模型，以包含71个样本的试验集检验网络。最后，以本模型预测黑沟铁矿钙质千枚岩的30个试件的抗压强度。结果表明，对于预测的单轴抗压强度，神经网络模型能给出比回归模型高得多的精度，比试验方法节省成本和时间。     

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。     

遥感影像云雾分离的BP神经网络方法研究

使用改进算法构造BP神经网络,利用MATLAB中train函数训练,并用sim函数进行仿真,达到提取遥感影像中雾区的目的。图像处理结果表明,BP神经网络方法可以较好地分离影像中的雾区与其他地物。     

人工神经网络在贵州地质灾害易发性分析中的应用探索

贵州省地质环境条件复杂、地质灾害发育严重,开展基于人工神经网络算法的地质灾害易发性分析,对提高全省易发性评价效率、实现智能化分析具有重要意义。本文通过对各种人工神经网络算法的比较,选取径向基神经网络(RBF)、概率神经网络(PNN)、模糊神经网络(FNN)作为模型算法,采用基于GIS平台的空间数据建模软件(SDM)构建基于人工智能的地质灾害风险分析模型系统,通过数据准备、数据处理、模型训练、模型调用、评估优化等步骤,开展基于三种人工神经网络的贵州山区地质灾害易发性分析应用探索。结果表明:(1)三种人工神经网络计算的易发性结果分区合理、精度检验合格,AUC检验显示具有良好预测价值;(2)通过与专家经验分析结果对比,RBF算法的评价结果与实际更为吻合,表明RBF算法可更好地应用于地质灾害易发性分析。     

基于遗传神经网络的瓦斯含量预测研究

瓦斯含量预测取决于多因素、非线性的函数关系的建立 ,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。文中将神经网络与遗传算法有机地结合起来 ,以神经网络理论为基础 ,利用遗传算法优化隐含层神经元个数和网络中的连接权值 ,建立瓦斯含量预测模型。在实验室测试数据的基础上 ,建立遗传神经网络训练和检验样本集 ,其中包含有 38个典型样本 ,并且将检验结果分别与回归模型、标准BP神经网络、自适应BP神经网络的预测结果进行比较。结果表明 :遗传神经网络模型可靠 ,预测精度高 ,为促进软计算技术与瓦斯地质的结合奠定了基础。     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明:反向传播（Back-Propagation,BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。      

基于神经网络和进化算法的混沌序列产生方法

应用具有全局最优的进化规划算法建立产生混沌序列的优化神经网络模型。该模型利用神经网络权值调整的灵活性，能够在同一网络结构中产生的多种混沌序列。计算机仿真结果表明：该模型比BP算法训练的神经网络模型能更好地重构混沌吸引子，调整网络权值即可产生多种混沌序列。     

基于卷积神经网络的智能找矿预测方法：以甘肃龙首山地区铜矿为例

智能找矿预测是数字地质科学的前沿领域。本文基于一种二维卷积神经网络的智能找矿预测方法,以25种元素的水系沉积物数据和航磁数据为找矿预测数据,将已知的矿点作为监督样本,利用步长平移数据增强方法获取了训练数据集,对卷积神经网络进行训练后,将其应用于未知区域的找矿预测。应用该方法对甘肃省龙首山西段高台县臭泥墩—西小口子地区进行了铜矿智能找矿预测,根据已知的3个铜矿点,获取了22 934个训练数据,经过200轮训练之后,预测精度能够达到98.1%,最终圈定了5个预测区,5个预测区均具有良好的铜矿找矿远景。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于时序预报神经网络的斜坡变形预测方法

将神经网络理论引入到斜坡变形预测领域，利用时序数据构造训练样本，在训练过程中引入遗忘因子和期望因子，形成相应的网络结构，初步探索出了一条新的预测斜坡变形的理论方法。     

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RBF神经网络的软基短期沉降预测研究

RBF(radial basis function)神经网络是一类比较优越的前向式多层神经网络,比传统的BP网络有较快的收敛速度.以深圳湾西部通道填海软基沉降的预测分析为例,探讨采用RBF神经网络解决这一问题的方法.采用插值方法构建时间间隔统一的时间序列数据并进行归一化处理,在此基础上建立了沉降变形时间序列的RBF神经网络模型,通过训练网络模型来预测沉降量.计算实例表明,模型具有运算速度快、预测精度高的特点,是一种具有应用前景的软基预测新方法.     

PNN在煤田随钻测井岩性判识应用研究

介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求.     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于自适应可变滤镜的地类变化预测模型

随着土地开发建设规模不断扩大,土地利用情况也在逐年发生变化,准确预测未来土地利用的发展趋势,可以为本地区的土地利用规划提供依据,提升本地区的土地利用效率。传统方法一般采用CA_Markov、ANN以及CA_ANN模型进行预测,存在训练时间长、预测精度不足和缺乏说服力等问题。本文针对上述问题,结合元胞自动机以及人工神经网络模型,建立一种自适应可变滤镜网络模型,针对特定大小区域内的土地类别数目,创建多类数据集来训练不同参数的多个神经网络,可以成功预测未来土地变化的情况,这样就避免了训练单一网络时数据对网络权值的抵消。相比于传统模型中效果最好的CA_ANN模型,本文建立的自适应可变滤镜网络模型不仅总体精度提高了1%~3%,各种地类转化精度提高了12.82%~33.33%,模型预测时间也缩减了49.47%。     

Back-analysis for initial ground stress field at a diamond mine using machine learning approaches

Exact knowledge for ground stress field guarantees the construction of various underground engineering projects as well as prediction of some geological hazards such as the rock burst. Limited by costs, field measurement for initial ground stresses can be only conducted on several measure points, which necessitates back-analysis for initial stresses from limited field measurement data. This paper employed a multioutput decision tree regressor (DTR) to model the relationship between initial ground stress field and its impact factor. A full-scale finite element model was built and computed to gain 400 training samples for DTR using a submodeling strategy. The results showed that correlation coefficient r between field measurement values and back-analysis values reached 0.92, which proved the success of DTR. A neural network was employed to store the global initial ground stress field. More than 600,000 node data extracted from the full-scale finite element model were used to train this neural network. After training, the stresses on any location can be investigated by inputting corresponding coordinates into this neural network.