中强地震下砖混结构建筑的抗毁性分析

砖混结构建筑易损性和所处地震环境是影响砖混结构建筑抗毁性分析的关键因素,当前针对中强地震下砖混结构建筑的抗毁性分析存在较大难度,大多依靠地震后建筑受损毁程度分析砖混结构建筑的抗毁性,分析得到的抗毁性结果误差较高,需要深入分析中强地震下砖混结构建筑抗毁性,采用砖混结构建筑振动模型分析地震下建筑各楼层位移变化,确定砖混结构建筑在不同破坏性地震下的受损规律,在此基础上,设计地震动砖混结构建筑加固模型,采用最小二乘法拟合中强地震下加固模型的地震动功率,构建中强地震下砖混结构建筑抗毁性估计模型,预测建筑抗毁系数随机均值谱变化情况,采用实验验证该方法的应用效果,证实该方法的有效性。     

混凝土高层建筑结构地震破坏抗毁能力评估

提出基于构件性能的混凝土高层建筑结构地震破坏抗毁能力评估方法,采用强度与延性法分析混凝土高层建筑构件强度和变形,以对强震作用下混凝土高层建筑结构性能实施准确描述。基于建筑结构性能以及多条地震波情况下高层建筑结构倒塌极限状态的分析规范,采用IDA方法设置建筑结构抗倒塌能力系数,并依据该系数获取基于构件性能的混凝土高层建筑结构地震破坏抗毁能力评估流程,实现建筑结构地震破坏抗毁能力的准确评估。实验结果说明,所提方法实现了混凝土高层建筑结构地震破坏抗毁能力的准确评估。     

半监督最小二乘支持向量机的研究及其在海上油田储层预测中的应用（英文）

勘探开发初期海上油田钻井少、井间距离大,在应用地震多属性分析技术预测储层参数的过程中,直接采用监督最小二乘支持向量机算法预测精度较低。本文将最小二乘支持向量机与半监督学习理论结合,提出基于最小二乘支持向量机协同训练的半监督回归模型,并在模型训练过程中引入矩阵迭代求逆的方法,提高模型训练速度。利用UCI数据集实验研究,对比了半监督与监督最小二乘支持向量机模型,结果表明,半监督学习机制能够有效地提高最小二乘支持向量机的泛化性能,且随着训练样本的减小,效果更加明显;同时对比了半监督最小二乘支持向量机与半监督k-临近算法,结果显示,在小样本建模中,半监督最小二乘支持向量机有着更高的预测精度。最终将半监督最小二乘支持向量机运用于锦州工区,预测该区的砂体及储层孔隙度的分布,获得了较好的地质效果。     

基于改进的贝叶斯推断和最小二乘支持向量机的非线性多波联合AVO反演（英文）

多波地震资料采集和处理技术的发展促进了联合PP波和PS波数据的多波联合AVO反演的应用,常规多波联合反演是线性的,通常基于Zoeppritz方程近似式进行多次迭代,导致其在远炮检距情况下求解得到的纵、横波速度和密度等参数精度不高。多波联合反演存在非线性问题。为此,本文提出了一种基于精确Zoeppritz方程的非线性反演方法。该方法结合改进的贝叶斯推断和最小二乘支持向量机方法来求解非线性反演问题。首先,采用粒子群算法来优化贝叶斯推断的参数初始值。改进的贝叶斯推断是通过最大化超参数的后验概率来获得最小二乘支持向量机的最优参数,提高了最小二乘支持向量机的学习和泛化能力。然后,利用此最优参数建立PP波、PS波反射振幅与弹性参数之间的最优非线性最小二乘支持向量机模型,从而提高了多波联合反演的精度。该方法只需训练一次模型,就可以解决多波联合反演的非线性问题。模型测试表明,利用该方法反演出的弹性参数精度要高于仅用PP波进行贝叶斯线性近似式反演得到的结果。此外加噪模型数据的反演结果表明,该方法具有较好的抗噪性。实际多波资料的应用进一步验证了方法的可行性及其相对于PP波贝叶斯线性近似式反演的优势。     

基于最小二乘支持向量机的城市桥梁震害预测模型研究

针对地震中城市桥梁震害状态具有较强的非线性、复杂性的特点,采用了具有RBF核函数的最小二乘支持向量机(LS-SVM)算法。在大量收集我国地震中城市桥梁震害资料的基础上,将此算法引入桥梁的震害预测中,选取了地震烈度、上部结构、地基失效程度、支座类型、墩台高度、桥梁跨数和场地类别等因素作为模型的特征输入向量,建立了最小二乘支持向量机的桥梁震害预测模型。通过反复地样本训练及模型参数设置,仿真结果表明,该方法具有一定的准确度和可行性。基于最小二乘支持向量机的桥梁震害预测方法是一种可以用于地震中桥梁震害预测的良好方法。     

基于复杂网络的建筑物强震下抗毁性估计模型

城市所处的地震危险性环境和城市建筑物的易损性是影响复杂网络建筑物强震环境下抗毁能力的关键因素。由于现阶段对建筑物抗震抗毁能力的评定仍存在一定困难,对建筑物震害程度测评只能通过强震之后建筑物受破坏的程度进行评估,且评估结果不够精准,因此提出基于复杂网络的建筑物抗震能力的评估方法。考虑到地震中的危险性因素,以地面峰值加速度为参数对强震环境下复杂网络建筑物抗毁性进行测评和分析,在此基础上提出对复杂网络下建筑物的防震抗毁能力进行评估的相对建筑物抗震性能指数,并结合建筑物抗震能力评估标准确定其抗震能力水平;再进行仿真实验加以测量,并结合震害经验,证实该方法的有效性。     

Ricker子波核最小二乘支持向量机在地震勘探信号去噪应用中的参数设置研究

最小二乘支持向量机（LS-SVM）用于拟合回归处理时的参数设置一直是一个难题，它会受到信号类型和强度、核函数类型、噪声强度、计算精度要求等因素的影响.本文针对Ricker子波核LS-SVM去除地震勘探信号中随机噪声问题，讨论和分析了向量机参数、核参数对去噪性能的影响.实验表明，核参数f可取为地震记录的主频，不能较准确估计时宁大勿小；向量机参数γ只要不取得过小，一般情况下都是能接受的.采用此方法对含不同强度噪声的地震勘探信号进行了去噪处理.     

基于粒子群优化最小二乘向量机的地震预测模型

为解决地震预测中最小二乘向量机(LSSVM)模型的参数难以确定的问题,利用粒子群算法(PSO)的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,建立了PSO-LSSVM地震预测模型.通过对地震实例的预测仿真及其相关分析表明该方法的有效性.该方法优于传统的神经网络和支持向量机的地震预测方法,可以有效提高预测效能.     

最小二乘偏移方法研究进展综述

最小二乘偏移是一种基于线性化反演理论的真振幅成像方法,其思路是在宏观背景模型的基础上估计出一个最优化的扰动部分对偏移结果进行迭代更新.该方法具有更高的成像精度,是实现地震成像理论由常规地下岩性的几何结构描述向真振幅成像的推进和发展,也是实现高精度储层反演的关键.本文阐述了最小二乘偏移的基本原理,指出了最小二乘偏移与常规偏移的本质区别;介绍了最小二乘偏移的发展历程及研究现状;分析了最小二乘偏移实现过程中的核心问题—Hessian矩阵和反演解的约束条件;探讨了最小二乘偏移存在的问题及今后的的发展趋势,为最小二乘偏移的进一步研究提供参考.     

中国大陆强震时间序列预测的支持向量机方法

统计学习理论（Statistical Learning Theory或SLT）是研究有限样本情况下机器学习规律的理论。支持向量机（Support Vector Machines或SVM）是基于统计学习理论框架下的一种新的通用机器学习方法。它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力。文中使用支持向量机对中国大陆最大地震时间序列进行预测，预测次年的我国大陆最大地震震级，结果表明该方法具有较好的预报效果。研究结果还表明我国大陆强震活动除了与强震时间序列本身有关外，还与全球的强震活动、太阳黑子活动等有密切的关系。尽管这种关系还不清楚，但是通过支持向量机可以很好地反应出这种非线性关系。     

Semi-supervised least squares support vector machine algorithm: application to offshore oil reservoir

At the early stages of deep-water oil exploration and development, fewer and further apart wells are drilled than in onshore oilfields. Supervised least squares support vector machine algorithms are used to predict the reservoir parameters but the prediction accuracy is low. We combined the least squares support vector machine (LSSVM) algorithm with semi-supervised learning and established a semi-supervised regression model, which we call the semi-supervised least squares support vector machine (SLSSVM) model. The iterative matrix inversion is also introduced to improve the training ability and training time of the model. We use the UCI data to test the generalization of a semi-supervised and a supervised LSSVM models. The test results suggest that the generalization performance of the LSSVM model greatly improves and with decreasing training samples the generalization performance is better. Moreover, for small-sample models, the SLSSVM method has higher precision than the semi-supervised K-nearest neighbor (SKNN) method. The new semisupervised LSSVM algorithm was used to predict the distribution of porosity and sandstone in the Jingzhou study area.     

地震预警现地PGV连续预测的最小二乘支持向量机模型

为提升现地仪器地震烈度预测的准确性与连续性,研究面向地震预警的PGV连续预测模型.以中国仪器地震烈度标准的计算参数:0.1~10 Hz带通滤波三分向矢量合成速度峰值PGV为预测目标,利用日本K-net与KiK-net台网P波触发后1~10 s强震数据,基于人工智能中的机器学习方法-最小二乘支持向量机,选取7种特征参数作为输入构建最小二乘支持向量机PGV预测模型LSSVM-PGV.结果表明,本文建立的LSSVM-PGV模型在训练数据集与测试数据集上的预测误差标准差变化趋于一致,具备泛化性能;P波触发后3 s预测PGV与实测PGV即可整体符合1∶1关系,随着时间窗的增长,PGV预测的误差标准差显著减小、并在P波触发后6 s趋向收敛,具备准确连续预测能力;对比同为P波触发后3 s的常用P d-PGV模型,LSSVM-PGV模型的PGV预测误差标准差明显减小,“小值高估”与“大值低估”现象明显改善,预测准确性得到提升.熊本地震序列的震例分析表明,对于6.5级以下地震,LSSVM-PGV模型最多在P波触发后3 s即可预测出与实测PGV整体符合1∶1关系的PGV;对于7.3级主震,由于其破裂过程的复杂性,P波触发后3 s的预测结果出现一定程度的低估,但随着时间窗增长至6 s时,预测PGV与实测PGV符合1∶1关系、并直到10 s整体趋势保持一致.本文构建的LSSVM-PGV模型可用于现地地震预警仪器地震烈度的预测.     

Optimal seismic design of reinforced concrete structures under timehistory earthquake loads using an intelligent hybrid algorithm

A reliable seismic-resistant design of structures is achieved in accordance with the seismic design codes by designing structures under seven or more pairs of earthquake records. Based on the recommendations of seismic design codes, the average time-history responses(ATHR) of structure is required. This paper focuses on the optimal seismic design of reinforced concrete(RC) structures against ten earthquake records using a hybrid of particle swarm optimization algorithm and an intelligent regression model(IRM). In order to reduce the computational time of optimization procedure due to the computational efforts of time-history analyses, IRM is proposed to accurately predict ATHR of structures. The proposed IRM consists of the combination of the subtractive algorithm(SA), K-means clustering approach and wavelet weighted least squares support vector machine(WWLS-SVM). To predict ATHR of structures, first, the input-output samples of structures are classified by SA and K-means clustering approach. Then, WWLS-SVM is trained with few samples and high accuracy for each cluster. 9- and 18-storey RC frames are designed optimally to illustrate the effectiveness and practicality of the proposed IRM. The numerical results demonstrate the efficiency and computational advantages of IRM for optimal design of structures subjected to time-history earthquake loads.     

Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine

Microseismic monitoring is an effective means for providing early warning of rock or coal dynamical disasters, and its first step is microseismic event detection, although low SNR microseismic signals often cannot effectively be detected by routine methods. To solve this problem, this paper presents permutation entropy and a support vector machine to detect low SNR microseismic events. First, an extraction method of signal features based on multi-scale permutation entropy is proposed by studying the influence of the scale factor on the signal permutation entropy. Second, the detection model of low SNR microseismic events based on the least squares support vector machine is built by performing a multi-scale permutation entropy calculation for the collected vibration signals, constructing a feature vector set of signals. Finally, a comparative analysis of the microseismic events and noise signals in the experiment proves that the different characteristics of the two can be fully expressed by using multi-scale permutation entropy. The detection model of microseismic events combined with the support vector machine, which has the features of high classification accuracy and fast real-time algorithms, can meet the requirements of online, real-time extractions of microseismic events.     

基于小波变换和支持向量机的中国大陆强震预测

将小波变换和支持向量机用于中国大陆年度最大地震震级预测。 先用小波变换把中国大陆年度最大地震序列分解成几个不同尺度水平(频率)的子序列, 然后使用支持向量机对分解后的子序列分别进行预测, 最后通过重构几个子序列的支持向量机预测结果得到最终预测结果, 预测次年中国大陆最大地震震级。 与支持向量机和神经网络方法对比, 结果表明小波变换和支持向量机相结合方法具有更高的预测精度, 预测效果很好, 说明此方法可用于地震时间序列预测。     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

我国大陆强震预测的支持向量机方法

统计学习理论是研究小样本情况下机器学习规律的理论. 支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法. 它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力，其预测效果通常优于人工神经网络. 我国大陆强震与全球主要板块边界的强震活动之间具有一定的关系，但是这种关系具有较强的非线性. 尽管这种关系还不清楚， 但是通过支持向量机可以很好地进行建模， 并对我国大陆强震进行预测.      

Support vector machine method for forecasting future strong earthquakes in Chinese mainland

Statistical learning theory is for small-sample statistics. And support vector machine is a new machine learning method based on the statistical learning theory. The support vector machine not only has solved certain problems in many learning methods, such as small sample, over fitting, high dimension and local minimum, but also has a higher generalization （forecasting） ability than that of artificial neural networks. The strong earthquakes in Chinese mainland are related to a certain extent to the intensive seismicity along the main plate boundaries in the world, however, the relation is nonlinear. In the paper, we have studied this unclear relation by the support vector machine method for the purpose of forecasting strong earthquakes in Chinese mainland.