基于范例推理的黄土路堑高边坡稳定性预测研究

充分利用大量公路黄土路堑高边坡实例,构建了基于范例推理的边坡稳定性预测模型。该模型是将已建黄土路堑高边坡实例作为源范例,而将待分析边坡作为目标范例,通过源范例和边坡范例之间的相似度计算,得到目标范例与源范例之间的相似性序列,找出与目标边坡范例最相似的源范例,从而实现了黄土路堑高边坡的稳定性预测。实例分析表明,该法不仅原理简单、使用方便,而且效果良好。     

基于聚类和支持向量回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量回归(SVR)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略,对训练样本集进行聚类分析,将其分为若干相似子类;再针对每一子类构造一个支持向量回归(SVR)模型,以对应子类的样本集训练SVR模型。由于聚类后的每一子类的样本具有相似性,同时子类样本数较少,因此,该方法能够缩短训练时间,提高预测精度。基于某电网提供的历史负荷数据进行的不同方法对比实验说明了该方法的有效性。     

基于智能算法的地下水位动态预测模型的建立与应用

地下水系统是一个高度复杂系统,地下水位与其影响因素之间存在非线性映射关系。本文分析了BP神经网络的缺陷和遗传算法的特点,根据区域水文特征,提取了地下水位的主要影响因子,建立了基于GA和BP的地下水动态预测模型,并应用于某水源地的地下水位动态预测中。结果表明,该模型收敛快、预测精度高,具有良好的推广应用前景。     

滑坡监测点多信息相似性度量方法研究

滑坡监测点在一段时间内对外界影响因素的响应可以看作滑坡在当前时刻的状态。滑坡监测点在相似的状态下受到相似的外界激励时会表现出相似的响应。据此,可以对相似的状态进行类比,从而将相似状态运用于滑坡的稳定性分析、数据修正和预测预报等。提出一种基于多信息的状态单元矩阵的相似性度量方法,运用该方法同时对滑坡的外界影响因素和运动状态进行相似性匹配,既保证了外界影响因素的相似性,也保证了滑坡当前运动状态的相似性。为验证该方法的有效性,运用三峡库区4个滑坡34个监测点的1 770个状态作为状态单元集,对白水河滑坡2015年1月至2016年6月的位移数据进行预测。预测结果显示,该方法优于现有的BP神经网络、支持向量回归等经典预测方法。     

人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例

分析了传统测井解释方法的局限性。从神经网络的机理、特点出发,提出了一种基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法。首先选取适当的测井资料向量组成一个训练模式对,由多个训练模式对构成一个学习样本集。通过神经网络的学习,使网络记住这些特征并形成预测模型,最后根据预测模型计算相应参数。以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,预测了孔隙度与渗透率,并与实测值进行了对比。上述实例分析表明,该方法用于砂岩型铀矿预测岩性、孔隙度和渗透率具有一定的可行性。与传统方法相比,该方法不需要建立具体的解释模型和计算公式,有较好的适应性和预测精度。基于人工智能神经网络技术的岩性识别、孔隙度和渗透率预测方法具有较高的实用价值。     

基于PCA-DDA原理的砂土液化预测模型及应用

影响砂土液化的因素有很多,建立多指标的液化预测模型非常有必要。目前所有的多指标砂土液化预测模型,均默认选取的判别因子之间相互独立,不存在相关性,可能导致各判别因子之间存在信息叠加而发生误判。以唐山地震砂土液化的25个案例为样本,选取8个影响因素作为砂土液化预测的初始判别指标,首先采用主成分分析（PCA）对各判别指标进行分析,对存在相关性比较高的指标进行了降维处理。基于降维后的4个主成分换算得到新的样本数据,以18个案例为学习样本,建立主成分分析与距离判别分析（DDA）相结合的砂土液化预测模型。利用建立的预测模型对18个案例进行回判,结果全部正确。对其他7个案例的液化情况进行了预测,并与规范法、Seed方法、BP法、DDA法的判别结果进行分析比较,结果表明基于主成分分析与距离判别方法的砂土液化判别模型预测准确率为100%。将模型应用于工程实例,判别结果也与实际情况一致,表明该模型具有良好的预测功能,可在实际工程中应用。     

基于模糊相似优先比的湿陷性黄土强夯有效加固深度预测范例推理研究

在大量已有湿陷性黄土地区强夯资料的基础上,采用频数统计的方法,根据变权的概念确定权重,从而构建了一个基于模糊相似优先比的湿陷性黄土强夯有效加固深度预测范例推理模型。该模型是将已有强夯实例作为源范例,将待分析实例作为目标范例,选取相应的评价指标作为模糊因子,通过源范例与目标范例之间模糊因子的相似度计算,得到目标范例与源范例之间的相似性序列,找到与强夯有效加固深度目标范例最相似的源范例,实现有效加固深度的预测。实例分析表明,有效加固深度预测值与实测值误差在10%以内,预测精度较高,具有一定的推广价值。     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术，并借助G—P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取Lyapunov指数，结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟和最大Lyapunov指数，将局域加权一阶多步预测模型应用于地下水位预测。预测表明，此模型可有效应用于地下水位时间序列的多步预测。     

模糊可变集合方法在降雨相似性分析中的应用

基于特定流域场次降雨具有的相似性,应用考虑区间值模糊可变的模糊可变集合方法进行场次降雨相似性分析。通过计算各场次降雨隶属于各降雨级别的特征值及与目标场次降雨之间的相似距离,从而获得流域场次降雨相似性排序,有效解决了场次降雨相似分析中的模糊性和不确定性问题。找出与实时阶段场次降雨相似的历史场次降雨,预估水库实时阶段面临的洪水过程及量级,可为水库防洪调度提供信息参考。     

叠前非局部平均滤波压制随机噪音

非局部平均滤波方法的去噪性能优异,但其在地震资料处理中的应用刚刚起步。该方法利用数据具有的结构冗余,以包含局部结构的小窗口或邻域为单元,利用局部结构相似性进行加权运算,增强有效信号,压制随机噪音。针对叠前地震资料数据量大、噪音背景强、局部结构简单;原始非局部平均算法对每一点滤波,需要对数据体内所有点计算权系数后进行加权计算,计算量大,对强噪音背景适用性差等不足,对原始非局部平均算法进行了改进,主要包括:基于速度谱的搜索窗口分割;基于梯度域奇异值分解的局部结构相似集选择方法;基于相似集大小的自适应滤波参数选择方法。试验结果表明,该方法改进后对于叠前地震数据的随机噪声具有较好的压制作用。      

10～30d延伸期天气预报方法研究进展与展望

10~30 d延伸期预报是国际大气科学关注的研究热点。这一时间段的预报对开展防灾、救灾工作具有极其重要的价值和意义,该工作需要结合初始气象条件、海洋、大气以及气候的影响因素,其中观测资料具有复杂性、综合性、全球性等,这些科学大数据反映和表征着复杂的自然现象与关系,具有高度数据相关性和多重数据属性,预测过程十分复杂。分析了延伸期预报的各种主流方法,其中重点介绍了动力模式、经典统计和大数据方法 3类预报方法的研究现状,并探讨了各种方法的优势和不足,在此基础上对目前延伸期预报领域存在的问题进行了讨论和总结。对延伸期预报方法的未来发展方向和应用前景给以展望。     

基于贝叶斯模式平均的大渡河流域集合降水概率预报研究

基于TIGGE数据的五个单中心集合预报结果(CMA、CMC、ECMWF、NCEP、UKMO)构成的多中心超级集合预报系统的降水量预报,以及相应时段的实测降水量值,应用贝叶斯模式平均法(Bayesian Model Averaging,BMA)建立大渡河流域的BMA概率预报模型。通过CRPS、MAE、BS三种评价指标,对大渡河流域的BMA降水概率预报模型进行评价与检验,三种指标均显示BMA降水概率预报比原始集合预报具有更高的准确性,其中BMA模型的CRPS和MAE指标均值分别相比原始集合预报减少了31.6%和23.9%;分析模型权重参数,得出ECMWF对大渡河流域BMA降水预报贡献最大,即ECMWF对研究区域降水预报效果最好;模型对大渡河流域极端降水预报效果较差,常低估极端降水量。     

基于多层递阶方法的边坡位移预测

提出采用多层建模法预报边坡位移。该方法把动态系统的状态(或输出)预报问题分为系统的时变参数预报和在此基础上对系统的状态(或输出)预报两部分,可充分考虑被预报系统的时变特性。给出了多层递阶的建模和预报方法。工程实例表明该方法有较好的预测精度和实用价值。     

水库水情的长期预报方法研究

介绍了建立水库水情长期数值预报的思路和做法.本法的特点是在逐步回归方法的基础上,同时对所选取的因子进行优化筛选,因而使预报的结果与实测值最为接近.该法用于我国东北地区松花江上游小山、两江和松山等水库的年、月来水量长期预报,结果表明,其预报合格率可达80%以上.另外,对6～9月总流量的预报,根据我国东北地区气候的特点,这一阶段的降水量变异很大,用本法预报会使误差较大,但是年平均流量与这一时段的总流量相关较好,于是提出了另外的预报方法.总之这一方法是较为快捷而实用的水库水情长期预报方法.     

洪水预报模型输入与输出的误差分布及相关性分析

降雨预报信息作为洪水预报模型的输入,该信息的准确性直接影响洪水预报模型输出的准确性.为探究模型输入(降雨预报)误差与输出(洪水预报)误差之间的关系,以英那河流域为例,分析了不同雨量等级下,预报模型的输入误差与输出误差的分布规律,并定性分析了两种误差的相关关系.结果表明,降雨量等级若为无雨及小雨时,两种误差不相关;若为中...     

径流长期预报的人工神经网络方法

提出径流长期预报的人工神经网络方法。运用神经网络的一典型模型──“反向传播”模型,以大伙房水库在补水期的径流状况作为研究对象,尝试了神经网络方法的效果。结果表明,该方法预报成功率较高,容错能力较强,可望成为径流长期预报的有效的辅助手段。     

Current status of multimodel superensemble and operational NWP forecast of the Indian summer monsoon

In the last thirty years great strides have been made by large-scale operational numerical weather prediction models towards improving skills for the medium range time-scale of 7 days. This paper illustrates the use of these current forecasts towards the construction of a consensus multimodel forecast product called the superensemble. This procedure utilizes 120 of the recent-past forecasts from these models to arrive at the training phase statistics. These statistics are described by roughly 10⁷ weights. Use of these weights provides the possibility for real-time medium range forecasts with the superensemble. We show the recent status of this procedure towards real-time forecasts for the Asian summer monsoon. The member models of our suite include ECMWF, NCEP/EMC, JMA, NOGAPS (US Navy), BMRC, RPN (Canada) and an FSU global spectral forecast model. We show in this paper the skill scores for day 1 through day 6 of forecasts from standard variables such as winds, temperature, 500 hPa geopotential height, sea level pressure and precipitation. In all cases we noted that the superensemble carries a higher skill compared to each of the member models and their ensemble mean. The skill matrices we use include the RMS errors, the anomaly correlations and equitable threat scores. For many of these forecasts the improvements of skill for the superensemble over the best model was found to be quite substantial. This real-time product is being provided to many interested research groups. The FSU multimodel superensemble, in real-time, stands out for providing the least errors among all of the operational large scale models.     

Prediction of local ore recoveries and ore-waste ratios at the silver bell uranium mine

Geostatistical estimation techniques were customized to allow forecasting of production figures at the Silver Bell uranium mine (Uravan District).Surface drill hole data were used to provide a block model of kriged estimators of average uranium grades. Figures for recoverable ore grade and the ore-waste ratio are then deduced from regressive curves previously obtained from underground information and production data. Cross-validations of the entire model were performed and were found positive.     

灰色GM(1,1)模型和Verhulst模型在喀斯特地区耕地预测中的应用——以毕节生态试验区为例

毕节生态试验区是典型的喀斯特地区,人口密度大,生态环境脆弱,水土流失严重,耕地保护尤为重要。本文以毕节地区1998—2006年常用耕地面积统计数据为基础,分别利用灰色GM(1,1)模型和Verhulst模型对该喀斯特地区常用耕地面积变化进行预测。预测结果表明,GM(1,1)模型和Verhulst模型都揭示了毕节地区常用耕地面积在未来几年呈逐年递减的趋势。但是通过模拟精度验证,研究区耕地面积原始数据变化曲线呈S型,就灰色GM(1,1)模型与Verhulst模型模拟预测结果相比较,对于原始数据的模拟,GM(1,1)模型预测精度较高,而Verhulst模型更适合研究区未来几年耕地面积变化的预测。该研究结果可为区域合理利用土地资源、编制土地利用规划和耕地保护提供依据。      

合肥市大建设工程变形监测分析与预报

变形监测是对监测对象进行测量以确定其空间位置随时间变化的特征,变形分析与预报涉及多学科交叉,如系统论、控制论、非线性科学、拓扑约束等。监测点的几何分析与预报基于在监测点上进行周期或持续离散的观测,从而构成变形的时间序列。准确的监测和预报,可以保障工程安全,及时发现异常变化,对其稳定性、安全性作出判断,以便采取措施处理,防止事故发生;同时积累经验,检验工程设计的理论是否合理,为以后制定设计提供依据。