基于粒子群优化支持向量机的延长县滑坡易发性评价

参数优化问题直接影响着支持向量机的预测精度和泛化能力,粒子群优化算法具有全局最优搜索能力,因此通过粒子群算法优化支持向量机参数可以有效提高预测精度。以延长县历史滑坡数据为基础,分析了岩性、地貌类型、土壤厚度、坡度、坡向、坡高与滑坡分布的关系,并利用滑坡密度值对各定性或定量因子进行了归一化处理;在此基础上,通过区域内所划分的16 300个斜坡单元作为评价单元,采用粒子群优化支持向量机(PSO-SVM)算法完成了延长县滑坡的易发性评价。从滑坡密度指标角度来看,评价结果中高易发区和极高易发区的历史滑坡数占比72.19%,通过滑坡面积百分比(LAR)等指标进行了有效的验证,均显示出对滑坡易发性评价效果良好。     

基于融合特征选择算法的钻速预测模型研究

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。     

一种基于机器学习算法的岩性填图方法

通过野外地质调查与机器学习方法的有机融合,提出了一种基于梯度提升决策树算法的岩性单元填图方法。研究以多龙矿集区为模型试验区,选择1∶5万勘查地球化学数据为基础预测数据,以1∶5万区域地质图为参考,进行基于梯度提升决策树算法的岩性预测填图模型试验。首先选择研究区内小范围空白区开展野外填图,建立原始数据集并初步构建岩性单元与预测数据对应关系;其次利用机器学习方法对预测数据进行多分类任务,进而开展目标填图区预测填图工作;最后通过概率选区选定概率较低目标区,开展进一步的小范围野外地质调查填图,对原始数据和知识库进行补充,迭代循环以上流程,直至预测填图达到要求。试验显示,随着迭代次数的增加,模型精度不断提高,并在7次迭代后模型准确率达到87%。该方法强调在实际应用中野外地质调查与基于机器学习预测填图的深度融合,以及野外实地工作在整个流程中的重要性和不可或缺性;同时能够充分挖掘已有数据资料的有用信息,用于辅助修正已有岩性填图内容,或根据已勘探区资料对邻近的未勘探区进行岩性分类,有效减少野外填图工作量,是对岩性填图方法、地质单元定量预测识别的有益探索,为区域地质填图工作提供了新的参考思路和辅助手段。      

基于PSO-PP的围岩稳定性评价

围岩的稳定性评价是一个复杂的不确定系统问题。结合投影寻踪方法、粒子群算法和逻辑斯谛曲线函数,建立了围岩稳定性评价的粒子群优化投影寻踪(projection pursuit based on particle swarm optimization,PSO-PP)模型。该模型一方面采用粒子群算法优化投影指标函数及逻辑斯谛曲线函数参数,确保了模型的准确性;另一方面利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系。模型的测试结果显示了良好的精度,实例分析结果与实际状态完全一致,表明该模型在围岩稳定性评价中的可行性和有效性。     

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。     

基于测井参数优选的煤层含气量预测模型

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明:PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。      

机器学习算法反求水文地质参数

传统方法求解优化问题时,一般都是依据最小二乘原理来确定目标函数。鉴于这种方法没有考虑到原始测量数据的误差对计算结果及精度带来的影响。为此,提出机器学习算法改进传统的目标函数,同时结合双评价粒子群算法来求解水文地质参数。结果表明,该算法具有良好的收敛性和稳定性,求解效率高,简单易实现。      

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明:在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

基于梯度提升决策树(GBDT)算法的岩性识别技术

对覆盖区下伏岩体的有效识别是实现深部找矿突破的关键,近年来机器学习理论的发展为岩性识别提供了新的思路。梯度提升决策树(GBDT)算法是以决策树为基函数的集成学习方法,算法通过将学习得到的多个树模型进行集成,可以达到同时减少模型方差和偏差的效果。本文以地球化学元素数据为基础,利用GBDT算法进行岩性识别研究,并将所得结果与KNN、SVM和决策树3种机器学习算法进行对比,结果表明,针对岩性识别问题,GBDT算法具有更高的精度,可以作为岩性识别的参考技术,具有一定的推广和应用价值。     

位移反分析的粒子群优化-高斯过程协同优化方法

针对采用随机全局优化技术进行岩土工程位移反分析存在数值计算量大、效率低的问题,将粒子群优化算法与高斯过程机器学习技术相结合,提出了位移反分析的粒子群优化-高斯过程协同优化方法。该方法利用全局寻优性能优异的粒子群优化算法进行寻优的基础上,采用高斯过程机器学习模型不断地总结历史经验,预测包含全局最优解的最有前景区域,通过提高粒子群搜索效率并降低适应度评价次数,进而有效地降低位移反分析过程中的数值计算工作量。多种测试函数的数学验证和工程算例的研究结果表明该方法是可行的,与传统方法相比较,可显著地降低位移反分析的计算耗时。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划

滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting, XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(decision tree, DT)和梯度提升树模型(gradient boosting decision tree, GBDT)进行对比。结果表明：研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。     

基于随机树嵌入的随钻测井岩性识别方法

岩性识别是储层评价中的一项重要工作。随着机器学习方法的不断发展,岩性的智能识别也成为热门研究方向。随钻测井技术目前已经得到了广泛的应用,但是受限于高温高压的钻井作业条件,随钻测井仪器只能测得少量测井参数。由于随钻测井参数较少,直接输入机器学习模型无法充分挖掘其中的信息。对此,本文将随机树嵌入引入随钻测井资料的岩性识别。该方法将低维随钻测井数据通过二叉树编码并转化为高维稀疏特征,利用升维后的数据进行训练从而提升机器学习模型的判别能力。对比实验结果表明,使用随机树嵌入的随机森林方法具有最佳的识别效果,准确率和F₁值较直接使用随机森林分别提升了3.16%和3.25%,且优于梯度提升树、极随机树和粒子群优化支持向量机算法。     

广东省暴雨型浅层滑坡灾害动力预警模型与气象风险预警研究

针对县级地质灾害气象风险预警面临的精度及模型建设问题,根据广东省地质灾害主要发生在坡面残坡积浅表层的突出特点,通过对典型地质灾害进行物理模拟试验和数值模拟,研究广东省浅表层斜坡失稳发生机理。研究表明：边坡在暴雨条件下,斜坡岩土体容易在浅表层首先造成失稳,影响因素主要有降雨量、降雨历时、土体类别和坡体结构等因素。由此,对研究区划分斜坡单元,按各斜坡单元的坡长、坡度、岩土类型、分层及其关键物理力学参数开展斜坡单元概化分类,并将Green-Ampt降雨入渗模型和无限边坡稳定性评价方法相结合,优化构建了动力学斜坡稳定性评价模型。结合龙川县贝岭镇流域应用实例,初步探索了坡面单元尺度下地质灾害气象风险预警斜坡失稳动力学预警技术,可为广东省开展以斜坡单元预警为主要方式的县级地质灾害气象风险预警提供支撑。     

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。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。     

基于免疫粒子群算法的马斯京根模型参数识别

目前在河道汇流计算中广泛应用的是马斯京根模型,该模型参数的优化求解是影响能否精确模拟实测水文过程的关键问题.以往的模型参数求解大多采用试错法、矩法等方法,计算过程繁琐,计算精度不高,影响到模型的模拟精度.针对此类问题,笔者将免疫原理与粒子群优化算法有机结合.提出了免疫粒子群优化新方法,有效解决了传统方法的计算结果精度不高的问题,并在马斯京根模型参数优化求解中得以应用,结果表明免疫粒子群算法的计算结果精度令人满意,为河道洪水演算方面研究提供了一种新的研究方法和研究模式.     

土石混合体斜坡地质结构精细探测新途径及其应用

土石混合体滑坡具有分布范围广、发生频率高、规律性差等显著特点,是西部山区及其重大工程建设中最为常见的灾害类型之一,其内部复杂的土-石结构是构成该类滑坡防治困难的关键因素。为了获取土石混合体斜坡接近真实的地质结构,提出通过探窗组合法,即采用高分辨的地球物理勘探方法进行地质结构探测,并借助探坑土石结构的图像处理技术予以补充,以初步实现地质结构的精细探测及宏-细观结构模型的统一。应用该方法,对湖南省南岳区拜殿乡土石混合体斜坡进行地质结构探测,获得了该斜坡接近真实的精细地质模型。该研究方法可为揭示滑坡形成演化的结构控制机制提供基础,使滑坡的预测和防治工作更加科学合理。     

土石混合体渗透侵蚀特性数值模拟研究

土石混合体是由块石、砾石与砂土、黏土等固体颗粒组成,以块石镶嵌在细粒土体中为结构特征的松散介质。由于其颗粒松散特性,细颗粒在渗流作用下易于流失而形成渗流侵蚀。采用室内试验与数值模拟相结合的方法,扩展渗流侵蚀模型在土石混合体渗透侵蚀研究中的应用。选取云南某滑坡土石混合体为研究对象,采用自制的渗透侵蚀装置,模拟土体基质渗透侵蚀过程,获取土体基质侵蚀参数试验值。根据块石在土体基质中分布特征,建立不同块石含量特征的土石混合体计算模型。基于参数试验值及渗流侵蚀方程、耦合渗流控制方程及孔隙率控制方程,模拟土石混合体渗流侵蚀过程,分析块石含量对土石混合体渗透侵蚀特性的影响。模拟结果表明:在同等水力梯度及时间条件下,块石含量与土石混合体宏观平均流速初值、侵蚀颗粒密度值呈反比,与液化颗粒密度峰值呈正比;块石含量与渗流侵蚀方程中试验参数存在线性相关性。将块石含量作为土石混合体结构特征引入渗流侵蚀方程中,以构建适用于土石混合体的渗流侵蚀模型。