基于LSTM的缝洞型油藏水淹异常模式识别及预警

大缝大洞的存在和频繁的工作制度导致缝洞型油藏含水率变化特征多样,暴性水淹预警难度大。针对传统预警方法存在的时滞性问题,采用K线理论刻画含水率生产指标变化趋势,总结出充沛型、突破型、反转型等水淹前异常模式;由于循环神经网络能够刻画生产数据间的长程相关性,采用基于循环神经网络的长短期记忆网络（LSTM）自动识别水淹异常模式特征实现暴性水淹预警。仿真实验表明基于LSTM的水淹异常模式识别模型通过变换数据尺度,较好地捕获暴性水淹前数据的整体变化趋势,识别精度明显优于支持向量机、朴素贝叶斯等模型。K线理论刻画的各类异常模式有效解决了传统预测的时滞难题,提前1~3周实现水淹预警,可以为缝洞型油藏水淹预警研究提供新的研究思路。      

基于全连接和LSTM神经网络的空气污染物预测

在空气污染日益严重的情况下进行空气污染物的预测工作是十分必要的。针对城市的空气污染物预测,提出了一种基于神经网络的混合模型方法:通过全连接神经网络方法,结合长短期记忆网络(Long Short-Term Memory,LSTM)方法,将历史空气污染物数据与大气数据进行空间与时间上的挖掘分析。运用全连接和LSTM两种神经网络方法混合的形式,与传统的单一模型方法相比,不仅能摆脱单一模型特征空间的局限性,还能提高预测的精度,具有更大的应用性和操作性。最后,以武汉市为例通过实验证明该混合模型较单一模型在空气污染物预测上具有更高的精度。     

基于KF-LSTM组合模型的短期电离层TEC预测

针对电离层总电子含量(TEC)时间序列非线性、非平稳性等特点,提出以卡尔曼滤波对电离层TEC数据进行预处理为基础,融合长短期记忆神经网络模型,构建KF-LSTM短期电离层组合模型预测TEC的方法,并利用该模型预测2016年和2018年4个时段的高、中、低纬度及赤道地区36个格网点提前1 d的电离层TEC。结果表明,KF-LSTM组合模型预测效果优于传统BP神经网络模型和单纯的LSTM模型。在赤道地区,其预测效果与C1PG模型相当;在15°～75°N地区,其预测效果优于C1PG模型。     

基于VMD-HPO-BiLSTM的大坝变形预测

引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。     

优化循环神经网络在滑坡位移预测中的应用

以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。     

基于CEEMDAN-LSTM组合方法的海平面变化预测分析北大核心CSCD

为提高海平面变化预测精度,将自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆网络(LSTM)相结合,采用“分解-预测-重组”思路,提出一种海平面变化预测组合方法CEEMDAN-LSTM。结果表明,相对于直接使用LSTM神经网络进行预测(MAE=16.87 mm, RMSE=21.51 mm),以及已有的EEMD-BP神经网络组合方法(MAE=10.4 mm, RMSE=15.44 mm),CEEMDAN-LSTM组合方法预测表现最优(MAE=8.89 mm, RMSE=11.34 mm),具有最低的预测误差。     

海洋垂直重力梯度异常的计算及其在地形反演中的应用

将测高重力异常、局部大地水准面和垂线偏差作为输入数据,计算海洋垂直重力梯度异常。以中西太平洋海域作为研究对象,对垂直重力梯度异常和海底地形的相关性进行分析,在20~200 km波段范围内利用梯度异常推估海底地形。结果表明,反演地形的相对精度在7.14%左右,在多海山地区精度较差。     

基于时空关联度加权的LSTM短时交通速度预测

提出一种基于时空关联度加权的长短期记忆网络(Long Short-Term Memory,LSTM)短时交通速度预测模型。该模型结合综合动态时间规整(Summation Dynamic Time Warping,SDTW)和拓扑邻接关系设计了一种路段速度序列之间时空关联程度的度量方法,然后基于该度量值对路段速度历史观测值进行加权,进而使用LSTM从加权观测序列中提取路段速度的时空变化特征,实现对短时交通速度的预测。实验表明,交通速度预测模型预测结果相比传统的ARIMA模型、SVR模型以及LSTM模型均有提升,实现了更高精度的速度预测。     

内蒙古阿拉善左旗MS5.8震源区及周边重力布格异常的计算与分析

利用EGM2008自由空气重力异常数据及具有1′分辨率的DEM数据,借助FA2Boug思想,对内蒙古阿拉善左旗MS5.8震源区及周边（105°～110°E,36°～41°N）进行重力布格异常值的计算,获取了震源区及周边的重力布格异常信息。结果表明,震源区位于重力布格异常值变化的高梯度带上;同时,在鲜有震例的鄂尔多斯块体内部存在着不一致的作用力。     

基于小波神经网络的盲区重力数据预测

引入精度较高的小波神经网络预测局部盲区重力数据。通过实验,对比分析了不同地形数据分布状况下经度、纬度二维输入和经度、纬度、高程三维输入小波神经网络盲区重力数据预测精度,发现利用小波神经网络可以较好地实现高精度盲区重力数据的预测,同等地形条件下三维输入预测的数据精度更高,更有利于后期利用插值方法制备高精度重力基准图。同时,利用克里金法和小波神经网络对真实盲区进行预测。结果表明,两者的预测值相差不大,但小波神经网络的预测结果更为平滑,表明小波神经网络有良好的适应性。     

��С������������ͨKriging���ıȽ�

?????????????????????????????????С???????ú????Kriging????????????????????????÷??????Kriging??????????????????????????μ??????????????????1??????????????????￡?????????????Kriging???????????????÷??????????????￡?????????????÷??????????????Kriging????????2????:???????????????У????Kriging??????????Ч?????????     

基于重力数据反演南海及邻区莫霍面深度分布特征

采用重力异常数据,在频率域内通过Parker-Oldenburg反演算法计算南海及邻区的莫霍面深度。通过EGM2008重力场模型联合GOCE重力场模型,计算研究区的自由空气重力异常;通过重力场分离,得到莫霍面起伏引起的重力异常,用于反演莫霍面深度。计算结果与地震剖面计算的莫霍面深度结果平均偏差1.59 km,标准偏差1.9 km。结果表明,南海及邻区的莫霍面深度分布具有明显的区域化构造特征。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。     

基于深度神经网络的GRACE等效水高及地表形变量预测

利用2002-04~2017-06 GRACE月时变重力场信息,反演得到三峡水库区域、长江流域和亚马逊流域的等效水高及地表垂直、水平形变时间序列。在LSTM(long short-term memory)网络基础上,通过堆叠LSTM结构以及在输出层中添加线性连接层来增加网络层数,构成深度LSTM神经网络对时间序列进行预测。引入注意力机制以提高模型对于序列长期特征的提取能力,并使用遗传算法筛选最佳网络层数和优化部分网络超参数。结果表明,在动态预测模式下,纳什系数NSE(Nash-Sutcliffe efficiency coefficient)最差为0.907 9,最好可达0.977 7,标准化的均方根误差R*(scaled root mean square error)最小为0.146 5,最大为0.297 5;在静态预测模式下,评价指标R*均低于0.062 2,NSE均大于0.99,表明模型性能优异。     

基于普通克里金外推的迭代维纳滤波法向下延拓

在利用普通克里金方法外推的基础上，通过频域径向平均功率谱估算噪声方差，采用迭代维纳滤波法获取较为稳定的重力场向下延拓结果，并分别利用模拟算例和实际数据进行实验。对于模拟算例，外推后的均方根误差由6.72 μGal下降到1.89 μGal，相对误差由9.26%下降到4.44%。对于实际数据，外推后延拓结果不仅可避免边缘失真现象，而且能更好地反映浅源高频异常特征信息。     

���ڶ��������BP���������ģ�͵�GPS�߳��쳣���

??????????????BP??????????????????????????У?????????????????????????????????硣?????????????GPS?????????б?????,?????????????????????????????????????????????????????????????????????????????????????????????????     

高精度重力数据格网化方法比较

研究3种常用格网化方法,给出Kriging方法滞后距与变异函数的计算方法,并利用实测重力异常数据对3种方法在不同模型参数下的插值精度作比较。结果表明,3种方法的均方根差别不大,区别在于局部区域的变化。相对而言,在该区域内Kriging方法精度最高,CoKriging次之,Shepard略低。     

�߾����������ݸ����������Ƚ�

?о?3????????????????????Kriging????????????????????????????????????????????3????????????????μ??????????????????????3????????????????????????????????仯??????????????????Kriging????????????CoKriging?????Shepard????