利用PCA和神经网络预测尾矿坝地下水位

针对尾矿坝安全监测需要对尾矿坝地下水位进行预测及时分析尾矿坝稳定性的问题,提出利用主成分分析和神经网络建立尾矿坝地下水位的预测模型。首先采用自相关分析选择预测模型的输入变量,然后利用主成分分析法对原始多维输入变量进行降维和去相关处理,最后利用提取的主成分作为神经网络的输入,对某尾矿坝地下水位进行预测实验。实验结果表明,经过主成分分析处理后的神经网络预测模型不仅简化了网络的结构,具有更高的预测精度,而且提高了网络泛化性能和稳定性。     

基于主成分分析的优化神经网络模型及静压管桩单桩极限承载力预测

引入主成分分析法和基于共轭梯度优化算法的人工神经网络模型原理,建立了静压管桩单桩竖向承载力预测估算的新方法。通过对影响单桩极限承载力的各因素进行主成分分析确定了综合变量,构建了以综合变量为输入,以单桩极限承载力为输出的神经网络模型。应用神经网络结构分析的共轭梯度算法,优化计算获得给定样本的网络权值和阈值,获得静压管桩极限承载力的估算网络,应用实例分析计算了静压管桩单桩极限承载力问题。结果表明,利用所建立的神经网络预测静压管桩极限承载力是可行的,且具有较好的预测精度和良好的适用性。该方法为静压管桩竖向承载性状的理论分析开辟了一个新的研究途径,为今后相关问题研究提供借鉴和指导     

核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法.     

逐步对应分析方法及其在矿产资源评价中的应用

对应分析是与因子分析、主成分分析相类似的方法,它们都不包含响应变量,特别适用于定性数据或频率数据.这类方法的变量选择和样品选择的问题相当重要,针对矿产资源预测中模型单元的变量和预测单元的变量不平衡性,本文提出了"逐步对应分析"方法,解决了一类不含响应变量统计模型的变量和样品的选择问题,并讨论了样品和变量的最佳配置问题.     

论主成分分析在地球化学作用分期中的适用性

主成分分析作为研究多变量之间关系的一种多元统计方法,巳被广泛地应用于地质学中。这是因为主成分分析不仅可以用较少的指标达到反映原多指标所提供的信息,而且可以揭示控制这些原始变量变化的某种内在因素。因此,在文献中,主成分常常被解释为物质来源、地球化学作用或成矿作用、元素赋存状态等。     

岩溶地下河日流量预测的小样本非线性时问序列模型

针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地...     

结构方程模型在地球化学数据分析中的应用

为了实现通过确定地球化学组合元素来反映成矿异常, 本文在主成分分析模型的基础上, 引入了新的结构方程模型(SEM).与主成分所不同的是, 结构模型综合了经典统计方法中的因子分析和路径分析方法, 以与研究对象具有较好的拟合度为标准来确定最优解, 并通过模型最优解来确定新的成分组合, 因此结构模型所确定的成分变量不一定是具有最大变化性, 而是与研究对象最接近的因子变量, 该因子能够更好地反映研究对象.介绍了结构方程模型方法的原理, 并利用加拿大Nova Scotia省西南部湖泊沉积物地球化学数据建立了与热液型金矿有关的地球化学元素结构方程模型, 研究了结构方程模型所给出的组合变量空间分布规律以及与金矿床的关系.与主成分分析方法所给出的计算结果进行对比发现, 结构模型所计算的与金矿相关的组合变量与矿床的空间相关性较高, 并且对金矿床(矿点)也具有较好的预测性.      

基于PCA-RF的回采巷道围岩稳定性预测

回采巷道的稳定对煤矿的安全、高效生产至关重要,在生产前应对其评价,以利于采取针对性的措施。为提高回采巷道稳定性预测的准确率,将主成分分析(PCA)与随机森林(RF)算法相结合,对回采巷道稳定性进行预测。根据回采巷道稳定性的影响因素,选取围岩强度、埋深、节理裂隙发育程度、巷道跨度、直接顶与煤层厚度之比和松动圈厚度6个指标作为巷道稳定性的影响因素。采用PCA提取影响因素的主成分,选取贡献率大于80%的3个主成分,代替原有的6个影响因素,将其作为随机森林(RF)的输入变量。将回采巷道稳定划分为4个等级,建立PCA-RF回采巷道稳定性预测模型。研究结果表明:采用PCA-RF模型误判率低,具有较高的预测精度,能够相对有效地对回采巷道的稳定性进行判定。     

基于PCA-GEP算法的边坡稳定性预测

提出一种基于主成分分析的基因表达式程序设计算法,并将其用于边坡稳定性预测。该算法先采用主成分分析法对样本数据进行预处理,有效地减少预测模型的输入量,消除输入数据间的相关性,再将得到的新样本数据输入基因表达式,构建边坡稳定性的预测模型。利用该预测模型对82个危险圆弧破坏边坡实例中的71个实例进行学习,对另外11个实例进行预测,取得了较好的效果。在保留传统的以误差值作为评判模型优劣标准的同时,引入AIC信息准则法,分别对v-SVR算法和GA-BP网络算法和PCA-GEP算法三种预测模型进行比较分析,结果表明,运用该算法可以获得更优的预测模型,其预测结果比v-SVR算法和GA-BP网络等其他算法得到的结果具有更高的预测精度。工程实例计算表明,该方法是合理、可行的。     

基于主成分分析和贝叶斯正则化方法的神经网络年最大洪峰流量预测模型探讨

针时水文预测建模中输入因子过多而导致神经网络结构规模过大,泛化能力差的问题,利用主成分分析和贝叶斯正则化方法对神经网络进行改进,优化网络结构,从而提高泛化能力。以洮儿河流域镇西站年最大洪峰流量预测为例,研究结果表明,改进的神经网络预测方法与传统的神经网络方法相比,泛化能力有显著提高,而且网络的收敛也比较稳定,实际预测中效果良好。     

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

基于SAPSO-ELM的瓦斯涌出量分源预测及应用

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素的多重相关性、复杂性等问题,结合主成分分析法和分源预测理论,对开采层、邻近层、采空区的瓦斯涌出量数据分别进行主成分分析降维,得到预测指标。针对极限学习机(ELM)存在的输入权值矩阵与隐含层阈值随机生成的问题,利用模拟退火粒子群算法(SAPSO)对极限学习机的参数寻优,将新疆某煤矿回采工作面瓦斯涌出量及影响因素作为SAPSO-ELM模型的输入进行训练,再利用训练好的SAPSO-ELM模型对陕西某煤矿回采工作面的瓦斯涌出量进行验证预测,并对比原始ELM模型的预测结果。结果表明,SAPSO-ELM模型的平均相对误差为3.45%,ELM模型的平均相对误差为8.81%,与ELM模型相比,SAPSO-ELM模型预测精度及效率均优于原始ELM模型。分源预测理论和主成分分析法的结合有效解决了多因素间的多重相关性并降低了预测模型的复杂度,SAPSO-ELM预测模型实现了瓦斯涌出量的快速精准预测,对预防瓦斯事故发生和保障煤矿安全高效开采具有较好的指导作用。      

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

基于BP神经网络方法的矿井涌水量预测

鉴于矿井涌水威胁煤矿安全生产及其影响因素的复杂性,提出基于BP神经网络的矿井涌水量预测方法.在充分分析新安煤矿＋25m开采水平的涌水影响因素的基础上,选取大气降水、采空区面积和底板构造断裂和采动裂隙三个影响因子,建立了非线性人工神经网络预测模型,对＋25m开采水平的正常涌水量进行了预计.其结果和实际观测数据能够较好地相吻合,表明采用人工神经网络预计矿井涌水量是可行的.     

Sensitivity analysis of groundwater level in Jinci Spring Basin (China) based on artificial neural network modeling

Jinci Spring in Shanxi, north China, is a major local water source. It dried up in April 1994 due to groundwater overexploitation. The groundwater system is complex, involving many nonlinear and uncertain factors. Artificial neural network (ANN) models are statistical techniques to study parameter nonlinear relationships of groundwater systems. However, ANN models offer little explanatory insight into the mechanisms of prediction models. Sensitivity analysis can overcome this shortcoming. In this study, a back-propagation neural network model was built based on the relationship between groundwater level and its sensitivity factors in Jinci Spring Basin; these sensitivity factors included precipitation, river seepage, mining drainage, groundwater withdrawals and lateral discharge to the associated Quaternary aquifer. All the sensitivity factors were analyzed with Garson’s algorithm based on the connection weights of the neural network model. The concept of “sensitivity range” was proposed to describe the value range of the input variables to which the output variables are most sensitive. The sensitivity ranges were analyzed by a local sensitivity approach. The results showed that coal mining drainage is the most sensitive anthropogenic factor, having a large effect on groundwater level of the Jinci Spring Basin.     

冲击作用下岩石破碎比功理论分析及模糊预测模型

从岩石破碎机制分析出发,通过建立岩石破碎比功模态,确定破岩机具结构尺寸、岩石力学特性和破岩工艺三类对岩石破碎比功有影响的参数。引入模糊逻辑法,将上述参数作为模糊逻辑分析的输入变量,岩石破碎比功作为模糊逻辑分析的输出变量,建立用于预测岩石破碎比功的预测模型。将该模糊预测模型应用于某工程实例,通过对比模型所得结果与工程实践中的真实岩石破碎比功,该模型所得结果与工程实践中的真实值比较接近,预测模型设计合理,模糊推理规则能够表达工程实践,在给定输入变量的情况下,该模型可有效预测岩石破碎比功这一重要特征参数。     

Application of uncertainty analysis to groundwater pollution modeling

Prediction and evaluation of pollution of the subsurface environment and planning remedial actions at existing sites may be useful for siting and designing new land-based waste treatment or disposal facilities. Most models used to make such predictions assume that the system behaves deterministically. A variety of factors, however, introduce uncertainty into the model predictions. The factors include model and pollution transport parameters and geometric uncertainty. The Monte Carlo technique is applied to evaluate the uncertainty, as illustrated by applying three analytical groundwater pollution transport models. The uncertainty analysis provides estimates of statistical reliability in model outputs of pollution concentration and arrival time. Examples are provided that demonstrate: (a) confidence limits around predicted values of concentration and arrival time can be obtained, (b) the selection of probability distributions for input parameters affects the output variables, and (c) the probability distribution of the output variables can be different from that of the input variables, even when all input parameters have the same probability distribution     

Use of hydrologic time-series data for identification of hydrodynamic function and behavior in a karstic water system in China

Karst aquifers are characterized by high heterogeneity and spatial variability of hydrogeological parameters. Time-series analysis of rainfall and discharge (as input and output functions), including correlation, cross-amplitude, phase and coherency, was applied to the Houzhai karstic water system in Guizhou Province, southwest China, in order to study the function, hydrodynamic behavior and hydraulic properties of the aquifer system. Autocorrelation and cross-correlation of the variables showed that the degree of sensitivity of the system to the rainfall input signal decreased gradually from the upstream to the downstream sections, but the memorizing action increased gradually. Analysis of the phase function showed that there is a lag in the discharge response to the rainfall input signal. The lag time increased gradually from the upstream to the downstream sections, and the degree of the linearity upstream is higher than downstream. The quick-flow and slow-flow components were also divided in the cross-amplitude analysis. The results showed that about 60% of spring discharge in the upstream section was quick flow. The quick-flow component downstream reduced to only 5%. The main control factors of the karst-system response are the karst geomorphology and the inner origination structure of the karstic multi-medium.