基于近似支持向量机的流体识别因子融合

通过叠前反演获得的单参数或组合参数都有一定的流体识别能力,但如何将多种流体识别因子有效融合是目前进行流体识别的一个难题.利用人工参与进行流体性质的综合解释是目前流体识别因子融合的主要途径,但这种方法人为干扰较大,不确定性强.鉴于此,本文提出了一种基于近似支持向量机的流体识别方法.该方法首先以实际工区测井资料为依据,优选出对工区内储层所含流体特征敏感的流体识别因子作为输入参数,然后通过近似支持向量机进行流体性质的判别,实例证明该方法的识别结果客观准确,是一种可靠的流体识别方法.     

基于支持向量机法识别砂岩中流体类型

砂岩储层孔隙中的流体识别一直是石油勘探开发过程中重要的环节,传统方法主要依赖于测井数据,但是在测井数据缺失的条件下较难得到准确的流体识别结果.本文提出一种只依靠地震数据的砂岩中流体识别的新方法,并选择地球物理方法可测或可求的地球物理参数σ、ρλ和ρμ作为流体识别因子,然后进行模型实验.首先,设置典型流体状态,用Gassmann方程进行流体替换,将得到的流体识别因子作为支持向量机的训练集数据,并定义支持向量机的分类标签;之后,设置随机流体状态,利用Gassmann方程计算流体因子,将得到的结果作为支持向量机的测试集数据.将训练集、测试集数据集输入支持向量机,进行分类,得出测试集数据的分类结果.模型实验分类结果表明,支持向量机法可以判别砂岩孔隙中流体的主要属性.     

基于小波能量分布向量的结构损伤识别

利用小波变换时-频局部化性能,提出了基于小波能量分布向量的结构损伤识别方法。首先建立无损结构响应信号小波能量分布的总体向量;其次,将实测动力响应信号分解为小波包组分,计算其小波能量分布向量(样本向量);通过样本向量和总体向量之间的马氏距离识别损伤。该方法仅利用单测点结构响应数据进行损伤识别,实验方便,计算简单,并通过钢梁试验对损伤识别方法进行了试验验证,识别结果表明小波能量分布向量是一个比较好的结构损伤指标。     

支持向量机在地震与爆破识别中的应用

为研究天然地震事件和爆破事件识别算法,对上海测震台网记录的上海周边区域天然构造地震和爆破事件记录进行小波包分解,并提取特征向量,提出用支持向量机（SVM）识别天然构造地震和人工爆破的算法。结果表明,基于SVM算法的向量识别分类方法,在天然地震和爆破识别中是可用的,准确率预计达85%以上。     

基于支持向量机的砌体结构震害预测新方法研究

应用简便、可靠的震害预测方法对我国大量存在的砌体结构进行抗震性能评估,是防震减灾工作的重要举措。基于支持向量机(support vector machine, SVM)理论提出了砌体结构震害预测新方法。首先,详细阐述了基于SVM的砌体结构震害预测新方法的基本原理及步骤;其次,确定了砌体结构的震害影响因子及量化值,建立了震害样本数据库及预测模型;最后,将SVM预测结果分别与实际震害结果和BP神经网络预测结果进行对比分析。结果表明,基于SVM模型的砌体结构震害预测方法步骤简单。结果可靠,在样本数据有限的情况下相对BP神经网络算法有较大的优势,可以用于砌体结构的震害预测。     

基于遗传算法优化神经网络权值的大坝结构损伤识别

针对传统 BP 神经网络存在着容易陷入局部极小点、训练时间太长等缺点,本文采用基于浮点编码的遗传算法,对 BP 神经网络的初值空间进行了遗传优化。用基于浮点编码的遗传算法来优化 BP 神经网络的权值,可得到最佳初始权值矩阵,并按误差前向反馈算法,沿负梯度搜索进行网络学习。文中以混凝土重力坝结构作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量,对网络进行了训练。仿真结果表明：遗传 BP 神经网络的收敛和诊断能力优于传统 BP 神经网络,可有效地运用到大坝结构的健康诊断与损伤识别中。     

基于支持向量机的信号自动检测算法

STA/LTA算法是信号自动检测中的经典算法. 这种算法中检测阈值的分布范围在0~infin;之间， 合适的检测阈值不但要根据实验反复调试， 而且要在误检率和漏检率之间取得平衡. 针对这一问题， 从模式识别的角度出发， 给出了一种基于支持向量机的信号检测算法. 讨论了该算法中数据预处理和模式特征提取的方法， 以及支持向量机中核函数的选择问题. 利用实际地震数据， 分析了这种算法的检测性能. 结果表明, 这种算法简化了检测阈值的选择. 在准确检测信号的同时，其误检率相对于STA/LTA算法可以降低约85％， 并且具有较强的抗噪性能.      

基于支持向量机的非线性AVO反演

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.     

基于支持向量机的地震序列分类

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法,建立了地震序列分类模型。通过试算和分析比较得到了地震序列最佳分类模型,最佳模型的分类结果与实际地震序列分类基本一致。综合分析认为支持向量机算法无论在学习或者预测精度方面都具有很大的优越性,其获得的地震序列分类知识库可以较为准确地实现地震序列类型的分类,因此基于支持向量机理论建立的地震序列分类模型应该是可行的。     

基于模态曲率法的大跨度斜拉桥损伤识别

大跨度斜拉桥是重要的交通结构,研究其在主梁损伤条件下的损伤定位问题具有重要的工程价值。合理选择设计参数并对其进行敏感性分析,根据现场实测的桥梁动力特性数据,通过调整选定的设计参数对初始的有限元模型进行修正。在基准有限元模型的基础上,通过模拟不同位置和不同程度的主梁损伤,探讨了模态曲率法对结构损伤识别的有效性。结果表明,模态曲率法能够对大跨斜拉桥进行初步的损伤定位,确定主梁单处损伤和多处损伤的损伤位置;对于单处损伤,在噪声水平3%的情况下仍具有较好的适用性。从而为后期更为精确的桥梁结构损伤检测提供依据。     

基于连续限制玻尔兹曼机的支持向量机岩性识别方法

基于测井数据分析的岩性识别是油气地球物理勘探的基础性问题之一.支持向量机(SVM)是目前分辨能力最高的岩性识别方法,特征优化可提高SVM的识别正确率,该方法采用主成分分析(PCA)进行目标特征提取,易受特征选取的影响.针对诸如白云岩和灰岩的区分等测井响应差别不明显,岩性区分困难而又必须进行的问题,本文引入概率生成模型连续限制玻尔兹曼机(CRBM)进行测井数据岩性特征提取,然后再运用SVM在提取特征上进行岩性识别.运用所发展的CRBMSVM进行川西海相灰岩及白云岩的识别,正确率达到了81.9%.基于同样的支持向量机,CRBM提取特征识别正确率要高于PCA提取特征.     

基于BP网络的框架结构损伤的多重分步识别理论

本文介绍了基于BP网络的框架结构损伤识别的多重分步识别方法，这一方法采取先确定有损伤的层，再确定层内有损伤的杆件最后确定损伤程度的策略，具有所需网络学习样本少和识别准确性与精度高的优越性，文中通过一个钢框架模型的模拟地震振动台试验的应用，详细说明了该方法的应用过程及有效性。     

基于支持向量机的砂土液化预测分析

将支持向量机方法应用于砂土地震液化预测问题.考虑影响砂土液化的因素,选用震级、标贯击数、相对密实度、土层埋深、地震历时、地面运动峰值加速度和震中距7个影响因子作为液化判别指标,建立了砂土液化预测的支持向量机模型.以砂土液化实测数据作为学习样本进行训练,建立相应函数对待判样本进行分类.研究结果表明:支持向量机模型分类性能良好,是砂土地震液化预测的一种有效方法,可以在实际工程中进行推广.     

基于损伤部位向量法的钢框架损伤识别研究

对损伤部位向量(DLV)法作了简单介绍,并用该方法对钢框架进行了损伤识别和损伤定位。该方法假定结构损伤前后为线性,对结构损伤前后柔度矩阵差进行奇异值分解,将奇异值为零所对应的向量,作为静荷载施加在无损结构的测点位置,则应力为零的单元为可能损伤的单元。对3种不同工况的钢框架进行了振动模态试验,用前3阶模态参数构造框架的柔度矩阵,按照DLV法对其进行了损伤识别,识别结果与已知损伤情况相一致。从测试自由度不完备、噪声和振型质量归一化系数这3个方面对识别效果进行了分析,结果表明:当损伤使结构动力特性有微小改变时,使用该方法不易定位损伤,应结合局部损伤识别方法进行判定;当损伤使结构动力特性有较大改变时,该方法能有效识别损伤的单元。DLV方法概念简单,理论明确,不受结构类型的限制,不需要结构的数学模型和模型缩聚或扩展技术,只需获得结构损伤前后的前几个低阶模态参数,即可识别结构一处或多处损伤,实际应用时可操作性强。     

基于支持向量机的多维地震时间序列建模

文中首先介绍了支持向量机回归方法,然后对其进行了数值仿真实验,最后利用该方法对首都圈地区的地震活动进行回归建模与内符检验。分析认为,利用该方法可以获得较强的多维地震样本学习、建模与外推泛化能力,具有较高的中长期地震危险性估计能力。     

基于SEEW-SVM的结构损伤在线识别

在增量式特征向量加权支持向量机(WEVLS-SVM)结构损伤在线识别方法的基础上,提出了自适应特征向量指数加权向量机(SEEW-SVM)识别方法,该方法通过增加样本与修剪算法更新样本,并根据样本贡献量的大小对特征向量自适应进行指数加权。以剪切型结构为例进行了数值模拟分析,结果表明SEEW-SVM方法与WEVLS-SVM方法相比,不仅提高了识别精度,而且大大提高了识别效率,更适用于对结构的时变参数进行在线识别。     

基于自适应粒子群优化最小二乘支持向量机的深层变质岩测井岩性识别

辽河坳陷中央凸起中南部基底变质岩类型多样,测井岩石物理参数与岩性之间的映射关系复杂,测井响应多解性强,导致传统的测井岩性识别方法结果不精确.本文采用基于自适应粒子群参数优化的最小二乘支持向量机算法进行变质岩的测井多参数岩性识别.通过变质岩测井岩石物理分析,优选出对岩性敏感的自然伽马、自然电位、声波时差、深侧向电阻率、密度和补偿中子6种测井参数作为特征输入,以自适应粒子群算法优化最小二乘支持向量机参数,构建岩性判别模型,预测目的层段变粒岩、混合花岗岩、混合片麻岩、混合岩和角闪岩5种类型变质岩的垂向分布.与支持向量机、K最邻近及人工神经网络算法的岩性识别效果相比,本方法判别准确率最高,符合率为90.17%,在随机划分的10次样本预测中本模型稳定性最强,分类性能最好,平均AUC值为0.974,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题.     

基于分布式应变监测的大跨度斜拉桥结构损伤探测

结构损伤具有典型的局部性质,通常表现为局部应变的异常。结构应变的分布式监测与损伤敏感特征分析,是实现大跨桥梁损伤探测与定位的理想途径之一。但是,由于环境噪声的影响,对分布式应变信号的监测往往不能准确反映结构出现的损伤状况。因此,提出了通过小波变换对分布式光纤测试的斜拉桥桥面应变分布进行多尺度分析的方法。这种方法可以克服分布式光纤应变监测信号受观测噪声和空间分辨率平均效应的不利影响,准确地确定空间域信号奇异点在桥面的位置。同时,在实验室建立了比尺为1∶150的模型斜拉桥。通过对斜拉桥数值模型与物理模型试验结果的分析和比较,验证了所提出方法的有效性。     

基于向量自回归模型的结构损伤预警

基于向量自回归模型(VAR)的结构损伤识别方法缺少自回归系数与损伤的明确关系,在选择自回归系数作为损伤敏感特征时具有一定的盲目性.文中借助结构运动方程的二阶向量自回归模型(简写为VAR(2)模型)表达形式,论证了采用VAR(2)模型的一阶自回归系数作为损伤敏感特征的合理性,并通过灵敏度分析得到该系数变化与结构刚度变化的...     

基于支持向量机的地震事件类型自动识别及应用

天然地震与非天然地震自动识别是地震自动编目系统的重要功能之一,是监测数据产出智能化的基础应用.从福建天然地震和人工爆破事件中,提取小波分析特征、P/S震相振幅比、波形能量分布特征,对以上特征组合联合支持向量机进行大批量数据测试分析,研究得出识别效果较好的事件类型判别算法,最优测试识别率为94.5％;采用最优算法研发基于...