基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

熵值理论和改进BP网络在湖泊富营养化评价中的应用研究

针对湖泊型饮用水源地水体污染、富营养化加剧的问题,引入熵值理论,建立单指标营养状态指数(TSI)和熵权藕合的湖泊综合营养状态指数模型(STSI),计算得到湖泊综合富营养状态指数判断湖泊富营养综合状态;基于神经网络仿真理论和Matlab软件系统,采用附加动量法和自适应学习速率改进BP算法,建立5-3-1结构型式的BP网络模型对湖泊富营养状态进行仿真预测。综合富营养化指数模型及改进BP模型应用于评价及预测固城湖富营养状态,并对模型评价结果进行验证。结果表明,改进BP网络模型可以有效地综合判断水体状态,为富营养评价及预测提供新的方法。     

RPROP算法在测井岩性识别中的应用

为了更好地解决测井岩性识别问题,引入一种快速实用的BP算法--Resilient Backpropagation (RPROP)算法。在说明RPROP算法的基础上,结合某地的实际测井资料,建立基于RPROP算法的BP网络岩性识别模型,进行岩性识别的应用研究。结果表明,应用RPROP算法进行测井资料岩性识别,识别的准确率较高,与基本BP算法及其一些改进算法相比,训练速度快,具有很好的应用前景。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。      

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

基于3种不同机器学习算法的滑坡易发性评价对比研究

准确的滑坡易发性评价结果是山区滑坡灾害防治的关键,可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考,笔者以云南芒市为研究对象,选取高程、地层岩性、年均降雨量等9项评价因子,通过多重共线性分析,构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(S_ei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的S_eV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其S_eV值分别为0.829、0.90、9.14;SVM最低,其S_eV值分别为0.794、0.88、6.85。此外,RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比,RF算法在芒市区域具有更高的准确性和可靠性,更适合用于该区域的滑坡易发性建模,且利用该模型获得的评价结果,能够为芒市区域的滑坡防治提供理论依...     

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GA-ANN的苏锡常地裂缝危险性评价

文章以苏锡常地区地裂缝危险性评价为例,利用遗传算法(GA)对人工神经网络(ANN)进行改进,先用GA优化BP网络初始权重,再用BP算法修改网络权重,实现不同尺度的同步调整。选择30点的不同地质条件组成样本对所建模型进行训练,评价指标包括:基岩埋深、基岩起伏度、地下水位、地面沉降梯度、含水层导水系数和粘性土层厚度。经过500次GA迭代,得到苏锡常地区地裂缝ANN模型的最佳权重组合,该耦合模型能对全区地裂缝地质条件进行正确分类,精度接近1‰。     

基于GA-BP神经网络算法的高密度电法非线性反演

高密度电法技术在煤矿地质灾害勘探中发挥着重要的作用。近年来,以BP（Backpropagation）神经网络为代表的一类非线性反演方法被广泛运用到高密度电法的反演中。针对BP神经网络方法在高密度电法反演中存在的易陷入局部极小、收敛缓慢、反演精度差等问题,将BP神经网络算法与遗传算法（Genetic Algorithm,简称GA算法）联合演算,实现高密度电法的二维非线性反演。通过典型地电模型对该方法进行验证,结果表明遗传算法能有效优化BP神经网络的权值和阈值,提高了算法的全局寻优性。      

基于微粒群算法的神经网络在岩性识别上的应用

针对前馈多层神经网络BP算法存在的易陷入局部最优的不足,采用了微粒群算法(PSO)加以改进。通过胜利油田及其它油田的岩性识别所做的实例验证,并与BP神经网络进行比较,结果表明,在同等条件下,此方法效果较为满意。     

基于L-M优化神经网络算法的地下水动态模拟与预测

本文根据地下水与其影响因素之间存在的非线性映射关系,在BP网络模型的基础上,提出一种Levenberg-Marquart优化神经网络算法,并将其应用于某地地下水的动态模拟与预测.通过与BP算法的仿真结果比较分析,发现该算法稳定性好,收敛速度快,预测精度高.     

基于神经网络的掘进面瓦斯爆炸危险源安全评价

根据危险源理论和评价指标选择原则,建立了掘进面瓦斯爆炸评价指标体系。基于灰色聚类评价法、BP神经网络原理和掘进面瓦斯爆炸的特点,设计了BP神经网络掘进面瓦斯爆炸危险源安全评价过程图。最后应用BP神经网络安全评价方法对具体的掘进面进行了安全评价,得出了安全评价等级。神经网络安全评价方法,能够实现动态、静态的安全评价,对提高安全评价技术水平具有现实的意义。      

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性问题的有效方法之一。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

BP神经网络在化探数据分类中的应用

BP神经网络作为一种具有高度非线性映射能力的计算模型,具有优良的非线性逼近能力,在化探数据处理、矿产资源潜力评价等地学应用中,很多问题正是具有高度的非线性的。BP网络可自动模拟各种成矿因素之间的自然关系,进行全局优化搜索,减少人为干预,提高资源预测的准确率。BP网络具有简单易行、并行性强等特点,目前仍是多层前向网络的首选算法。以新疆东天山的化探数据对BP神经网络进行测试,分别以东天山地区的典型金矿、典型铜矿做矿床规模和类型的分类。测试结果表明,改进的BP神经网络收敛速度快,具有较高的学习效率,可以很好地对化探数据进行分类。     

FORECAST OF PREFERRED FAULT BASED ON NEURAL NETWORK

基于优势面区域稳定性评价理论和人工神经网络 (ANN)的原理和方法 ,探讨了基于 ANN的优势断裂预报神经网络算法及模型 ,并结合实例检验表明应用反传 (BP)神经网络模型判定优势断裂的新方法是有效的 ,且取得了理想的结果。     

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。     

前馈神经网络在矿物识别方面的应用

本文首先介绍人工神经网络的发展现状，然后着重阐述BP人工网络的基本原理和算法，并以蓝宝石的产地识别和石榴子石分类识别作为具体实例，用此说明人工神经网络方法在矿物学中的应用，最后对识别结果及BP算法本身进行了讨论。     

BP神经网络算法在火成岩泥质含量计算中的应用

火成岩泥质含量的计算对火成岩储层孔隙度、饱和度等参数的确定以及储层测井解释研究起着十分重要的作用。为准确计算火成岩泥质含量,在辽河盆地东部凹陷区域,以玄武岩为例,以10口井、40个数据点的岩芯X射线衍射泥质含量资料为基础,采用多元回归分析方法和BP神经网络算法计算火成岩泥质含量。结果表明,BP神经网络算法和多元回归分析方法均有较高的准确度。BP神经网络算法可以应用到火成岩泥质含量计算的领域。