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。     

基于粒子群优化算法的小波神经网络缝洞型储层识别模型

针对缝洞型储层识别精度较低这一难题,提出了基于粒子群优化算法的小波神经网络（PSO—WNN）储层识别模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络储层识别模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。这里以济阳坳陷桩西埕岛地区古生界潜山缝洞型储层识别为例,利用常规测井参数作为模型的输入参数,以储层类型赋值作为输出,选取九口井的108个已知样本,采用不同隐含层个数对模型进行多次训练。通过对比分析,最终确定隐含层个数为10,建立起该区的Ⅰ类、Ⅱ类、Ⅲ类储层识别模型。利用已建模型对十八个检验样本进行识别,其识别正确率高达100％,而BP神经网络识别正确率为88％。这表明该模型对缝洞型储层的识别效果较好,为缝洞型储层的进一步研究提供了可靠的依据。     

基于自适应粒子群优化算法的波阻抗反演方法

针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法-自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方向的带权值组合进行全局寻优。该方法搜索速度较快,且具有较强的全局寻优能力。通过函数测试和波阻抗反演的应用,结果表明,自适应粒子群优化算法是一种适应能力较强的全局优化算法,用该方法进行波阻抗反演是可行有效的。     

基于粒子群优化神经网络算法的深基坑变形预测方法

深基坑变形预测是进行施工参数调整和确保深基坑施工安全的重要手段,而如何对其变形进行有效、准确的预测是一个有待解决的技术难题。采用粒子群优化算法对神经网络模型的初始权值和阈值进行优化,并将已有的变形监测数据作为神经网络的输入参数,建立了基于粒子群优化神经网络算法的深基坑变形预测方法。将形成的方法应用于长春市火车站北广场深基坑开挖监测工程中。结果表明：8号水平位移测点预测结果的均方根误差为3.78%,平均百分比误差为5.48%;9号地面沉降点预测结果的均方根误差为5.62%,平均百分比误差为3.23%。经验证,本文方法预测深基坑开挖过程中的变形具有较高的可信度。     

基于粒子群算法的水资源优化配置

本文基于可持续发展理论,以社会、经济和环境的综合效益最大为目标,建立了区域水资源优化配置模型.根据模型的特点,采用粒子群算法(PSO)对模型进行求解.针对粒子群算法的迭代原理,通过对粒子编码方法、适应度函数构造和约束条件处理等环节的改进,构成了用于多目标有约束条件模型求解的粒子群优化算法.不仅拓展了粒子群优化算法的应用领域,同时也为复杂多目标模型的求解提供了一种新途径.本文以北京市为例,借助本文提出的模型,得到了该市2010、2020和2030年三个水平年在50%保证率下的水量配置方案.优化结果表明,该算法应用于水资源优化配置中是合适的.     

基于粒子群优化的细胞神经网络油气重力异常信息提取

细胞神经网络方法是一种有效的重力异常提取方法,提取出的重力异常信息具有较强的横向分辨能力,但如何训练优化模板是影响该方法提取精度的关键所在。笔者引入粒子群优化算法进行参数优化,结合细胞神经网络和粒子群方法各自的特点,通过细胞神经网络动态性能分析,对模板加入约束条件,并在粒子群算法中引入收缩因子,提出一种基于改进的粒子群优化的细胞神经网络算法。使用该方法进行了模型验证和实际资料处理,处理结果表明,该方法提高了重力异常提取的稳定性,能够更准确地提取油气藏重力异常信息。     

基于粒子群优化的岩土工程反分析研究

岩土工程优化反分析本质上看是一个典型的复杂非线性函数优化问题,采用全局优化算法是解决这个问题的理想途径,但由于优化反分析中多次调用正分析的特点使得整个算法的计算效率很低。为了提高优化反分析的计算效率,把一种计算效率更高的新型仿生算法--粒子群优化引入岩土工程反分析领域,提高反分析的计算效率。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程优化反分析算法--粒子群优化反分析。并通过一个简单算例验证了该法的有效性。     

基于粒子群算法的宝鸡市水资源优化配置研究

水资源配置的目标是满足人口、资源、环境以及经济与水资源在时间、空间、数量以及质量上的协调发展,使有限的水资源获得最大的利用价值,推动区域社会经济进步,实现可持续发展。以经济效益、环境效益、社会效益等综合效益作为最佳优化配置目标,建立宝鸡市水资源优化配置模型。利用粒子群算法搜索速度快、效率高,算法简单的特点,用粒子群算法求解模型结果,最后通过经济、技术和生态环境分析论证与比选,确定优化配置方案。     

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.     

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

基于BP神经网络的农户生计风险评价模型

当今,农户生计风险在农村社会建设的过程中是最为重要和核心的问题之一。作为基本的社会经济单元,农户正面临着来自经济、社会和自然等各方面的风险。石羊河流域农户由于面临着严峻的风险冲击使其生计脆弱性进一步加剧。所以,急需辨明流域农户面临的主要风险类型,并依此找寻提高农户风险应对能力的对策措施。针对流域农户生计风险的非线性关系和复杂性特征,以及BP神经网络的适用性范围,建立了基于BP神经网络的农户生计风险评价指标体系。并基于入户调查数据,运用熵权法计算得出流域农户生计风险评价指标体系中各种生计风险变量。同时,根据石羊河流域农户所面临生计风险的特征,基于BP神经网络结构模型,确定了其评价结果的表征方法。最终对模型的可行性进行了验证。研究表明：基于BP神经网络的生计风险评价模型对定量化测度农户生计风险的适用性较强,这可为决策部门定量评估农户生计风险提供依据。     

基于BP神经网络的瓦斯含量预测

以淮南矿区潘一矿13-1煤层为研究对象,在分析勘探钻孔资料的基础上,确定了煤层埋深及厚度、顶底板岩性、地质构造和煤变质程度是影响煤层瓦斯含量的主要因素;使用BP神经网络方法建立了瓦斯含量预测模型;结合实际数据,对预测模型进行训练和检验。预测结果表明:该模型比使用多元线性回归预测能获得更高的精度,说明预测模型可靠。     

An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble

A nonlinear ensemble prediction model for typhoon rainstorm has been developed based on particle swarm optimization-neural network (PSO-NN). In this model, PSO algorithm is employed for optimizing the network structure and initial weight of the NN with creating multiple ensemble members. The model input of the ensemble member is the high correlated grid point factors selected from the rainfall forecast field of Japan Meteorological Agency numerical prediction products using the stepwise regression method, and the model output is the future 24 h rainfall forecast of the 89 stations. Results show that the objective prediction model is more accurate than the numerical prediction model which is directly interpolated into the stations, so it can better been implemented for the interpretation and application of numerical prediction products, indicating a potentially better operational weather prediction.     

基于BP神经网络的薄互层储层预测

根据地震属性来进行储层预测的研究,对于寻找油气具有十分重要的意义。而由于地下地质情况千变万化,不确定的因素太多,对这种多自变量与因变量的复杂关系模拟问题,神经网络技术是目前较成熟、实际应用效果也较好的方法之一。用BP神经网络来预测薄互层储层厚度,它可以建立属性参数与预测目标之间的高度非线性映射,并应用于具体的实例,为薄互层储层预测提供了新的思路。     

基于模糊粒子群算法的钻杆运移装置控制系统研究

在大直径救援井施工起下钻作业中,钻杆运移装置用于大直径钻具输送及钻柱接续。针对钻杆运移装置定位过程中钻杆易产生振动,难以快速、准确地将钻杆举升至动力头翘起角度进行对扣的问题。首先分析了钻杆运移装置的结构特点和工作原理,利用结构关系推导了钻杆举升时的运动学模型,得出钻杆末端接头与举升油缸和运移小车运动规律的映射关系,并采用有限元方法建立了钻杆举升时的动载受力模型,得出了钻杆末端接头的振动加速度主要由举升油缸和运移小车的工作速度所决定,且各部件的工作速度主要由各自的输入流量所确定;其次引入了基于模糊粒子群优化算法的综合误差评价函数,将钻杆末端接头的转角误差和位姿误差作为输入信号,采用加权法进行计算出综合误差和加速度误差,利用梯形隶属度函数构造了模糊控制规则,得出综合误差、加速度误差与比例参数、积分参数、微分参数之间关系,完成PID的控制参数调节,实现了对钻杆末端接头的主动抑振控制;最后利用MATLAB软件搭建了数值仿真模型,以某次钻杆运移装置工作时测量数据信号为例进行仿真研究,系统综合误差只需0.9 s可将振幅衰减至峰值的10%以下,同时加速度误差仅为0.05 mm/s²     

BP神经网络-灰色系统联合模型预测软基沉降量

目前软基沉降预测多采用指数曲线和双曲线延伸法,其结果不够理想,神经网络在此方面的运用也存在一定的局限,虽然GM(1,1)模型在软基沉降预测领域已得到运用,但在已有的案例中所使用的等时距模型都没有明确说明所采用的插值方法。以深圳湾西部通道填海软基沉降预测分析为例,建立BP神经网络-灰色系统联合模型来探讨解决这一问题的方法。采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,在此基础上建立沉降变形时间序列的GM模型,并建立相应的时间响应函数,预测沉降量。计算实例表明,该模型短期沉降预测结果比较准确,其最终沉降预测结果具有一定的工程参考价值。     

基于多元非线性回归和BP神经网络的滑坡滑动距离预测模型研究

滑坡灾害严重威胁着人类的生命财产安全, 对土地资源造成了一定影响。滑坡滑动距离直接表明了滑坡的冲击、堆积范围大小, 是估算滑坡受灾面积、评估滑坡潜在风险的重要参数, 也是滑坡防灾减灾工作中需要重点关注的指标。为了更准确高效地预测滑坡危害范围, 分别采用多元非线性回归和BP神经网络2种模型对影响滑坡滑动距离的因子进行了评估和建模, 并对天水地区的滑坡实例进行研究。研究结果表明, 2种模型均可用于滑坡滑动距离的预测。相较而言, BP神经网络的预测结果与实际情况有更高的拟合度, 准确性更高。