基于最小二乘支持向量机的城市桥梁震害预测模型研究

针对地震中城市桥梁震害状态具有较强的非线性、复杂性的特点,采用了具有RBF核函数的最小二乘支持向量机(LS-SVM)算法。在大量收集我国地震中城市桥梁震害资料的基础上,将此算法引入桥梁的震害预测中,选取了地震烈度、上部结构、地基失效程度、支座类型、墩台高度、桥梁跨数和场地类别等因素作为模型的特征输入向量,建立了最小二乘支持向量机的桥梁震害预测模型。通过反复地样本训练及模型参数设置,仿真结果表明,该方法具有一定的准确度和可行性。基于最小二乘支持向量机的桥梁震害预测方法是一种可以用于地震中桥梁震害预测的良好方法。     

基于改进的贝叶斯推断和最小二乘支持向量机的非线性多波联合AVO反演（英文）

多波地震资料采集和处理技术的发展促进了联合PP波和PS波数据的多波联合AVO反演的应用,常规多波联合反演是线性的,通常基于Zoeppritz方程近似式进行多次迭代,导致其在远炮检距情况下求解得到的纵、横波速度和密度等参数精度不高。多波联合反演存在非线性问题。为此,本文提出了一种基于精确Zoeppritz方程的非线性反演方法。该方法结合改进的贝叶斯推断和最小二乘支持向量机方法来求解非线性反演问题。首先,采用粒子群算法来优化贝叶斯推断的参数初始值。改进的贝叶斯推断是通过最大化超参数的后验概率来获得最小二乘支持向量机的最优参数,提高了最小二乘支持向量机的学习和泛化能力。然后,利用此最优参数建立PP波、PS波反射振幅与弹性参数之间的最优非线性最小二乘支持向量机模型,从而提高了多波联合反演的精度。该方法只需训练一次模型,就可以解决多波联合反演的非线性问题。模型测试表明,利用该方法反演出的弹性参数精度要高于仅用PP波进行贝叶斯线性近似式反演得到的结果。此外加噪模型数据的反演结果表明,该方法具有较好的抗噪性。实际多波资料的应用进一步验证了方法的可行性及其相对于PP波贝叶斯线性近似式反演的优势。     

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.     

基于粒子群优化最小二乘向量机的地震预测模型

为解决地震预测中最小二乘向量机(LSSVM)模型的参数难以确定的问题,利用粒子群算法(PSO)的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,建立了PSO-LSSVM地震预测模型.通过对地震实例的预测仿真及其相关分析表明该方法的有效性.该方法优于传统的神经网络和支持向量机的地震预测方法,可以有效提高预测效能.     

多波地震深度学习的油气储层分布预测案例

有机并有效利用纵波与转换横波在油气储层敏感度上存在的差异,有助于突出地震油气储层特征,有助于提高地震油气储层分布边界刻画的精度.基于此,本文设计了一种卷积神经网络与支持向量机方法相结合的多波地震油气储层分布预测的深度学习法（Deep Learning Method）.首先,利用莱特准则剔除所生成的多波地震属性中可能存在的异常值降低网络变体数量.然后,通过能突出多波地震油气储层特征的聚类算法和无监督学习算法构建隐藏层,用于增加网络共享,提取油气特征.最后,将增加网络罚值后的井点样本作为支持向量机预测的输入样本,以降采样后的C3卷积层属性作为学习集,进行从已知到未知的地震油气储层的预测.本方案应用于HG地区晚三叠统HGR组的碳酸盐岩油气储层预测,所预测的地震油气储层边界更加清晰,预测结果与实际情况基本吻合.应用结果表明：本论文方案不仅具有可行性,且具有有效性.     

基于PSO-SVM的测井岩性识别方法研究——以南图尔盖盆地K油田古生界(Pz)储层为例

南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据.     

基于最小二乘支持向量机算法的高层建筑结构的强震抗毁性估计模型

采用现有的估计模型对混凝土建筑结构的抗毁性进行估计时,存在估计精度低、耗时长等问题。为此,提出一种基于最小二乘支持向量机的强震作用下混凝土高层建筑结构的抗毁性估计模型。该模型采用最小二乘支持向量机对混凝土结构强震损伤程度相关数据的训练样本进行训练,创建混凝土结构抗毁性估计模型;为了减少可能存在的模型误差,采用KLASSO调参模型对结构抗毁性估计模型中的参数进行调节和优化,得出可靠、稳定的强震作用下混凝土高层建筑结构抗毁性估计模型。仿真实验证明,该模型估计精度相对较高,可节省估计用时,为更好地提升建筑行业的安全检测工作效率提供很好的依据。     

基于粗糙集及最小二乘支持向量机的煤层厚度预测

煤层厚度是煤矿设计与开采必不可少的数据,准确地预测煤层厚度,能够给煤矿生产提供有力的地质保障,煤层在地震勘探中属于薄层,其薄层厚度预测一直是公认的难题之一,传统的预测方法是利用钻孔资料的内插对比获得,精度比较低.本文提出了基于三维地震属性数据的粗糙集(RS)-最小二乘支持向量机(LS-SVM)算法模型,用于预测煤层厚度.利用粗糙集对地震属性数据所包含的大量干扰数据进行简约,减少样本维数,将简约后属性数据作为LS-SVM的输入预测煤层厚度.并运用PSO算法优化获得核函数的核参数及最佳正则化参数.实际钻孔数据试验验证了算法模型的可行性,并对整个研究区进行了煤层厚度预测,取得了较好的效果,最后探讨了VTK支持下的煤层可视化技术,对煤层实现了三维展示,达到了预期效果.     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

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。     

基于最小二乘支持向量机的砂土液化预测方法

使用最小二乘支持向量机分类方法建立了两个砂土液化预测模型,预测结果与野外实际情况全部相符,表明该分类方法用于预测砂土液化是可行的,且预测准确率高。     

支持向量机方法在地球物理学中的应用与展望

支持向量机方法是基于统计学习理论的新一代学习算法,在解决小样本、非线性和高维模式识别中表现出很多特有的优势。通过支持向量机分类的原理,以及在地震勘探、油气储层预测、大地电磁和地震监测中的应用现状进行简要的综述,说明此方法在地球物理学研究中是有效的。随着支持向量机方法不断完善和改进,在地球物理学中的应用前景将更加广泛。     

基于QHAdam梯度优化算法的最小二乘逆时偏移

最小二乘逆时偏移(LSRTM)通常基于梯度类算法,经过几十次甚至上百次的迭代得到最终的成像剖面,然而常规最小二乘逆时偏移其在迭代过程中,所求梯度通常不做优化处理,导致最小二乘逆时偏移的收敛效率和成像精度不高,并且每次迭代的模型更新处理还需付出1～2次的波场延拓计算代价来获取迭代步长.本文将深度学习中的优化算法QHAdam引入到传统时间域最小二乘逆时偏移计算中,可在付出极小计算代价的前提下,直接获得优化的模型更新量,同时避免了迭代步长的求取.Marmousi模型实验结果显示,相比于常规最小二乘逆时偏移算法,基于QHAdam梯度优化算法的最小二乘逆时偏移其收敛效率和成像精度更高,且由于减少了迭代步长的求取步骤,其也具有更高的计算效率;相对于基于Adam算法最小二乘逆时偏移,本文方法也具有更高的收敛效率和收敛精度.     

基于RS与PSO-LSSVR的地震伤亡人数预测

通过对地震伤亡资料的综合考察研究,本文构建了影响地震伤亡人数的指标集,利用粗糙集理论约简此指标结构,建立最小二乘支持向量回归机预测模型预测伤亡人数,并用粒子群优化算法对模型参数进行优化。最后,将模型运用于云南地震伤亡人数预测,结果和RS-BP神经网络预测模型对比分析,验证了该模型预测的有效性。又将模型应用于芦山和玉树地震死亡人数的预测,验证了模型的适用性。实验结果表明该模型能在地震发生后,给决策者提供人员救护、安置以及应急物资供应、统筹调度的有效依据。     

一种新型的地下含水层涌水量预测模型

针对目前电法勘探预测地下含水层单孔单位涌水量方法中存在要求大样本、易出现过学习和局部极小等缺陷,基于支持向量回归机(Support vector regression,SVR)具有小样本、推广能力强、全局最优算法等优点,又可避免现有预测模型中的过学习和推广能力差等问题.本文利用支持向量回归机模型,由电测深法观测到的电阻率和激发极化等参数建立了预测地下含水层单孔单位涌水量模型,在已知抽水试验的井孔上与以往预测模型对比表明,该预测模型不但提高了预测精度,而且还具有很好推广能力和应用前景.     

基于集成学习的烃源岩总有机碳含量测井评价方法研究

总有机碳(TOC)含量是评价烃源岩品质和生烃潜力的重要参数,通常在实验室利用岩石热解仪器对岩心分析化验获得,由于实验费用高和钻井取心难,无法获取随深度连续变化的TOC数据.传统TOC测井评价方法利用有限的测井信息构造物理模型,但在复杂储层中计算精度低.人工智能算法综合多条测井曲线信息预测TOC,但预测结果存在不稳定性.本文提出基于Bagging和Adaboost集成学习预测TOC,采用支持向量回归机作为基学习器,综合多条测井曲线作为输入参数,有效提高预测结果的精确性和泛化性.利用鄂尔多斯盆地姬塬地区的岩心实验测量数据和测井数据验证了模型性能,相比于Schmoker方法、ΔlogR方法、改进ΔlogR方法及支持向量回归机,集成学习具有更高的预测精度.通过处理实际测井资料,进一步验证了方法的可行性和有效性.     

支持向量机在储层厚度预测和计算中的应用

本文通过对油田储层结构的分析,运用支持向量机的理论和方法,建立了用于预测和计算储层厚度的支持向量机回归模型,并对该模型从参数变化范围、核函数选择、误差评价的标准等多方面进行了探讨,找出了建立储层厚度预测模型的一种有效方法,通过对实际储层厚度的预测,证明该方法在预测和计算储层厚度中具有较高的参考价值.     

基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。     

基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.