含交叉断层的复杂地质体3维建模算法研究

在矿井生产中,出现交叉断层的区域往往是地质构造非常复杂的地方,也是危险高发的区域.对含交叉断层的3维地质建模的算法进行了研究.其主要思想是分别建立岩层和断层的TIN模型,以断层交线作为约束条件,进行带约束三角剖分,从而建立起交叉断层模型.这将有利于矿山的工程管理,减少危险的发生,作为后续采矿生产的依据.     

利用人工鱼群算法优化高斯过程模型及应用分析

基于高斯过程利用传统共轭梯度法搜索超参数,存在对初始值依赖性强、获得局部最优解的不足。本文采用人工鱼群算法对超参数进行智能寻优,建立了基于人工鱼群算法的高斯过程模型对变形体形变进行预测分析。通过隧道和基坑两个工程实例计算比对分析,NN、SE和RQ 3种核函数中NN核函数的预测效果最好,平均相对误差分别为0.69%和1.06%。结果表明超参数优化模型的预测精度得到了较大的提高,改善了高斯过程算法本身存在的超参数求解方面的不足,效果明显。     

顾及多尺度分割参数的FNEA面向对象分类

首先对分形网络演化（FNEA）算法做了介绍,通过试验对比4种分割方法棋盘分割、四叉树分割、多尺度分割、光谱差异分割的效果。此外,通过eCognition Developer 8.7分析软件对影像进行多尺度分割预处理,从5开始,以5为单位向上递增,共选取12组参数进行分割试验,采用面向对象CART分类器对分割后影像分类。对比分类效果图可知,小尺度分割参数对分类效果能有较好的提升;对比总体精度及Kappa系数可知,小尺度分割参数分类精度优于大尺度分割参数,且当分割参数Scale为10时,分类精度达到最好的级别。     

砂样图像岩屑自动分割提取方法

通过将砂样图像进行单颗粒分割,识别砂样成分,可显著提高砂样岩性分析的准确性和效率。现有的砂样图像分割方法主要以传统分水岭算法和卷积神经网络为主,但由于对单颗粒岩屑轮廓细节提取不足,误分割率高。本文提出一种以图像融合算法为桥梁,将卷积神经网络和分水岭算法相结合的单颗粒图像分割提取方法。首先利用改进的Mask R-CNN网络快速分割砂样原图,获得其初分割图像;然后,将初分割图像与砂样原图进行融合,再使用改进的分水岭算法对融合结果进行分割;最后,利用砂样原图坐标点匹配方法,将分水岭分割得到的结果图像进行修正,完成单颗粒岩屑图像提取。实验结果表明,本文的单颗粒自动分割提取方法准确率高达96.77%,且模型更轻量和精准,为岩屑图像分割提供了一种可行且有效的方法,可满足有效测算油藏层构造变化、查找潜在沉积物源及储层动态变化的需求。     

2020年7月12日唐山5.1级地震前高光谱多参数异常特征分析

基于高光谱遥感数据,通过RST算法提取2020年7月12日唐山5.1级地震前不同参数异常信息,发现震前CH₄、CO、H₂O、O₃均出现了高值异常,且异常均位于震中附近,异常幅度高于2倍均方差,CH₄、CO、H₂O异常机理不同于O₃。通过统计2018—2020年CH₄、CO、H₂O三种气体出现频次,发现同步异常具有可靠性,认为高光谱多参数异常出现的同步性,可提高异常性质判定的信度。通过对不同参数进行连续跟踪观测,提取多参数同步异常信息,对地震短临预报具有一定参考意义。     

2019年河南淅川ML 4.2地震震源深度测定

采用震源深度测定的确定性方法（PTD）和震源机制CAP反演法,对2019年11月30日河南淅川丹江口水库发生的M_L 4.2地震进行分析,重新计算了此次地震的震源深度。结果表明,2种方法所得到的震源深度基本一致,均约为7.0 km,与中国地震台网中心统一编目结果（7.1 km）相差不大,此结果可能表明地震监测台网相对较好的情况下,用不同方法测得的震源深度相差不大。     

基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子,构建了基于AdB、RF和SVM模型的各月径流预报模型,模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明,王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明,王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果,但RF和SVM模型对于高流量值的预报存在偏低现象,AdB模型整体上优于RF和SVM模型。     

参数空间变异性下地下水污染监测网多目标优化机制研究

基于野外实际含水层参数存在空间变异性的客观事实,研发概率Pareto遗传算法(Probabilistic Pareto genetic algorithm,PPGA),用于求解考虑含水层参数空间变异性下地下水污染监测网多目标优化设计问题。PPGA在ε-改进非劣支配遗传算法(epsilon-dominance non-dominated sorted genetic algorithm II,ε-NSGAII)的基础上通过添加概率择优排序和概率拥挤度技术,寻求考虑参数空间变异条件下地下水污染监测网模拟—优化耦合模型的Pareto最优解。将优化结果与蒙特卡洛(Monte Carlo,MC)模拟分析结果进行对比,验证优化结果的可靠性。算例求解结果表明:在求解考虑参数空间变异性条件下地下水污染监测网多目标优化设计问题时,PPGA优化所得Pareto最优解变异性小,可靠性高,可为决策者提供一系列稳定可靠的监测方案。     

基于差异序列信息熵的降雨分区研究

充分挖掘降雨变量语法信息,利用基于差异序列信息熵测度理论的遗传算法聚类分析方法,对淮河流域蚌埠站以上区域99个雨量站进行了分区研究。根据各子区域内雨量站降雨序列差异测度得到最优分区,从而使得降雨信息在区域内具有较大的同质性。最后,以插值精度为标准,将不分区的情况为参照对象,对2、4、8三种分区结果进行校验,结果显示,相对于不分区,分区明显提升了降雨插值的精度。     

改进PSO算法在水位流量关系拟合中的应用

粒子群算法(PSO)是一种基于群智能的全局优化方法。将改进PSO算法应用于水位流量关系拟合优化问题,通过对结果的比较分析,验证了改进PSO算法在提高精度方面的有效性,说明了改进PSO算法在水位流量关系拟合中应用的可行性。