改进GM(1,1)模型在建筑沉降变形观测中的应用

灰色预测模型GM（1,1）的建模思想是：原始序列（非负序列）经过一次累加生成后,形成一个单调递增数列,新序列中各数据点的连线可以用指数函数y=ae^bx进行拟合。根据这个指数函数可以推导出下一个累加值的预测值（即第一个预测期）,最后通过累减生成将累加序列预测值还原为原始序列预测值。本文通过对原始序列进行指数-幂函数变换,增加了原始序列的光滑度;并在灰参数求取过程中对原始序列赋以权重,利用迭代计算的方法推导出了模型精确背景值;最后通过使预测序列残差平方和最小的方法计算出最优初始条件,进而提出了一个改进后的GM（1,1）模型。利用改进后GM（1,1）模型对某大厦沉降监测数据进行模拟与分析,并对改进前后的模型进行对比与分析,结果表明,改进后模型的各项精度因子相比于传统模型均有所提高,且时间序列越往后的预测值,精度越高。     

Prodigy直流电弧法直接测定地质样品中银锡硼等痕量元素

直流电弧光谱技术在众多固体材料的检测中具有许多其他技术难以企及的优势。最早的一些依靠照相版检测技术的仪器甚至沿用至今,这些仪器永久地记录了样品的谱图照片,但信息的处理同样繁琐。其后这些照相板检测器逐渐被光电倍增管(PMTs)所取代,从而极大地提高了样品检测效率。然而光电倍增管技术同样存在缺陷,它既不能同步获取背景校正信息,也无法记录样品的全谱信息。Prodigy直流电弧光谱仪具有稳定的电弧电流控制技术,结合了同时进行信号采集和背景校正功能,通过时序分析,合理选择积分时间,减小了基体干扰。本文探讨了Prodigy直流电弧光谱仪对于地质矿样的分析能力。     

灰色-时序组合模型在建筑沉降预测中的应用

以实际地面沉降数据为基础,分别用灰色模型、时间序列模型对实测数据进行预测,然后按照一定方法对灰色模型、时间序列模型赋予合理权值,建立了灰色-时序组合模型~([1])。预测结果表明,组合模型的预测精度更为准确、可靠,说明该组合模型具有一定的可适用性。     

喀斯特旅游地开发时序评价研究

目前,很多喀斯特旅游地面临着初次开发、二次开发或者多次开发的投资选择问题。建立评价模型的目的是把有限的资金投入到能产生较大边际效益的旅游地。本文根据层次分析法,除考虑传统的资源、市场、区域开发条件等评价因素外,首次把发展阶段力引入了评价模型中,通过特尔菲法确定评价因子的权重,建立喀斯特旅游地开发时序评价的总模型和子模型,并建设性的探讨了定性和定量相结合的评价因子评分标准。文章还以贵州喀斯特国家级风景名胜区为例进行了时序评价实例研究,并给予了相应的时序开发对策。      

非等间距序列的灰色预测模型及其在岩石蠕变断裂中的应用

给出了非等间距序列的灰色预测模型，讨论了该模型的灰色预测平面和最优预测函数。最一将该模型应用于符合Ｋｅｌｖｉｎ模型的岩石材料的蠕变断裂研究，给出了应用实例，并验证了该方法的可行性。     

贵州省开阳县耕地土壤与农作物硒地球化学特征及其影响因素

由于昆明近几年城市建设发展、地铁兴建、地下水开采等,导致地面出现严重的沉降现象,因此对其进行有效监测十分必要。本文利用覆盖昆明地区的30幅Sentinel-1A影像,分别采用PS InSAR技术和SBAS InSAR技术进行数据处理,获得两组昆明市主城区的地表沉降信息,并通过交叉验证分析和时序分析对两组结果进行对比。结果表明：两种方法的结果具有相关性、可靠性和较高一致性,研究区在2018年7月至2019年7月期间存在地面沉降问题,且最大年沉降速率可达到-39.258 3 mm/a。     

北祁连西段镜铁山式铜矿预测要素及预测模型

在北祁连镜铁山地区,近年来发现了与中元古界条带状铁建造有关的破碎带蚀变岩型铜矿,如桦树沟铜矿床和柳沟峡铜矿床。分析了铜矿床的预测要素:矿源层为含铜条带状铁建造;有利于矿质活化的构造为透入性构造裂隙;热源为壳源岩浆活动;储矿构造为构造破碎蚀变带。建立了镜铁山式铜矿资源潜力预测的经验公式,对预测区铜远景资源潜力、铁矿石量、透入性构造裂隙发育程度和热源参数的取值分别进行探讨。据此公式估算,整个北祁连西段镜铁山式铜矿的铜金属资源潜力为147.3万t,其中镜铁山矿田铜资源潜力可达约125万t。实地考察也发现了新的找矿有利地段,因此有必要继续加大找矿力度。     

路堤侧向变形性状及预测模型研究

结合大量实测资料和已有的研究成果,分析了路堤荷载作用下水平向应变随深度的变化规律,得出了侧向变形沿深度呈“弓”型分布的变化规律;提出了符合该变化规律的预测模型及参数求解方法,模型中a、b和c等3个待定参数能简单地求出。工程实践表明,该预测模型不仅反映了侧向变形随深度的变化规律,且有一定的精度,能反映出最大侧向变形发生的位置,应用效果良好。     

基于TBM破岩数据的岩体条件深度学习表征方法

基于TBM施工数据进行围岩感知对保障TBM施工安全、提高施工效率至关重要,其中TBM掘进参数预测的准确率是检验围岩感知效果的重要依据.为此,以吉林引松工程TBM四标段为研究对象,选取TBM上升段破岩数据为输入特征X1,选择两个施工控制参数（刀盘转速和推进速度）为输入特征X2,构建卷积神经网络机器学习模型,对TBM掘进响应参数Y（刀盘扭矩和总推力）进行预测.按照学习对象的不同,分别构建了只学习稳定段掘进响应行为的点预测模型和同时学习上升段和稳定段掘进响应行为的线预测模型,结果表明：点预测模型无法描述控制参数对掘进响应参数的影响;线预测模型虽然可以描述控制参数对掘进响应参数的影响,但是对稳定段的掘进响应预测数值偏低.考虑到上述局限性的原因是稳定段行为样本数量只占总样本数量的9%,提出了一种通过调节损失函数的方法来提高稳定段行为样本的权重,显著提高了线预测模型的预测精度.改进后的结果表明：在TBM掘进参数预测中,应对整个掘进段的行为进行学习,并提高稳定段行为的权重,以便获得高精度的掘进响应参数预测模型.获得的模型能够为进一步的围岩感知和控制参数优化提供基础.