回归-Elman网络在矿坝变形预测中的应用

金矿开展矿坝的变形监测工作,引入多层递阶回归分析模型,有较高的预测精度,但方法较繁琐,计算较复杂。由于变形数据可分离成趋势项与随机项,趋势项可用多元线性回归良好地拟合;随机项的预测,文中采用Elman网络建模计算,最后利用矿坝的实测高程位移数据进行验证,并与多层递阶回归进行比较。结果表明:回归-Elman网络模型比多层递阶回归的预测精度更高,效果更好,且方法简洁实用性强。     

GNSS 监测数据预处理在变形预测中的应用

GNSS监测技术被广泛应用于变形监测工作中,但GNSS监测数据中会有缺失值、噪声等误差的存在,对预测结果造成影响。引入改进的小波神经网络模型进行变形预测,并考虑该模型的自适应性和容错性,分别采用三次样条插值法、小波滤波法和拉依达准则对原始监测数据进行缺失值填补、去噪和粗差剔除等预处理。并利用实际监测数据进行短期预报分析,对比原始监测数据和预处理后的监测数据的预测结果,结果表明预处理后的监测数据的预测效果更好。     

盾构施工参数与沉降变形关系模型构建

针对盾构施工参数变化对施工引起的地表变形的重要影响,该文构建了盾构施工参数与地表沉降变形关系模型。以北京市某地铁盾构区间施工过程中的实测数据为基础,分析了不同盾构施工参数与地表沉降变形的关联度和相关性,得到不同参数对沉降变形贡献值的大小;之后,利用多元回归模型方法建立主要影响参数与地表变形的关系模型,并进行模型的合理性检验;最后,利用该模型得到的沉降量与实测数据进行对比分析,结果显示符合性较好。     

三重加权变形监测预测模型及应用

针对GM(1,1)建模过程存在背景值、时间因素和初始条件3方面的不足,该文提出三重加权TPGM(1,1)预测模型。通过对背景值进行加权生成新的背景值,建立PGM(1,1)模型;在PGM(1,1)基础上考虑到时间因素,在求解灰参数时进行第2次加权建立DPGM(1,1)模型;最后考虑到初始条件对预测模型的影响,在DPGM(1,1)基础上进行第3次加权,建立TPGM(1,1)模型。通过实例分析,比较GM(1,1)、PGM(1,1)、DPGM(1,1)、TPGM(1,1)4种模型在变形监测数据处理中的拟合和预测结果,表明三重加权TPGM(1,1)模型拟合效果更好、预测精度更高;该模型具有前3种模型的优点,同时弥补了传统GM(1,1)存在的不足。     

基于Logistic和Gompertz曲线模型拟合的建筑物沉降分析

重大工程建设一般会有定期的沉降和变形监测,本研究利用具有规律变化的Logistic和Gompertz曲线模型进行拟合,并以某大型发电厂为研究对象,利用近15年的监测数据,建立预测模型并进行精度评估。研究结果表明,若监测数据具有一定程度的稳定性,并对计算时监测数据进行合理取舍,对采取的全区、分区平均值或单一点高度值的检测数据,运用Logistic和Gompertz曲线模型来预测大型建筑物的沉降情况是可行的。     

基于遥感影像的青海省环境变化监测

本文通过对遥感影像的分析,针对土地利用及植被变化情况,利用优化的K-means算法对青海省环境变化进行检测,以此对土地的利用进行合理的规划,以期实现可持续发展。同时将试验结果与外业实际结果及当地政策规划进行比对,结果显示文中算法对土地的变化和未来走势预测准确率超过75%,从而验证了监测方法的可行性。这不仅保证了在经济发展的同时能够合理地使用土地资源,而且能对环境进行有效的保护。     

利用GRACE数据检测日本Mw9.0地震同震和震后重力变化

基于德国地学中心（GFZ）发布的GRACE RL05月重力场模型数据,考虑全球陆地同化系统陆地水储量的影响,采用300 km的扇形滤波,利用叠积法提取了日本Mw9.0地震的同震和震后重力时变信号,并利用最小二乘拟合的方法计算了两个同震重力变化极值点在地震前后85个月的重力年变率。结果表明：土壤水分和雪水引起的重力变化为-0.34~0.09 μgal;利用GRACE数据检测到的同震重力变化为-5.3~4.2 μgal,与基于PSGRN/PSCMP模型计算的结果在空间分布和量级上具有较好的一致性;震后5 a震中附近区域的重力整体上呈现增加趋势,断层上盘所在的日本海域与下盘所在的太平洋区域重力增加的最大值分别为2.6、4.5 μgal,下盘重力增加较大,可能与断层下盘所在地层的黏滞性相对较低有关。     

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。     

基于扇形筛选法的矢量数据压缩方法

针对具有预测功能的矢量数据压缩方法效率低下的问题,提出一种基于扇形筛选法的矢量数据压缩方法。在预测区域内利用扇形筛选法,能显著减少待选点,从而提高压缩效率。实验结果证明,该方法的效率与改进前方法相比提升了30%~40%。此外,与传统的Douglas-Peucker算法相比,该方法在相同阈值下可以得到更大的压缩比,且在较小阈值下具有更高的计算效率。     

地形因子与小微地震相关度的空间异质性分析

针对传统最小二乘回归未能顾及数据的空间特性,且无法度量模型自变量与因变量相关性的空间变异特性的问题,本文提出利用地理加权回归方法分析小微地震频次与地形因子相关度的空间异质性。以四川地区的地震监测资料、DEM为实验数据,选取地形复杂度、坡度变率、坡向变率和地面曲率为自变量,地震发生频次为因变量,构建地理加权回归模型,并进行回归系数的空间变异分析。实验分析发现,地震频次与地形因子具有一定的相关性:地形复杂度与地震频次相关性最强;坡度变率、沟壑密度、剖面曲率与地震频次的相关性依次减弱;不同空间位置的地形因子和地震频次的相关性具有较明显的空间异质性。实验结果表明,地理加权回归可以有效地度量分析地震频次与地形因子相关度的空间异质性,研究结果可为地震及次生灾害的分析与预报提供辅助决策参考。