人工神经网络模型在地下水水质评价分类中的应用

人工神经网络(ArtificialNeuralNetwork以下简称ANN)是一种行之有效的数据处理和分析方法,它的应用领域不断扩大并逐渐完善,本文在传统ANN方法基础上进行了进一步的探讨,立足于BP算法,通过调整ANN输出结构,提高其鲁棒性能,从而使其更具有适应性。将改进后的ANN应用于地下水水质评价分类,并和模糊综合评判评价结果进行了比较,分类结果令人满意。     

改进的神经网络反演微动面波频散曲线

通过分析微动探查方法和改进神经网络迭代反演算法,提出采用改进的神经网络迭代反演微动面波频散曲线。该方法在网络训练学习阶段通过批处理学习和优化网络结构提高网络学习速度;在迭代反演阶段通过v_R/λ_R-f曲线极值点的变化来调整输入模型以减少迭代反演次数;最后设计反演方案,并对6层介质模型进行频散曲线的网络训练和迭代反演,验证了方法的有效性。对比分析结果表明：该方法明显减少了迭代反演次数,提高了收敛速度,而且具有良好的抗干扰能力。     

人工神经网络(ANN)模型在地下水资源预测中的应用研究

分析了地下水系统影响因素的复杂性，提出对于研究程度不能满足分布参数模型计算要求的研究区域，更适于从系统的观点出发、建立适宜的集中参数模型，从整体上分析研究，以解决相关问题。结合沈阳市地下水资源评价与管理实例，尝试应用人工神经网络(ANN)技术在水资源系统模型研究中的新模式。构建了基于BP算法的ANN降水量和蒸发量的预测、地下水水位动态模拟、预测及开采量优化方面的应用模型，结果表明模型精度满足要求。     

渤海湾西岸BT113孔35ka以来的沉积环境演化与海陆作用

根据渤海湾西岸有孔虫和介形虫与年代学(AMS14C和OSL测年)研究,将该段岩心自下而上划分为6个沉积单元(U1—U6),它们依次形成于晚更新世的河流及全新世的潮滩、浅海、前三角洲、三角洲前缘和三角洲平原沉积环境,结束于约35 ka的U1单元的陆相环境,证实晚更新世低海面时渤海湾西岸未受海水影响。U1和U2单元之间,存在历时约27 ka的沉积间断(35～8.5 ka cal BP),研究区因此缺失早全新世沉积。U2单元的潮滩环境指示全新世海侵于8.5 ka cal BP到达渤海湾西岸,当时相对海平面为-16.7 m。U3单元为浅海环境,约6 ka cal BP时相对海平面上升到-6.8～-1.8 m。8.5～6 ka cal BP期间的海面上升速率是0.4～0.6 cm/a,可能与MWP1C事件有关。U4—U5单元,转为三角洲环境,沉积速率增大,反映自3.7 ka cal BP河流输入影响加强,约1.3 ka cal BP时成陆,形成U6单元。晚更新世35 ka以来的陆海环境演化,总体上是对气候变化控制下的海面变化的响应。     

中国4.0 ka BP前后气候的空间分布特征及其对史前文明变迁的影响

本文收集整理了中国不同气候区84个地点110条4.0 ka BP前后的古气候、古环境记录,以讨论该时段前后气候的空间分布特征及其对史前文明变迁的影响.结果表明,4.0 ka BP前后中国绝大部分地区气候以降温为主.从湿度变化上看,北部、西北部的干旱区以及东部季风区的大部分地区气候为干或偏干状况,仅有少数记录,如长江下游、黄土高原中部偏南地区为“洪水”频发表征的湿度增加.总体上看,4.0 ka BP前后,中国气候似乎并未呈现“南湿润北干旱”的空间分布特征,部分地区出现的湿度增加或土壤侵蚀加剧情况,或与4.0 ka BP前后厄尔尼诺—南方涛动(ENSO)变化引起季风降水的季节性分布差异加大有关.同时,中国北部、中原以及长江中下游地区新石器文明在该时段的普遍衰退,则表明气候、环境变化是4.0 ka BP前后史前文明变迁的重要驱动力.     

神经网络方法在煤层气测井资料解释中的应用

根据煤层气储层及其测井响应特征,提出应用ＢＰ神经网络（简称ＢＰ网络） 方法进行煤层气测井资料的定量解释。通过对华北某地煤层气测井资料的处理,获得了满意的解释结果,证明该方法是有效和实用的。并对应用过程中的若干问题进行了分析讨论     

动态学习率神经网络预测气温的尝试

采用单站气象资料建立动态学习率的神经网络预测模型，进行逐日气温模拟预测，并与逐步回归预测模型和固定学习率的神经网络模型比较，结果表明，神经网络模型预测能力较好，但训练时间长。采用动态学习率的网络模型在不损失预测精度的前提下大大减少了训练时间，为神经网络在气象中的应用提供了一种方法。     

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。      

改进的BP神经网络在地震砂土液化预测中的应用

地震砂土液化的影响因素具有非线性关系,至今没有形成规范的预测标准。人工神经网络在砂土液化预测中有较好的应用,尤其是BP神经网络,但由于其本身存在缺陷:学习收敛速度慢,易陷入局部极小;遗传算法具有良好的搜索全局最优解的能力。探讨利用遗传算法优化BP神经网络权值和初始阈值来预测地震砂土液化,其效果比传统的BP网络有显著提高。     

基于MATLAB的BP神经网络在砂土液化评价中的应用

本文运用MATLAB的神经网络工具箱(NNT)建立砂土液化BP网络预测模型,并以南京地铁1#线玄武门站—南京站区间隧道砂土液化评价为例,阐述了基于MATLAB的BP网络应用于砂土液化分析的可行性和应用价值。