基于?－SVR和GA的初始地应力场位移反分析方法研究

基于一种改进的支持向量机（?－SVR）和改进的遗传算法（GA）,提出一种初始地应力场位移反分析方法。该方法通过正交设计方法安排较少次数的正分析方案,用?－SVR对正分析中测点位移值与参数构成的样本集进行学习,建立参数取值与观测点测值的非线性隐式方程;采用确定性或随机反分析的思路确定反分析的优化目标函数,并利用GA搜索最优参数取值。采用?－SVR方法建立的参数取值与位移量测点测值的非线性隐式方程,能够以很高的精度拟合和预测不同参数取值时的观测点测值,因此,可以用该隐式方程代替正分析,减少计算量;采用改进的GA方法能够准确搜索到最优参数;搜索到的最优参数值与理论值相当吻合。算例表明,基于?－SVR和GA的初始地应力场位移反分析方法是一种行之有效的初始地应力场位移反分析方法,可以广泛用于初始地应力场确定性反分析和随机反分析。     

土钉支护结构优化设计的有限元分析

考虑土钉-土体的相互作用,建立三维有限元模型,分析计算土钉支护结构的内力和位移,提出了变形控制和应力控制相结合的优化设计方法。采用遗传算法,以应力和位移为约束条件,以工程造价为目标函数,建立了土钉支护结构的优化设计数学模型,并编制了相应的计算程序,通过算例分析,并基于规范法的优化设计结果相比较,得出本文的设计方法更为合理的参考结论。     

利用测井资料自动识别藻灰岩

藻灰岩在测井曲线图上具有不同于其它岩性的特征,据此确定了7种测井参数(自然伽玛、自然电位、井径、声波时差、补偿中子、补偿密度及深电阻率),将测井数据归一化后得到了相应的岩性判别样本参数。利用F-Means中速度较快的聚类迭代(LBG)算法对研究样本进行分类,优选了一组数据用于判别分析。在进行Q因子分析的基础上建立了用于岩性判别的3个判别函数,并对花土沟油田某井段进行了岩性识别预测分析。     

无单元法布点优化的一种新方法

研究了无单元法中单个影响域内的布点形式对误差的影响,提出了半径权值的概念。在经过充分的数值计算后,给出在半径权值对无单元法插值结果的精度的影响值的大小。研究对优化无单元法的节点布置、减小模拟误差有很大的作用,并且使得影响域的大小不再依靠点数的多少来确定,避免了影响域过大的情况和为了单个影响域内有足够多的插值点而使得整体插值点数目过多的弊端。运用单个区域内的插值点健康度的理论,研究了整个区域布点对无单元法模拟函数--滑动最小二乘法模拟精度的影响,并运用遗传算法对整个布点区域上的插值点进行了优化,给出了区域上的优化值。通过一个实例,得到一个具有普遍意义的插值点优化值与插值点密度的关系,并给出无单元法布点的一般性原则。     

现代测量数据显示交互技术研究

介绍完成图像数据输出的有关算法,并主要讨论了交互技术的理论和方法,为最终实现测量数据可视化提供了技术基础。     

滑坡预报的BP-GA混合算法

提出了滑坡位移预报的一种改进人工神经网络方法－ＡＮＮ－ＧＡ法,与传统的人工神经网络方法相比,该方法加快一网络的学习速度,提高了滑坡位移的预报精度。同时它是一种面向数据的方法,适合于不同地区不同条件下滑坡的预报。两例滑坡预报平均相对误差分别为３．５５％和１．９３％,明显估于传统的ＢＰ算法（分别为１１．３５％和７．２４％）及ＧＰ改进方法（分别为３．９６％和２．６５％）,表明该方法具有科学性、可行性和有     

基于行道树的道路快速提取和面积计算研究

在城市遥感中,道路自动(半自动)提取一直是研究的霞点.本文在现有道路自动(半自动)提取技术的基础上,结合高分辨率遥感影像中行道树的分布特点,从地学知识出发,利用归一化筹值植被指数、阀值分割、数学形态学算子及地理信息系统的分析功能等实现基于行道树的道路自动(半自动)提取和道路面积快速、自动计算.结论表明基于行道树的道路提取和面积计算方法具有一定的实用性.     

基于敏感性分析的裂隙岩体渗流与应力静态全耦合参数反演

基于求解稳定渗流场与弹性位移场耦合问题的全耦合分析方法,应用提出的混合遗传算法作为优化算法,同时利用水头、位移等多类型量测资料,提出了裂隙岩体渗流与应力静态全耦合的参数反演方法。在目标函数建立中考虑了实测水头对渗流参数的敏感性,在待反演力学未知参数的选取中,依据提出的相对灵敏度概念,考虑了实测位移对力学参数的敏感性。针对某裂隙岸坡算例,研究了水库蓄水过程中位移场对力学参数敏感性,据此实现位移测点的优化布置,并以渗流场与位移场全耦合正分析计算结果作为假想实测值,进行该岩坡的全耦合参数反演分析,从而验证了所提出理论与研制程序的正确性和可行性。     

A New Strategy for Solving a Class of Constrained Nonlinear Optimization Problems Related to Weather and Climate Predictability

There are three common types of predictability problems in weather and climate, which each involve different constrained nonlinear optimization problems: the lower bound of maximum predictable time, the upper bound of maximum prediction error, and the lower bound of maximum allowable initial error and parameter error. Highly efficient algorithms have been developed to solve the second optimization problem. And this optimization problem can be used in realistic models for weather and climate to study the upper bound of the maximum prediction error. Although a filtering strategy has been adopted to solve the other two problems, direct solutions are very time-consuming even for a very simple model, which therefore limits the applicability of these two predictability problems in realistic models. In this paper, a new strategy is designed to solve these problems, involving the use of the existing highly efficient algorithms for the second predictability problem in particular. Furthermore, a series of comparisons between the older filtering strategy and the new method are performed. It is demonstrated that the new strategy not only outputs the same results as the old one, but is also more computationally efficient. This would suggest that it is possible to study the predictability problems associated with these two nonlinear optimization problems in realistic forecast models of weather or climate.     

基于遗传算法的神经网络短期气候预测模型

用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,进行短期气候预测建模研究。该方法克服了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡,以及网络极易陷入局部解问题。作为应用实例,以广西全区4月份平均降水作为预报量及前期500hPa月平均高度场,海温场高相关区作为预报因子,建立基于遗传算法的神经网络短期气候预测模型。将这种方法与传统的逐步回归方法作对比分析,结果表明,该方法具有预报精度高,稳定性好的特点。