基于RF-ELM模型的边坡稳定性预测研究

为实现对边坡稳定性的有效预测,将极限学习机算法与旋转森林算法相结合,并依据影响边坡稳定性的六项重要因素,建立了边坡稳定性预测的RF-ELM预测模型。该模型是以极限学习机算法为基分类器,以旋转森林算法为框架的集成学习模型,利用UCI数据库中三组数据集验证了该集成模型确实提高了ELM的预测性能。将RF-ELM模型应用于边坡稳定性的预测问题中,结合39组工程实例数据进行预测实验,结果表明该模型具有较高的预测精度,可有效的对边坡稳定性进行预测。     

基于支持向量机的边坡稳定性预测研究

针对边坡稳定性影响因素复杂，传统的稳定性分析存在计算量大、计算过程复杂的问题，提出了边坡稳定性的支持向量机预测方法。分析了边坡稳定性的影响因素，选择影响边坡稳定性的边坡重度、内聚力、摩擦角、边坡角、边坡高度、孔隙压力比6项指标为特征向量。并运行该方法对典型边坡实例进行了预测，预测结果与边坡稳定性实际状态及其它方法预测结果相吻合，表明了支持向量机在边坡稳定性预测中的可靠性和有效性。     

基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

基于CatBoost算法的孔隙压力预测方法及其在井壁稳定分析中的应用

为解决传统孔隙压力预测方法(如伊顿法和鲍尔斯法)在预测孔隙压力时,适用范围较小、受人为因素影响较大等问题。基于CatBoost机器学习回归算法建立孔隙压力智能预测模型,并与决策树回归算法和随机森林回归算法进行比较,以某区块2口直井为例验证模型的预测效果。结合CatBoost模型的孔隙压力预测结果,利用数值模拟软件分析孔隙压力对井壁稳定的影响。研究结果表明：CatBoost模型的5个评价指标相对最优,孔隙压力当量密度实测值与预测值的相对误差最小,CatBoost模型具有较强的泛化能力和较高的预测精度;在低孔隙压力条件下,井周等效塑性应变不均匀性明显,井周进入塑性区的围岩区域主要集中在最大主应力方向;在较大孔隙压力作用下,井周等效塑性应变不均匀性有所降低,但井周等效塑性应变的极大值仍存在于最大主应力方向。研究结果可对孔隙压力精确预测和钻井作业安全施工提供一定指导作用。     

基于极限学习机的炭化可燃物着火时间预测

机器学习技术近年来在许多传统科学领域取得了应用,针对火灾中炭化可燃物着火时间与物性参数及环境参数之间关系复杂的特点,提出了一种基于极限学习机的预测方法以实现不同物性及环境参数时着火时间的快速准确预测,为防治及扑救火灾提供参考。首先建立炭化可燃物热解数值模型,考虑了可燃物热解过程中的含水率以及热解反应、气体流动等复杂物理化学反应过程,然后搭建极限学习机,以数值模拟数据为基础进行训练及验证工作。结果表明基于极限学习机的预测方法能够有效实现炭化可燃物着火时间的快速准确预测,平均相对误差小于3%。     

深基坑开挖变形研究进展

深基坑的设计理念主要以“变形控制”为主,综合前人的研究成果,将深基坑开挖变形研究分为2类：深基坑开挖平面变形研究和三维变形研究。在深基坑开挖平面变形研究的模式下,回顾了地表沉降模式、地表沉降影响范围以及基坑支护变形,并对具有代表性的工程实测数据进行了归纳总结;在深基坑开挖三维变形研究的模式下,对土体本构模型和数值模拟进行了总结分析;介绍了深基坑智能监测发展趋势,对机器学习在深基坑变形预测和稳定性评估方面的不同算法模型的性能进行了分析。通过理论分析、工程实测、数值模拟、智能监测以及机器学习5个方面,对深基坑开挖变形进行了综述。可以看出,深基坑变形研究需要多方法并举、多领域贯通、多学科相互配合,旨在构建智能一体化云监测分析预警平台,保障深基坑工程的施工安全,为今后智慧工地和智能建造的发展提供可靠的支持。     

露天开采边坡稳定性分析方法及灾害防治措施研究

研究露天开采边坡的安全稳定对露天矿山的安全生产具有重要意义。在分析边坡滑动破坏影响因素的基础上,总结和分析了边坡稳定性分析方法在露天开采中的应用现状;系统地探讨在露天开采边坡安全评价中常用的3种边坡稳定性分析方法;应用典型的计算算例验证3种方法在露天开采边坡稳定性分析中的适用性;在边坡滑坡破坏机理分析的基础上,探讨了边坡滑动灾害的防治措施。     

矿山边坡稳定性评价及失稳预报研究现状与发展趋势

矿山边坡与水电边坡、道路边坡等其他永久性边坡工程不同,既要安全生产,又不能过于保守,从而降低采矿的经济效益.因此,矿山边坡岩体的变形监测和准确失稳预测,具有重要的意义.从边坡失稳的时间性和空间性2个方面,对矿山边坡的稳定性预测和失稳预报方法进行综合论述,重点评述了不同方法进行预测分析的优缺点,最后,对需进一步研究的问题提出几点意见和建议.     

多组节理边坡稳定性FLAC3D数值分析

边坡稳定性对工程安全构成直接的威胁,对多组节理且较发育的岩体边坡稳定性安全评价,利用赤平投影方法能比较好地反映不稳定结面与边坡的几何空间关系、不稳定结构体的可能变形位移方向,为FLAC3D数值计算模型的建立提供依据。以某公路段岩体节理边坡稳定性安全评价为研究对象,通过赤平投影和FLAC3D数值计算模型稳定性分析表明,A1,J1节理组对边坡稳定性影响极大;A3,J1,A3,J2与A1,J1组节理构成贯通结构面,边坡不稳定体为两组结构面切割形成的滑体,边坡安全系数为0.67,需要支护加固。该方法对复杂节理边坡稳定性安全评价比较好地避免了采用工程经验建立数值计算模型的盲目性。     

基于机器学习的侵财类案件危害程度分析

为了进一步分析侵财类案件的危害程度,以抢劫、抢夺和盗窃3种典型侵财类案件为例,利用ZS市2008—2014年的犯罪数据与统计年鉴数据,提取“发案时间”“发案地域”“选择时机”“选择处所”“选择对象”“人均地区生产总值”“职工月平均工资”7个特征,建立基于多种机器学习分类算法的侵财类案件危害程度预测模型,并进一步开展预测结果的分析研究。研究结果表明:梯度提升决策树（GBDT）算法性能最优,危害程度预测准确率达到了0.88;在抢劫案和抢夺案中,一般和重大的案件容易发生在繁华地带,特大案件容易发生在其他处所;侵财类案件倾向于在工作日的城区中发生,发生的危害程度大多为一般;提出的侵财类案件危害程度预测模型可为侵财类案件的风险评估及警务资源优化配置工作提供方法支持。     

考虑数据去噪分解的滑坡位移组合预测研究

为准确掌握滑坡位移变化规律,基于滑坡变形监测结果统计,对位移数据进行去噪分解处理,将滑坡位移数据分解为趋势项和误差项,并分别利用优化多核极限学习机和Arima模型构建预测模型,以实现滑坡位移的组合预测.结果表明:Morlet复小波较传统去噪模型分解效果更优,且通过优化处理,能更好地提高其分解能力;通过对多核极限学习机的...     

基于CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示

针对雄安新区建设和发展过程中对社会安全事件的防控需求，以盗窃作为典型社会安全事件，提出基于机器学习模型的社会安全事件分析预测方法，并以A市2012—2016年的实际盗窃犯罪数据为基础，提取发案时间、发案地点、实施手段和损失金额作为分类特征，通过比较多种机器学习算法，研究盗窃前科人员的预测方法，并根据预测结果挖掘盗窃前科人员的作案规律。研究结果表明:随机森林算法表现最优,查准率、查全率和F1均达到了0.85以上；对于盗窃这一典型社会安全事件，其前科人员倾向于选择下午时段和人流量大的地区实施，盗窃金额明显高于初犯和惯犯。最后，基于前述研究，提出构建数据驱动的社会安全事件预测预警和综合研判系统，并针对该系统的前期建设和后期使用，给出“制定统一的数据格式”、“实现数据实时接入”的建议。相关研究成果可为雄安新区社会安全事件预测预警以及治安防控工作的开展提供参考和借鉴。     

片岩隧道变形规律分析与预测方法研究

为准确掌握片岩隧道变形规律,基于隧道变形监测结果,利用核极限学习机构建隧道变形初步预测模型,通过遗传算法和蚁群算法进行优化处理,以保证模型参数的最优性,采用混沌理论对预测误差进行修正处理,利用M-K分析判断隧道变形趋势,并将趋势判断结果与预测结果对比.结果表明:通过递进优化处理,能逐步提高预测精度,且预测结果的相对误差...     

RBF神经网络可靠度分析方法在边坡稳定性研究中的应用

针对边坡稳定性可靠度分析,当状态函数无法显式表达且传统计算方法求解复杂问题困难时,提出一种基于ABAQUS和粒子群优化径向基函数神经网络的可靠度分析方法。基于ABAQUS的强度折减方法计算所选随机变量对应的安全系数,利用径向基函数神经网络的数据拟合功能,建立模型并映射出安全系数和随机变量之间的关系,构造响应面功能函数;利用蒙特卡罗生成的大量随机样本代入功能函数得到相应的安全系数,进而计算边坡的失稳概率和可靠度指标来反映边坡稳定性。研究结果表明:相对于传统方法,本文方法计算效率更高、误差更小,适合实际工程应用。