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递进优化处理,能有效提高趋势项的预测精度,且经Arima模型的误差修正预测,能进一步提高整体预测精度,结果的平均相对误差均小于2%,验证该组合预测思路在滑坡位移预测中的适用性;通过外推预测,得到滑坡位移仍将进一步增加,并趋于不利方向发展,因此需加强灾害防治,避免成灾损失。研究结果可为滑坡灾害防治提供理论指导。     

暴雨致灾机理分析及预测模型构建

台阶边坡、路堑边坡等地常选用乔木作为护坡植物,而降雨易影响乔木的稳定性,进而影响其护坡效果。提前预测降雨对乔木稳定性的影响,则可及时预判边坡失稳、泥石流等灾害的发生。以非饱和土体力学特征和乔木根系固土机理为基本理论依据,分析失稳原因并建立相应理论模型;基于多种降雨方案,利用数值模拟得到不同降雨情况对乔木稳定性影响的相关数据;然后以模拟结果作为训练样本,利用BP神经网络构建预测模型,并制定相应的分类预警评判指标。研究表明：此预测模型不仅精度高,相比于数值模拟计算速度可提高数万倍,此成果可为灾害防治及预警工作提供参考。     

考虑水力耦合作用的降雨诱发土质滑坡过程数值模拟研究

为探究水力耦合作用对降雨诱发土质滑坡过程的影响机理,从边坡失稳和滑坡运动2个方面进行综合分析。结合Richards模型和无限边坡模型描述降雨入渗条件下土质边坡含水率、基质吸力及稳定安全系数演化,采用Iverson-George模型描述土质滑坡运动过程中内部孔压、速度及厚度演化,通过模拟土体非饱和入渗实验及深圳光明新区滑坡验证了模型的适用性;以含水率为衔接因子将降雨诱发土质边坡渐进失稳到滑坡运动相耦合,搭建可考虑水力耦合作用下降雨诱发土质滑坡全过程的数值模拟流程。结果表明：同一初始条件下,土体渗透系数越小,滑坡运动能力越强,土体趋于饱和时含水率越大,滑坡运动能力越强,相比于渗透系数而言土体含水率对滑坡运动影响程度较大。为描述水力耦合作用下降雨诱发土质滑坡过程提供了一种定量化的数值方法。     

PSO-SVM模型在化工事故风险预测中的应用研究

为了减少化工事故的发生，提高化工生产过程中事故风险预测的准确性，研究了粒子群优化算法与支持向量机(PSO-SVM)模型在事故风险预测中的应用。首先，统计分析近5年化工生产安全事故致因因素，得出化工事故风险因素统计特征，结合层次分析法，建立化工事故风险预测指标体系并确定各指标因素的权重值；然后，基于MATLAB计算生成的化工事故风险程度样本数据，利用PSO算法优选SVM回归预测模型的惩罚因子和核函数参数，建立PSO-SVM相耦合的化工事故风险回归预测模型；最后，将预测指标值样本数据代入模型得到对应预测事故风险值。对比PSO-SVM模型预测风险值和实际计算风险值，可知PSO-SVM模型预测精度良好，预测结果与实际结果较为吻合，表明该模型能有效处理小样本数据回归预测问题，可解决化工生产安全系统各等级风险的异常样本数据稀少问题，模型适用于化工事故风险预测。     

基于多因素的LSTM瓦斯浓度预测模型*

为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。     

基于SOCP-MKRVM的区域滑坡敏感性分析研究

为了提高相关向量机（RVM）在区域滑坡敏感性评价中的预测能力,提出了基于二阶锥规划的多核相关向量机 (SOCP-MKRVM)预测模型。以四川省低山丘陵区为例,选取了8个滑坡孕灾因子训练RVM预测模型,并分别运用受试者工作特征曲线（ROC）和滑坡点密度2种方法对预测结果进行验证。通过与单核RVM模型的对比分析,结果表明:SOCP-MKRVM模型提高了对区域滑坡敏感性的评价能力,预测精度提高到71.33%,ROC曲线下面积达到0.741,滑坡点密度分布更加合理,两低敏感区之和为0.89个/100 km2,两高敏感区之和为6.54个/100 km2。     

有机过氧化物反应热的危险性预测研究

为了采用非实验的方法对安全物质学的研究内容及研究方法进行初探,基于定量结构-性质关系法,选择13种与有机过氧化物热危险性的影响因子密切相关的描述符,分别对起始分解温度T0和分解热△H的实验数据进行多元线性回归、偏最小二乘和支持向量机回归分析,从而获得3种相应的预测模型。对比T0与△H的实验值和预测值,结果发现:SVM预测模型的精度高于PLS预测模型,MLR预测模型的精度最低;同种预测模型对分解热的预测结果均优于起始分解温度。此外,分析各预测模型的稳定性数据发现:MLR模型的预测过程发生了过拟合现象,不具备预测能力;PLS模型的交互验证系数均大于0.5,具备较稳定的预测能力;SVM模型的交互验证系数均大于0.9,具备非常稳定的预测能力。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

基于Spark Streaming流回归的煤矿瓦斯浓度实时预测

为了实时分析瓦斯监测流数据并对瓦斯浓度进行准确预测以实现瓦斯灾害实时预警,以实时流数据处理框架Spark Streaming构建基于流回归的瓦斯浓度实时预测系统。系统采用分布式流处理技术,可使基于回归算法的瓦斯浓度预测模型更新周期达到秒级,提高了瓦斯浓度预测精度,满足流式大数据处理的实时性要求。实验表明:应用Spark Streaming流回归预测系统在采样周期为5 s的瓦斯监测数据流上进行实时预测时,预测平均均方根误差随模型更新周期的缩短而减小,模型更新周期可达15 s,且更新周期为45 s时预测总均方根误差最小,既能保证预测精度,又能提高瓦斯灾害预警时效。     

边坡变形的LMD-ELM多尺度预测模型研究

为准确预测边坡变形,有效预防边坡灾害发生,提出构建基于局域均值分解(LMD)和极限学习机(ELM)的边坡变形多尺度预测模型。用LMD方法,将边坡变形时间序列分解为多尺度且相对平稳的随机项、周期项和趋势项。针对各项时间序列,分别构建基于ELM的预测模型。经累加各分项预测值,获得模型最终预测结果。以甘肃某边坡变形为案例,进行实证分析。结果表明:LMD-ELM模型能够充分挖掘数据内部隐含的变形规律,有效诠释多尺度变形与其诱发因素间复杂的响应关系,预测精度、运行速度和拟合泛化能力较其他模型有所提高。     

库岸涉水滑坡危险性现状分析与预测评价

为合理评价库岸涉水滑坡危险性,基于层次分析法与模糊理论,构建滑坡危险性现状评价模型,并利用优化支持向量机构建滑坡变形预测模型,通过对比分析实现滑坡危险性综合判断。结果表明:大柿树滑坡危险性现状为69.78分,风险等级为Ⅲ级,属高度危险;通过危险性预测评价,滑坡变形呈持续增加趋势,将趋于不利方向发展;综合滑坡危险性现状分析与预测评价结果可知,滑坡危险性相对较大。研究结果可为滑坡灾害防治提供一定理论依据。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

基于傅里叶级数的自然灾害损失预测模型研究——以湖南省自然灾害经济损失预测为例

针对湖南省自然灾害经济损失发生的现状,结合傅里叶级数的相位特征,利用傅里叶级数时间序列模型给出自然灾害损失的变化趋势。根据1986—2007年湖南省自然灾害所造成的直接经济损失数据,在SPSS环境下进行拟合,并对未来5年湖南省的自然灾害所造成的直接经济损失进行预测。结果表明:傅里叶级数时间序列模型符合自然灾害损失发生的特点,有效地解决了传统损失预测模型在灾害经济损预测中误差大、稳定性差的缺陷,提高了预测精度;且得出未来5年湖南灾害灾情仍然具有递增的趋势的结论。采用该模型对自然灾害损失进行预测,其结果比较可靠,可供减灾决策部门参考。     

基于最优加权的道路交通事故组合预测模型

针对各种单一灰色预测方法存在的局限性,建立了一种基于最优加权的灰色组合预测方法。根据我国道路交通事故的发展情况,建立了GM(1,1)模型和Verhulst模型相结合的组合预测模型,运用最优加权法确定了组合预测模型的权重系数。利用2001—2007年我国道路交通事故数据死亡人数数据,对建立的灰色组合预测模型进行了预测。预测结果表明,组合预测模型比单一的GM(1,1)模型和Verhulst模型具有更高的预测精度。     

地下开采沉陷对滑坡灾害的影响分析

我国西部矿区大部分位于山区及丘岭地区,这种条件下开采往往会导致滑坡灾害的发生。利用FLAC3D模拟地下开采地表沉陷规律,分析开采沉陷对滑坡稳定性的影响。通过GeoStu-dio软件模拟降雨入渗下滑坡暂态渗流场,将计算得到的暂态孔隙水压力分布用于滑坡的极限平衡分析,并考虑基吸力对非饱和土抗剪强度的影响。探讨渗透系数、裂缝位置和深度对滑坡稳定性的影响。研究表明:降雨是诱发黄土层采动滑坡的主要因素,开采沉陷对采动滑坡稳定性的影响受控于采动区滑坡体结构形态、入渗能力、裂缝位置和深度。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

我国堰塞湖致因分析及灾害链构建研究*

为揭示我国堰塞湖形成机理,基于堰塞湖实际案例,依据灾害链式演变规律,构建我国堰塞湖灾害链模型;以灾害链模型中各因素为节点,各因素间作用关系为边,构建我国堰塞湖灾害链演化网络模型,利用Gephi软件实现灾害链演化网络可视化和拓扑参数计算,最终确定堰塞湖防治关键因素。结果表明:持续降雨作用于山地地貌,导致山体滑坡,该类堰塞湖致因在我国较为普遍,通过加大特定地区雨量与地质环境监测力度,可有效提高我国自然灾害防治水平。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于ARIMA-LOESS模型的危化品道路运输事故起数预测

文章针对危化品道路运输事故预测问题,运用差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)与局部加权回归模型(Locally Estimated Scatterplot Smoothing,LOESS)的组合模型,对我国危化品道路运输事故发生起数进行预测。首先,基于2011—2018年我国发生的危化品道路运输事故数据建立ARIMA模型,利用SPSS软件进行模型拟合预测,获取危化品道路运输事故起数的线性部分;其次,应用MATLAB建立LOESS回归模型,对ARIMA模型预测偏差进行残差优化,获取危化品道路运输事故起数的非线性部分;最后,建立ARIMA-LOESS组合模型,利用组合模型对危化品道路运输事故发生起数进行预测,并根据真实数据对预测结果进行对比验证。结果表明:ARIMA-LOESS组合预测模型可较好拟合危化品道路运输事故数据序列,并修正单一模型的误差,获取较高的预测精度。该研究可为危化品道路运输安全与运行的趋势分析与判断提供更加可靠的数据依据,也可为危化品道路运输事故防控方案提供帮助。