基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....     

基于应变和PSO-BP神经网络的连续梁桥损伤识别方法

以连续梁桥为研究对象,建立了基于应变的损伤识别方法。提出将伪比能变化率作为损伤识别指标,并针对BP神经网络易陷入局部极小的缺点,用改进粒子群(PSO)算法优化BP神经网络的权值和阈值参数,建立PSO-BP网络预测模型。通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明,以伪比能变化率作为损伤识别指标,可以很好地实现对桥梁单位置和多位置损伤的定位及损伤程度识别,损伤程度识别的最大相对误差为3.14%,且网络内插能力优于外延能力。与传统BP神经网络比较,PSO-BP神经网络拥有更为精准的预测能力。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

基于长短时记忆网络的水质预测模型研究

在当前水质数据急剧增加的背景下,为了挖掘水质时间序列中的更多信息,提升水质预测的精度,构建了基于缺失值填补算法和长短时记忆网络(LSTM)相结合的水质预测模型。通过缺失值填补算法进行水质数据的缺失值处理,利用LSTM网络分别构建不同水质参数的预测模型,以太湖水质监测数据为样本,对模型进行检验。结果表明,基于缺失值填补算法-LSTM的水质预测模型适应性强,相较传统SVM、BP神经网络、RNN、LSTM模型预测精度更高,对水环境保护具有重要意义。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

不同螯合剂对花生富集污染土壤中Co的影响

采用模拟Co污染土壤的方法,分别投加2.5 mmol/kg、5.0mmol/kg、7.5 mmol/kg的EDDS、NTA、CA和OA,研究了其对花生生长与吸收土壤重金属Co,以及对土壤中Co的活化能力的影响.结果表明:整合剂处理使花生的生物量降低,在高浓度整合剂处理时,降幅最大;EDDS的添加比NTA、CA和OA更显著地增加了土壤Co的有效态质量比,同时明显提高了花生的富集系数和转运能力;在螯合剂处理下,花生的转运系数最高达到0.916,具备了修复土壤重金属污染的能力;根系和地上部富集Co能力最强时分别达到58.64 mg/kg和46.33mg/kg,是对照组的1.29和3.63倍;各处理花生根系中的Co质量比要高于茎叶中的质量比,花生植株Co质量比与土壤有效态Co质量比呈显著(p＜0.05)或极显著相关(p＜0.01);综合来看,螯合剂的投加能有效活化土壤溶液中的Co,促进植物吸收、转运重金属.     

基于模糊可拓层次分析法的在役混凝土桥梁耐久性评估

对在役混凝土桥梁的耐久性研究是目前学术界的热点问题。使用科学的方法对其耐久性进行合理的评估,是解决该问题的关键。考虑到在役混凝土桥梁耐久性评估中的不确定性,利用改进的三标度层次分析法及模糊可拓理论,建立了基于模糊可拓层次分析法的在役混凝土桥梁耐久性评估模型。首先,根据桥梁的结构及所处环境的特点,建立了在役混凝土桥梁耐久性评估指标体系。其次,运用改进的三标度层次分析法确定指标权重。然后,使用模糊可拓理论确定耐久性等级。最后,通过具体的实例分析,证明了该评估方法的科学性和有效性。     

物流企业员工安全参与行为演化路径研究

为确定影响物流企业员工安全参与行为的因素与演化路径,推动对物流企业员工的安全监管,在员工和物流企业具有有限理性的前提下,从物流企业与员工之间的博弈机理出发,构建了员工安全参与行为的演化博弈模型。采用系统动力学方法分析模型的演化趋势,通过数值仿真分析物流企业员工安全参与行为及演化路径。结果表明,奖励力度、惩罚力度等参数影响着员工策略的变化,物流企业可加大对员工不积极参与安全行为的处罚力度,并适当提高奖励力度,从而提高员工的参与安全活动的积极性;物流企业还应建立奖励与惩戒相结合的管理制度,同时通过技术创新降低监督成本,实现对员工安全的有效监管。     

基于模糊层次分析法的编队内碰撞风险评价模型研究

编队内碰撞是编队飞行最大的安全威胁。为解决编队飞行灵活性与编队飞行安全的矛盾,建立了编队内各机碰撞风险评价模型指标体系,使用模糊互补判断矩阵确定了各指标的碰撞权重,实现了编队内各机碰撞的风险评估。以空军航空兵某部一架机型G与一架机型H混合双机编队为例进行了实证研究,结果表明,该模型简便易操作,可提高编队飞行训练效率。     

Y型通风沿空留巷巷道围岩活动规律研究

为掌握沿空留巷围岩活动规律,以谢桥矿12418工作面轨道顺槽为工程背景,采用多点位移计及钻孔窥视仪等设备进行实测研究,并结合数值模拟对其进行分析.结果表明:沿空留巷巷道表面围岩变形具有典型的近场效应,留巷前距工作面60 m以外的巷道基本无表面位移,随工作面的推进,巷道表面位移逐渐增大,距工作面10～15m范围内,表面位移变化速率显著增加,留巷后巷道表面位移与留巷前变形趋势类似,但表面位移量较留巷前有明显增加;从顶板钻孔窥视结果可以看出,留巷前仅在孔深2 m处发育单一离层裂隙,留巷后在孔深1.2m、2.4 m、3.8m和5.3m处发育多层离层裂隙,且随滞后工作面距离增加裂隙逐渐增大;尾巷充填体应力在充填材料固结后逐渐升高,并一直维持较高应力状态,因此,巷旁充填体既要确保有一定的强度和刚度,又要有一定的适应变形能力.     

软质聚氨酯泡沫阴燃前期热解特性研究

采用DSC-TGA(差示扫描量热-热重分析)同步热分析仪对软质聚氨酯泡沫(聚氨酯软泡)在不同氧气体积分数(0、10％、30％、50％)和不同加热速率(10 K/min、20 K/min、50 K/min)下热解到800℃的过程及其对阴燃的影响进行了研究.结果表明,当氧气体积分数介于10％ ～ 50％时,聚氨酯软泡热失重DTG曲线只有1个峰;当氧气体积分数降低到10％时,DTG曲线开始逐渐分离为2个峰;当氧气体积分数降为0(即氮气气氛)时,DTG曲线已经明显分为2个峰.这表明氧气体积分数对聚氨酯软泡热解特性具有重要作用.氧气体积分数和加热速率降低均对聚氨酯软泡的热解有抑制作用,均能减小阴燃传播速率和向明火转化的可能性.加热速率降低主要是延长了聚氨酯软泡的热解周期,从而减小了热解可燃气体积分数和放热速率.氧气体积分数降低对聚氨酯软泡热解的影响相对复杂的多:当氧气体积分数从10％降低到0时,主要提高了聚氨酯软泡的分解温度,而对热解速率影响不大;当氧气体积分数介于10％～50％时,氧气体积分数减小主要会降低聚氨酯软泡的热解速率、放热速率和放热量而对热解温度影响相对不大.氧气体积分数和加热速率降低抑制了多元醇的分解,而多元醇是聚氨酯软泡维持阴燃或向明火转化的主要物质及能量来源.     

井下有限空间内作业人员噪声危害调查

为研究煤矿井下环境相对封闭、空间相对有限的情况下,噪声对作业人员的影响及危害,通过问卷调查的形式,分别对开滦集团东欢坨及荆各庄2煤矿井下5个不同作业区人员进行了共计200份的噪声危害问卷调查。将问卷调查结果通过SPSS软件进行统计与分析,并将SPSS分析得到的数据用于分析井下噪声对作业人员的影响及危害,归纳出噪声对作业人员的影响因素,并对噪声、影响因素及症状之间建立了井下噪声对作业人员影响的理论关系模型。结果表明:在井下有限空间内,噪声对作业人员的危害最严重的症状是耳鸣,危害最轻的症状是畏惧感;参与调查的多为年龄较大、工龄较长的作业人员,噪声对工龄较长者的危害程度要大于对年龄较大者,且工龄与噪声危害之间存在Pearson相关性系数大于0的正相关关系。     

露天矿采空区爆破合理孔底填塞长度与起爆位置确定

为研究孔底填塞长度与起爆位置对露天矿采空区上覆岩石台阶爆破的影响,进行了数值模拟和工业试验。运用ANSYS/LS-DYNA软件构建了爆破模型,分析了存在采空区时台阶的爆破机理,通过对比分析不同孔底填塞长度、不同起爆位置下爆破时岩石拉应力及动能变化,揭示其对采空区爆破效果的影响,确定了采空区上覆岩石台阶的合理爆破方法,并通过工业试验进行了验证。结果表明:采空区的存在导致爆破能量的利用效率降低;中间起爆技术适合采空区上覆岩石爆破;孔底填塞长度在一定临界范围内时,爆破能量的利用效率是最佳的;确定了武家塔露天煤矿采空区上覆岩石台阶爆破采用中间起爆技术且孔底填塞长度为2 m。     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.     

基于生态毒性的再生水补给河流氨氮控制目标研究

再生水补给河流是解决城市景观用水缺乏的重要途径,但是再生水中的氨氮,特别是游离氨对水生生物的毒害作用也不容忽视.针对再生水补给河流的典型场景,根据物种敏感度分布法(Species Sensitivity Distribution,SSD),计算得到游离氨的属急性毒性基准最大质量浓度(Criterion Maximum Concentration,CMC)为0.093 mg/L.以保护95％水生生物为目标的河水氨氮控制目标分别为4.37 mg/L(水温T≤12℃)和1.73 mg/L(水温T＞ 12℃).根据再生水补给河流的不同比例(体积比),计算再生水的氨氮控制目标.当河流上游来水分别满足地表水环境质量标准Ⅳ、Ⅴ类水体要求和CMC值,再生水占混合后河水的比例为20％～100％且水温T＞ 12℃时,再生水氨氮控制目标分别为1.7～2.6 mg/L、0.6～1.7 mg/L和1.7 mg/L;当河流上游来水分别满足Ⅳ、Ⅴ类水体要求,再生水占混合后河水的比例为50％～100％且水温T≤12℃时,再生水氨氮控制目标分别为4.4～7.2 mg/L和4.4～6.7 mg/L.当河水全部由再生水组成时,推荐再生水的氨氮控制目标为1.7 mg/L(水温T＞12℃)和4.4mg/L(水温T≤12℃).