边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

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。     

爆炸性恐怖袭击后果与人群聚集状态的关系研究

在自杀性爆炸中,当爆炸负荷较小时,所产生的人员伤亡主要由爆炸碎片造成.从几何及概率理论的角度对自杀式恐怖袭击中爆炸碎片产生的伤亡后果进行了数学建模.人群聚集状态不同,爆炸后产生的伤亡后果不同.在爆炸负荷一定的情况下,分别以场所中的人数,爆炸气流扩散角为变量对伤亡后果进行研究.结果表明,伤亡人数的变化随场所中人数的增加呈单峰式变化.当场所中总人数超过某一阙值后,期望伤亡人数会减小.伤亡人数随爆炸气流扩散角度的增大而下降.场所中人数及爆炸负荷确定的情况下,当场所面积在 m=6～50之间变化时,伤亡后果先增加,然后缓慢下降,最大伤亡在m=25左右时出现.     

压力容器爆炸事故分析和后果预测

针对一般压力容器的爆炸情况,对容器内物质分3种集态分别讨论计算其爆炸能量、爆炸冲击波大小及其破坏范围,以此进行事故分析和后果预测。     

基于特征提取的输油管道泄漏系数预测*

为准确预测管道泄漏系数,估计管道泄漏量,以基于瞬变流方法的模拟数据为例,建立多个管道泄漏系数预测模型(多层感知机、长短期记忆网络、随机森林、支持向量机以及K近邻回归),综合考虑管道流量和压力数据特点,提出序列提取法和均值提取法2种管道时序数据预处理方法,模型评价指标为相关系数（R2）和平均绝对百分比误差（MAPE）。研究结果表明:随机森林和多层感知机的抗噪性较强,在5%的噪声影响下,模型准确度下降幅度较小;均值提取法去噪功能较好,可在一定程度上降低噪声影响;基于均值提取法的多层感知机模型效果相对较好,R2为0.997 5,MAPE为1.599%,研究结果可为准确预测管道泄漏系数、估计泄漏量提供指导。     

输气管道高后果区蒸气云爆炸超压预测方法探究

为准确预测输气管道高后果区在发生蒸气云爆炸事故时的超压分布情况,对国内外运用较为广泛的蒸气云爆炸超压预测经验模型和数值模拟方法进行调研,并分别应用其对某输气管道全尺寸泄漏燃爆实验进行超压预测,结合实验数据和输气管道高后果区管理现状进行方法准确性和工程适用性分析。研究结果表明：基于等效TNT假设的Henrych模型、Mills模型和等效TNT当量数值模拟方法均不适合准确预测蒸气云爆炸超压,TNO多能法和混合气体数值模拟方法所预测的结果较为接近实验结果。TNO多能法使用简便且推广性强,但主观性较大,易高估或低估爆炸后果;混合气体数值模拟方法操作繁琐且推广性差,但分析结果精度较高。在对高后果区进行安全管控时,可结合TNO多能法与混合气体数值模拟方法同时对管道工况进行评估,确定TNO多能法的爆源强度等级,继而推广使用TNO多能法。该研究结果可在较大程度上保证评估的准确性并节约成本。     

蒸气云爆炸后果预测模型的比较研究

介绍了3种蒸气云爆炸后果预测模型,分别是TNT当量模型、多能法、Baker-Strehlow模型。阐述了这些模型的基本原理,将3种模型进行了对比研究,并将3种模型的无量纲距离和超压关系绘制在了同一图中。对某一蒸气云的爆炸后果进行了预测,并对结果进行了分析,指出了不同模型的优缺点。     

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性,将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题,根据实车运行中的电池状态数据,选择电池的单体电压最高值、单体电压极差等作为关键预测对象;利用费舍尔计分和最大信息系数(MIC)进行特征选择,采用样本卷积和交互网络模型(SCINet)实现关键状态预测;基于预测的状态,建立多分类随机森林(RF)模型,对动力电池的安全风险进行分级预警。研究结果表明：该模型对电池多个参数具有很强的预测能力,如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f₁分数为74%。     

基于多米诺效应的输油管道重大事故后果分析

针对近年来不断发生的输油管道重大事故,引入多米诺效应理论分析输油管道事故后果。首先依据多米诺效应机理,建立输油管道重大事故多米诺效应模型,然后采用PHAST软件确定初始事故影响范围,运用设备损坏概率和人员伤亡概率模型计算初始事故对周围设备和个体的影响概率,从而可以从设备损坏、人员伤亡和事故影响范围三个方面定量分析输油管道的事故后果。研究结果对制定输油管道重大事故应急抢险方案,避免事故影响范围进一步扩大具有理论指导意义。     

基于事故健康后果的应急疏散策略评估

依据事故的健康后果,评估应急响应策略(ERP).将研究区域分为形状和大小各异的节点,节点之间通过连线连接,用来表示该区域的道路系统.将人员在节点间的转移作为随机过程,采用离散随机Markov模型模拟疏散者的运动.对Markov模型求解,根据平均剂量估计人员的健康后果,评估ERP的有效性.针对不同事故极端现象对人员的影响方式,根据剂量-反应关系计算疏散过程中人员受到的健康影响(死亡或受伤等),得出事故的健康后果.依据不同ERP的健康后果来评价其优劣,优化应急策略.     

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。     

基于集成学习的改进灰色瓦斯浓度序列预测

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度.结果表明:瓦斯浓度时间序列近似线性时,基于集...     

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。     

基于多尺度排列熵和极限学习机的风机叶片覆冰故障检测方法*

针对风机叶片结冰故障检测中状态数据维度高和检测率低的问题,提出1种使用功率数据驱动的多尺度排列熵（multiscale permutation entropy,MPE）和极限学习机（extreme learning machine,ELM）的风机叶片结冰故障检测方法。首先,使用多尺度排列熵提取功率数据的多重尺度特征,得到特征向量;随后,采用极限学习机,结合环境温度,对结冰故障进行检测;最后,通过使用某风电场的数据采集与监视控制系统（supervisory control and data acquisition,SCADA）对数据进行仿真。研究结果表明:所提方法的故障检测率达到100％,同时虚警率仅有0.14％,表明所提方法在风机叶片的覆冰故障检测中的有效性。研究结果可为风机叶片覆冰故障检测提供1种有效方法。     

考虑设备跌落的天然气计量站失效后果计算方法

天然气计量站阀门多且检定流程中频繁使用桁车,常规天然气站场的失效后果计算方法难以评估由此带来的影响及后果。为此,在API 581标准基础上,考虑阀门截断作用对机械损伤事故的影响,选取管段组储气量为最大天然气泄漏量,并以动量定理为依据,研究了桁车失效所引发的设备跌落事故,建立了潜在影响面积计算模型;将影响面积内损伤的管段及设备、泄漏的天然气、伤亡的人员等折算为经济损失,形成了考虑设备跌落的天然气计量站失效后果计算方法;将该方法应用于某天然气计量站。研究结果表明:设备跌落事故损失金额为机械损伤事故的3倍;当考虑设备跌落事故时,管段风险等级由低级上升为中低级。研究结果可为天然气计量站失效后果评价提供理论支撑。     

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。     

Machine learning based quantitative consequence prediction models for toxic dispersion casualty

Incidental release of toxic chemicals can pose extreme danger to life in the vicinity. Therefore, it is crucial for emergency responders, plant operators, and safety professionals to have a fast and accurate prediction to evaluate possible toxic dispersion life-threatening consequences. In this work, a toxic chemical dispersion casualty database that contains 450 leak scenarios of 18 toxic chemicals is constructed to develop a machine learning based quantitative property-consequence relationship (QPCR) model to estimate the affected area caused by toxic chemical release within a certain death rate. The results show that the developed QPCR model can predict the toxic dispersion casualty range with root mean square error of maximum distance, minimum distance, and maximum width less than 0.2, 0.4, and 0.3, which indicates that the constructed model has satisfying accuracy in predicting toxic dispersion ranges under different lethal consequences. The model can be further expanded to accommodate more toxic chemicals and leaking scenarios.