页岩气压裂井下工况多步预测方法研究

为实现页岩气压裂井下工况预测,及时预控异常工况,基于粒子滤波(PF)算法与自回归滑动平均(ARMA)模型,提出优化的局部加权线性回归(LWLR)模型的方法。该方法以ARMA模型与PF算法构建PF_ARMA模型,并用该模型预测井口压力的变化,再将预测效果作为优化LWLR模型参数的依据,得到最优压力参数的LWLR模型,最后以某段页岩气压裂压力数据为例,比较优化的LWLR模型与传统模型的预测结果。结果表明:优化的LWLR模型预测精度有所提高,并且更能准确描述数据的变化趋势及幅度。     

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。     

基于时间序列模型的航班运行风险短期预测

针对国内航班运行风险预测技术匮乏的现状,采用移动平均自回归(ARMA)方法,构建航班日运行风险的单变量预测模型;采用向量自回归(VAR)方法,构建航班日运行风险的多变量预测模型;经稳定性检验后,对比2种方法的短期预测效果,发现使用ARMA的单变量预测模型,未来第3天预测精度达到80.76%,可用预测周期为1～3天;而VAR多变量预测模型计算出未来第1天预测精度可高达92%,第7天预测精度仍达到80.64%,适用预测周期为1～7天。结果表明:基于ARMA和VAR的时间序列模型可用于航班运行风险的短期预测,而VAR模型精度更好,更加符合实际需求。     

基于KPCA-IF-WRF模型的多源VOCs数据清洗方法研究

为了解决多源挥发性有机物(Volatile Organic Compounds, VOCs)数据存在数据维度高、数据关系复杂、数据存在异常的问题,建立了基于核主成分分析(Kernel Principal Component Analysis, KPCA)、孤立森林(Isolated Forest, IF)、加权随机森林(Weighted Random Forest, WRF)混合方法的VOCs数据清洗模型。首先对研究区域进行网格划分,建立了基于KPCA-IF的VOCs降维异常数据识别模型,通过KPCA方法对多源混合VOCs数据降维,使用IF算法识别异常数据并进行剔除。然后设计了基于WRF的VOCs数据补偿算法,对降维与异常识别后的数据集进行缺失值回归填补。最后,以西安市为例,选取空气质量数据、气象数据等多源VOCs数据进行数据清洗。结果表明,该混合模型可有效对多源VOCs数据降维,进行数据清洗的平均绝对误差为5.08、均方根误差为10.24、中值绝对误差为3.54,均优于对比模型,证明了KPCA-IF-WRF混合模型的鲁棒性更强、精确度更高,具有科学性和可行性。     

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。     

QGA-RFR模型在导水裂隙带高度预测中的应用

为准确预测矿井顶板导水裂隙带高度,用随机森林回归算法(RFR)筛选出开采工作面导水裂隙带高度主要影响因素;借助量子遗传算法(QGA)优化RFR中分裂属性特征值和决策树棵数2个关键参数,建立基于QGA-RFR的导水裂隙带高度预测模型;将实测的124组导水裂隙带相关数据代入模型进行训练和预测,并将预测结果与GA-RFR、RFR、BP和支持向量机(SVM)等模型预测结果对比。结果表明:QGA-RFR模型的最优参数组合为(5,350),该参数下模型预测误差值仅为0.113 8;与GA-RFR、RFR、BP和SVM等模型相比,QGA-RFR模型具有更小的平均绝对百分比误差值(0.037 63)、均方根误差值(2.129)和最大相对误差值(0.055 06),验证了QGA-RFR模型的拟合效果更优。     

基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法

爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应。借助基于机器学习(Machine Learning, ML)算法的代理模型可以有效缩短定量分析周期,但可供算法学习的数据量少是该项技术在化工事故后果分析中应用所面临的主要问题。因此,将物理模型分析与深度神经网络相融合,通过数据集构建、数据降维、数据回归和数据生成4个步骤,最终构建高效的卷积变分自编码器(Variational Autoencoder with Deep Convolutional Layers, VAEDC)与多层前馈神经网络(Multi-layer Forward Neural Network, MFNN)混合模型,用于实时预测区域爆炸压力场。基于特定区域,根据定义的算法输入与输出,利用CFD技术对各种爆炸过程进行模拟以获得大量的数据;基于CFD模拟数据,利用VAEDC将区域压力场的高维特征降维为隐空间变量,利用MFNN拟合爆炸相关参数、流场观测时刻与隐变量的映射关系,并以储罐区为例进行建模分析。结果表明...     

数据驱动的油田污水处理水质预测研究

为实时掌控油田的污水处理站生产工况，结合桩西污水处理站的监测数据，使用改进的支持向量机模型对油田污水水质进行预测。通过归一化方法将收油和收悬浮操作记录转化为数值特征，实现预测模型对外部介入操作的及时响应。利用差分进化算法对预测模型进行超参数寻优，实现模型超参数全局最优值的快速确定，采用最优模型对含油量和含悬浮量进行预测和验证。结果表明，基于差分进化算法的支持向量机模型(DE-SVM)在2个水质指标的预测中，均能取得最高的决定系数(R²)和最低的平均绝对百分比误差(MAPE)，显著优于其他预测方法，对实现油田污水处理流程的主动控制具有重要意义。     

融合时域卷积网络和深度自编码器的VOCs数据异常检测

为了提升挥发性有机物(Volatile Organic Compounds, VOCs)数据异常检测精度，提出一种基于时域卷积网络的深度自编码器(TCN-DAE)异常检测的半监督方法，以对VOCs等空气污染物质量浓度异常值进行精准的检测。首先，使用时域卷积网络(Temporal Convolutional Network, TCN)作为深度自编码器(Deep Auto-encoder, DAE)的隐藏层，利用深层网络结构对高维、多源的时间序列数据进行高效地特征提取和数据重构。然后，通过对比重构误差与核密度估计法确定的阈值进行异常检测，其中重构误差大于此阈值则视为异常。最后，选取西安市城六区的VOCs、空气质量和气象等时间序列数据进行试验。结果显示：基于时域卷积网络的深度自编码器模型对多源、高维的时间序列具有较强的异常检测能力，在准确率、F₁分数、受试者工作特征曲线下面积(Area Under Curve, AUC)等异常检测性能指标上均优于双向长短期记忆网络(Bidirectional Long Short-term Memory, Bi-LSTM)、长短期记忆网...     

基于Mallat算法与ARMA模型的露天矿卡车故障率预测

为提高露天矿山运输卡车故障率预测精度、降低因非平稳时间序列数据造成的精度损失及有效解决模型参数估计困难等问题,提出一种基于小波分析与自回归滑动平均模型(ARMA)的露天矿山卡车故障率预测方法。首先,根据矿山时间序列数据的非平稳特征,采用Mallat算法分频处理原始数据,将原始的时间序列分解为一组近似系数和多组细节系数;然后,采用ARMA模型拟合与预测单支重构后的小波系数;其次,引入模型的相关变量,将ARMA模型的参数估计问题转化为带有相关变量的多维高斯分布参数估计问题;最后,通过计算模型中的典型相关变量实现ARMA模型的定阶与参数估计并与其他算法模型进行对比。结果表明:采用此法预测测试集数据,绝对误差的平均值为0. 322,相对误差的平均值为5. 49%;这说明此种组合模型具有更高的拟合精度,应用该模型进行卡车故障率预测是可行且有效的。     

基于QAR2Vec模型的QAR数据特征提取

针对传统特征提取方法难以从海量、高维的快速存取记录器(QAR)数据中提取有效特征,且QAR数据缺乏足够的标记等问题,提出一种以Transformer网络为核心的QAR2Vec模型,将QAR数据与位置信息、飞行阶段信息共同编码,作为QAR2Vec模型的输入;通过构建自回归预测的预训练任务以自监督的方式来学习海量QAR数据中的深层特征;保存预训练好的QAR2Vec模型权重,并在飞行状态预测和着陆异常天气识别任务上,微调预训练模型,使模型适应不同的下游任务;将QAR2Vec模型与2种没有预训练步骤的深度学习算法CNN-LSTM、MTL-LSTM进行对比。结果表明:QAR2Vec模型能够更有效地从QAR数据中提取特征,在飞行状态预测和着陆异常天气识别任务上的预测误差更低、识别准确度更高。     

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明：该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m³/h,均方根误差为10.6 m³/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

变电站操作不安全行为核心影响因素分析*

为分析变电站中操作不安全行为的核心影响因素,基于国家电网某省变电站员工安全心理自评数据,运用心理学模型确定9种主要心理维度,融合Bayesian Search和Peter Clark(PC)算法,并使用专家知识修正以训练贝叶斯网络模型结构,应用Expectation Maximization(EM)算法训练模型参数,并运用Mutual Information(MI)和预测推理2种方法分析核心影响因素。研究结果表明:训练模型的预测错误率为14.8%,AUC为0.945 8,变电站操作不安全行为的核心影响因素为情绪稳定性和心理承受力。     

改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer, IMVO)优化广义回归神经网络(General Regression Neural Network, GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_WEP)和旅行距离率(V_TDR)两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。     

基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。     

煤尘爆炸最大压力随点火延迟时间的时序性分析

为研究煤尘爆炸最大压力随点火延迟时间的变化规律,采用20 L球形爆炸装置进行试验,通过采集不同点火延迟时间下煤尘爆炸最大压力数据,建立最大压力-点火延迟时间的自回归移动平均(ARIMA)时间序列模型。采用差分法消除最大压力数据的上升趋势性。通过计算自相关、偏相关系数与赤池信息量准则(AIC)函数值、贝叶斯信息量准则(BIC)函数值,确定模型自回归、移动平均阶数,并采用最小二乘法估计模型参数。运用模型预测20组不同点火延迟时间下的最大压力。结果表明,用ARIMA时间序列模型预测的最佳点火延迟时间与实测情况基本吻合,同时实现了对最大压力数据波动特征的合理分析。     

基于EMD-LSSVM的瓦斯浓度动态预测模型

为提高回采工作面瓦斯体积分数预测时效性,建立了EMDLSSVM的瓦斯体积分数动态预测模型;为能够快速有效地反映瓦斯体积分数当前状态,避免早期历史数据对模型预测的影响,采用复合窗口技术对瓦斯体积分数时间序列进行动态更新;为提高算法预测精度,先采用经验模态分解算法(EMD)对更新后的窗口数据进行分解得到高频项、低频项和趋势项,考虑到瓦斯体积分数变化受到诸多因素干扰导致预测难度较大,但由同类因素影响的瓦斯体积分数变化特征具有较高的相似性,利用聚类方法将瓦斯体积分数监测数据划分成性质相似的若干个模式类别,以减少各种随机因素对预测结果的影响,再利用最小二乘支持向量机(LSSVM)对高、低频项进行加权预测,用自回归(AR)模型对趋势项进行预测,最后进行组合预测。实例对比分析表明,该预测模型能够有效地预测瓦斯体积分数的变化趋势,减少了预测时间,预测精度也满足矿山安全工程实际要求。     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

环境监测系统中异常数据的识别和修复方法

为准确掌握企业大气监测数据的变化规律,得到完整的、接近真实的大气环境监测数据,提出一种组合异常数据检测算法(SWDS-LOF)以检测异常值,并利用多项式拟合的方法对异常数据进行修正.针对修正后数据不完整的情况提出多变量季节性时间序列模型(SARIMA),对随季节性变化趋势较明显的大气监测数据缺失值进行恢复,并建立高度相关的污染物传感器组之间的SARIMA模型,利用高度相关污染物之间的关系,通过完整监测数据恢复缺失部分数据,最终得到完整准确的监测数据.以某汽车公司的监测数据为例进行实证分析并验证所提算法和所建模型,结果显示SWDS-LOF算法与SARIMA模型检测并修正了 97％的异常数据,缺失数据段的数据全部恢复,且恢复精度达到94.60％,表明对于大气监测数据,该算法及模型具有较高的精度,可为大气监测数据的完整性及可靠性提供有效技术支持.