基于相关向量机的蒋家沟泥石流平均流速预测模型

泥石流是我国常见的一种地质灾害,泥石流的平均流速是泥石流灾害防治的重要参数之一,准确的预测泥石流平均流速对灾害预防具有重要意义。本文建立基于相关向量机的蒋家沟泥石流平均流速预测模型,通过与蒋家沟泥石流平均流速的支持向量机、BP神经网络模型预测结果对比,验证该模型预测精度;同时采用平均相对误差和均方差2个指标评价各个模型的整体性能和稳定情况。结果表明,与实测值相比,相关向量机预测最大相对误差仅为2.02%,平均相对误差为0.64%,均方差为0.06,远低于BP神经网络模型和支持向量机模型的预测结果。由此可知,本文提出的基于相关向量机的蒋家沟泥石流平均流速预测模型效果明显优于其他2种模型,且预测结果更为准确,模型整体性能和稳定情况较好,为泥石流平均流速获取提供一条新途径。     

基于SVM⁃RF的泥石流窗口坝闭塞度判别研究∗

为了研究野外泥石流防治工程中窗口坝的开口闭塞类别,基于量纲分析理论,以室内水槽试验模拟实际工程,分析模型试验与实际工程的相关物理量及对应的相似准数;引入支持向量机和随机森林分类模型,在开源机器学习工具Scikit-Learn中,采用python编程实现算法;以室内水槽试验数据作为支持向量机和随机森林的训练样本,进行机器学习得到分类模型,提出一种用于判别泥石流窗口坝闭塞类型的新方法;将测试结果与经验公式中闭塞度判别值F的分类结果进行正确率对比,结果表明,F值的分类准确率为88%,而支持向量机为92%,随机森林为94%,随机森林分类效果最好,机器学习理论为泥石流窗口坝在实践中的设计提供了新思路。     

基于智能算法优化支持向量机模型的滑坡稳定性预测

影响滑坡稳定性的因素较多,利用滑坡稳定性影响因素快速预测滑坡稳定状态是当前滑坡研究的重要内容。利用相关系数、支持向量机、交叉验证法、遗传算法、粒子群优化算法等理论建立支持向量机模型对滑坡稳定性进行了研究。以湖北竹溪县197个滑坡为例,研究结果表明:遗传算法优化的支持向量机滑坡稳定性预测模型预测效果最好,与实际情况吻合得最好。最佳参数c为3.001 6、g为0.041 008,训练集滑坡稳定性预测的正确率为84%,测试集滑坡稳定性预测的正确率为79.32%。因此所提遗传算法优化的支持向量机滑坡稳定性预测模型对于滑坡稳定性分析具有一定参考价值。     

支持向量机在城市震后火灾损失预测中的应用

针对地震火灾的复杂性和多变性的特点,在综合分析了各种震后火灾损失预测方法的基础上,提出了基于支持向量机的城市震后火灾损失预测模型。以地震火灾的历史资料为依据,建立学习样本和测试样本,并与BP神经网络预测方法相比较,验证了其可行性,也为其它自然灾害的损失预测提供了简单、有效的方法。     

基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测

地裂缝地质灾害是由多种复杂因素共同导致的岩层、土体开裂现象,常规数学模型难以对地裂缝的危险性做出准确预测。该文首先采用主成分分析(PCA)方法对选取的导水系数、水位、粘性土层厚度、基岩起伏度、基岩埋深5个影响因素提取3个主成分,对导致地裂缝发生的主成分进行了全新的解释,同时引入支持向量机的方法(SVM)建立了基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测模型。并结合工程实例将预测结果与SVM模型预测结果进行比较分析。结果表明:基于主成分分析和支持向量机的地裂缝危险性预测模型精度较高,具有一定的参考价值,可为预测苏锡常地区地裂缝危险性提供有效依据。     

基于布谷鸟搜索优化的光伏电站辐照强度预测

针对光伏电站日前小时短期辐照强度的预测准确性问题,且考虑到支持向量机的学习参数对预测模型的性能有较大影响,为进一步提高数据的预测精度,利用布谷鸟搜索算法对支持向量机的惩罚因子c和核参数g进行优化,提出了一种基于布谷鸟搜索算法和支持向量回归的组合预测方法。仿真结果表明:该方法大大提高了光伏辐照强度预测的准确性和精度,可行且高效,适用于光伏在线预测。     

基于改进模糊聚类法和CPSO.-ISSVM的母线负荷预测

针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map, SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine, LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

泥石流浆体冲击拦砂坝荷载计算的实验研究*

泥石流冲击力大小是泥石流灾害防治工程设计最重要的参数之一,但到目前为止,泥石流对拦砂坝的冲击力计算还存在很大争议。本文通过在拦砂坝上安装冲击力传感器测量冲击力值,详细分析不同容重泥石流,不同沟道坡度及不同拦砂坝迎水面倾角等因素下泥石流对拦砂坝坝体的冲击作用。研究表明,影响泥石流浆体冲击力大小的主要因素有泥石流容重、沟床坡度和泥石流流速;在沟道坡度和泥石流总量相同时,泥石流浆体冲击力大小随泥石流容重的增加而降低;在泥石流容重不变时,随沟道坡度的增加而增加;泥石流容重和沟道坡度的影响主要反映到泥石流流速的变化中,推导出新的泥石流浆体冲击力大小计算公式;该公式表明,泥石流浆体冲击力大小同泥石流表面流速呈正比例关系,而比例系数因泥石流容重的不同而不同。分析比较了新公式同原有公式的差异,并举例说明了新计算公式的实用价值,为泥石流防治工程设计提供技术支撑。     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。     

基于BP神经网络和VSM的台风灾害经济损失评估

统计了对广东省造成直接经济损失的台风数据,包括致灾因子、孕灾环境和承灾体等评估因子,对数据进行无量纲化、归一化处理,作为验证模型的数据集。建立BP神经网络和空间向量模型(VSM)相结合的综合评估模型,利用BP神经网络进行初步预测,基于VSM对预测结果进行修正,从而构建台风灾害经济损失评估模型。将收集的历史台风经济损失数据分为训练和测试集,对模型进行训练和检验。经验证,采用BP神经网络和VSM相结合的台风灾害经济损失评估模型能够有效降低训练数据不足对评估结果的影响,平均误差率由30%降低到14%。     

泥石流危险范围的流域背景预测法

本研究通过对大量泥石流堆积扇平面形态的统计分析,总结出三种不同类型的平面概化模式,由此推导了它们的通用求积公式。并通过对泥石流沟流域背景因素的比较分析,选择了流域面积、流域相对高差、主沟长度和主沟平均坡度作为预测泥石流危险范围的定量指标。采用多元和逐步回归分析的数学方法,得出了泥石流最大堆积长度、最大堆积宽度和最大堆积幅角的计算公式,建立了半理论半经验性的泥石流危险范围的预测模型。通过模型的检验及其应用实践,证明本研究提出的泥石流危险范围的流域背景预测法适用于我国暴雨泥石流危险范围的预测预报。     

甘肃省南部泥石流运动规律的分析与研究——以甘肃舟曲三眼峪沟为例

以相似性原理为基础,选择恰当的比尺,在甘肃省陇南市武都区野外构建泥石流物理模型,重现了舟曲"8·8"特大泥石流灾害发生过程。通过物理实验模拟,测得泥石流运动的平均流速为0.741 7 m/s,冲击力为1.99 N,最大堆积厚度为6.1 cm,堆积面积达3.64 m~2,并勾勒出堆积形态。选取经验公式,将实测值与经验公式计算结果相比较,验证了物理模型的合理性,进一步分析了泥石流的运动规律。根据泥石流形成的要素提取危险度评价因子,结果表明三眼峪为高度危险泥石流沟,这为泥石流灾害防治工程提供可靠的科学依据。     

南昌上软下硬地层中盾构施工地表沉降的BP神经网络预测方法

盾构施工引起的地表沉降的影响因素众多,给地表沉降的计算带来较大困难,而BP神经网络能较好地建立各个影响因素与地表沉降的非线性关系。为了能得到较准确的地表沉降值,采用Miscrosoft Visual C#和Matlab编制了BP神经网络预测软件。结合盾构施工过程中影响地表沉降的地层几何条件、地层参数以及施工参数,建立了BP神经网络模型,对盾构施工引起的地表沉降进行预测。将该预测模型应用于南昌地铁工程的上软下硬地层中,同时考虑了该地层掌子面泥质粉砂岩所占的比例,并对预测值与实测值的误差进行了对比分析。最终得到的预测结果与实际沉降值较一致,表明该BP神经网络模型可用于类似的工程实践。     

基于BP神经网络的饱和砂土液化判别方法

基于唐山地震中大量的砂土液化现场实测资料,选取描述地震动特性的烈度、震中距、地面峰值加速度和描述砂土层埋藏环境条件的地下水位、标贯点深度(土层深度)、上覆非液化覆盖土层厚度、有效覆盖压力,以及表示砂土自身属性的标准贯入锤击数、平均粒径、不均匀系数、修正标贯击数共11个指标的不同组合作为输入变量,采用快速BP算法和LM算法构造了饱和砂土液化判别的BP神经网络预测模型.通过所建网络模型的训练、验证和应用,结果表明:(1)所建14个BP神经网络模型都是有效的,液化判别的准确度与模型输入变量的不同组合有关;(2)增加网络模型的节点(考虑因素较多)并不一定能够提高BP神经网络模型的液化判别准确度,反而增加了BP神经网络模型的复杂性和学习时间;(3)两种算法的BP神经网络模型都有很高的液化判别准确度,LM算法的计算速率要比快速BP算法快得多,但在计算过程中需要更多的内存,建议采用LM算法;(4)采用所提BP神经网络模型的权值与阈值进行其它预测样本的液化判别时,判别结果可能偏于保守;(5)从影响砂土液化的主要因素、获取指标难易程度考虑,在与<建筑抗震设计规范>砂土液化判别公式考虑指标一致的情况下,建议采用BP神经网络模型M4或M5a,该模型简单、方便,且其预测准确度远高于<建筑抗震设计规范>的砂土液化判别准确度.     

粘性泥石流一维运动数学模型

粘性泥石流是指自然界中最典型的一种泥石流。作者依据野外原型观测和室内实验，证实该类流体具有带流核的层流特征并可用宾汉（Ｂｉｎｇｈａｍ）模型来表达。在此基础上推导其阻力和平均流速计算方法。我们认为，粘性泥石流作为不可压缩连续介质流体，符合质量、动量守恒律，因此可采用纳维－斯托克斯方程组来表达。考虑到它为拟线性双曲型偏微分方程组和阻力参数等特点，应用Ｌａｘ－Ｆｒｉｅｄｒｉｃｈｓ差分格式，选用云南东川蒋家沟的原型观测资料作为边、初值条件，编制计算机程序及数据库，而获得粘性泥石流水深、流速等要素的时空变化规律。该模型可以直接用于泥石流工程防治和量化的预测和警报     

基于斜坡单元的地震滑坡敏感性分析

针对斜坡单元大小直接影响地震滑坡敏感性区划结果,论文利用河网密度优选出集水面积阈值,在此基础上生成最优斜坡单元。构建了基于遗传算法的支持向量机敏感性分区预测模型,并实现了宝盛乡地震滑坡敏感性分区。结果显示,在优选出的斜坡单元基础上完成的地震滑坡敏感性分析的精度达到了98.72%。利用优选斜坡单元结合基于遗传算法的支持向量机构建的地震滑坡预测模型是滑坡预测的有效工具,可为防灾减灾提供决策支持。     

泥石流最大爬高计算的试验研究

泥石流在运动过程中如遇到障碍物会产生爬高是泥石流运动的显著特征,泥石流最大爬高计算是泥石流防护工程设计的重要参数之一。为了探究泥石流最大爬高的计算公式,分析了原有理论公式的不足,使用泥石流表面流速对最大爬高计算公式进行了新的理论推导,并通过室内模拟试验对新推导的公式进行了验证,同时结合试验结果和野外观测资料对新公式的适用性进行了讨论。试验证实,通过能量法采用泥石流表面流速推导得到的泥石流爬高计算公式较为合理,计算结果与室内试验实际测量结果较吻合,对泥石流防治工程设计参数的选取具有重要意义,可用于指导泥石流工程的防治。     

基于多普勒天气雷达体扫资料的下击暴流预警方法研究

本文利用新一代多普勒天气雷达体扫数据、自动气象探空站和地面大风测站资料,对2009-2013年湖北省大风天气过程的风暴特征量进行相关统计分析,通过云模型和支持向量机(SVM)等方法确定了包含环境、反射率和径向速度特征的9个下击暴流雷达预警指标。基于已确定的预警指标,分别利用Bayes和BP神经网络两种方法建立了下击暴流预报模型,通过识别结果检验表明,两种算法均能有效区分大风与非大风。Bayes方法大风击中率(POD)可以达到81.8%,大风和非大风预报准确率为86.7%,虚警率(FAR)和失误率(FOM)分别为5.2%和18.1%,TS评分0.77; BP神经网络非线性预报方法对大风的识别准确率为84%。进一步证明了提出的下击暴流雷达指标的可预报性和实用性。     

稀性泥石流的平均运动速度研究

泥石流的运动速度是泥石流动力学研究中最重要的参数。稀性泥石流是常见也是危害较大的泥石流类型,准确而简洁地计算稀性泥石流的运动速度非常重要。现有的稀性泥石流平均速度经验公式,在使用上和适用地区上还存在一些问题。本文通过分析一系列稀性泥石流观测资料中的体积浓度与稀性泥石流的运动速度和阻力特征的关系,得出了一个新的计算稀性泥石流平均运动速度的经验公式,该公式能适应各种类型的泥石流沟,适用于一般急流的稀性泥石流;对于缓流稀性泥石流,计算值与观测值相比偏大,但很接近;不适用于缓慢稀性泥石流。本文提出的经验公式,使用简洁,计算稳定,与其他方法计算的稀性泥石流平均运动速度很接近。该速度计算经验公式也适用于稀性泥石流堆积扇上游沟道,但对于堆积扇上的速度,计算值偏大,且越往堆积扇的下游,偏差越大。