基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

基于PSO-SVM的咪唑类离子液体捕集CO_2性能预测

CO_2是主要的温室气体,大量CO_2的存在严重影响着环境,而咪唑类离子液体具有独特的气体选择溶解性,在CO_2的捕集分离中有非常好的应用前景。基于支持向量机方法,结合粒子群优化算法(PSO-SVM)建立了咪唑类离子液体捕集CO_2性能的理论预测模型,该模型包含温度、压力、密度、黏度和表面张力5个主要参数。根据PSO算法,得到模型的最优参数为惩罚参数C=100,不敏感损失参数ε=11.699 7,核函数的宽度γ=0.279 2;SVM算法得出训练集的相关系数r=0.993,均方根误差RMSE=12.012,平均绝对误差AAE=4.117,测试集r=0.999,RMSE=4.766,AAE=3.028。对预测模型进行了评价验证以及稳定性分析,明确了咪唑类离子液体捕集CO_2性能的主要影响因素及其重要程度。     

全尾砂絮凝沉降参数GA-SVM优化预测模型研究

为了得到经济、高效的絮凝沉降参数,建立GA_SVM预测模型进行优化选择。在优选过程中,以供砂浓度、絮凝剂单耗和絮凝剂添加浓度作为输入因子,以沉降速度作为综合输出因子,通过室内试验,建立训练、验证样本集;建立支持向量机（SVM）回归预测模型,用训练集对模型进行训练,进而以验证集预测值的均方误差作为适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型对絮凝沉降参数进行预测、优化。以湖南某铅锌银矿为例,通过建立的GA_SVM模型对全尾砂絮凝沉降参数进行预测,优选出该矿最佳絮凝沉降参数为:供砂浓度20%-25%,絮凝剂单耗8g/t,添加浓度009%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路     

烃类及其衍生物闪点、沸点的定量构效关系

基于定量结构一性质相关性（QSPR）原理,研究了烃类及其衍生物闪点、沸点与其分子结构间的内在定量关系。应用CODESSA软件计算384种烃类及其衍生物的分子结构描述符,建立了闪点和沸点的QSPR模型。用最佳多元线性回归（B．MLR）方法筛选得到的分子描述符建立了线性回归模型。用B-MLR方法所选择的5个描述符作为支持向量机（SVM）的输入建立了非线性模型。所有的化合物被分为训练集和测试集,对每个模型的训练集和测试集的复相关系数、交互验证系数、均方根误差等进行了计算,并用测试集对模型的预测能力进行检验,预测结果表明：预测值与实验值均符合良好,所建立的闪点模型稳健,泛化能力强,预测误差小,预测的效果令人满意,但沸点的模型预测效果有待加强。相比烃类物质的模型,加了衍生物的模型性能均有所下降。     

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...     

矿井煤与瓦斯突出事故应急救援能力评估模型

为降低煤矿井下煤与瓦斯突出事故中的人员伤亡和财产损失,提高突出事故中的应急救援能力,提出一种麻雀搜索算法(SSA)优化支持向量机(SVM)的煤与瓦斯突出事故应急救援能力评估模型。首先,依据相关文献与研究报告构建包括应急预防能力、应急准备能力、应急响应能力和恢复善后能力在内的4项一级指标,其中包括18项二级指标,并以各指标的得分数据作为模型训练数据集;然后,利用网络层次分析法(ANP)与熵权法(EWM)分别确定各评估指标在相互影响下的主客观权重,通过拉格朗日函数将各权重融合得到最优权重,运用SSA算法优化SVM的径向基核参数g和惩罚因子C,将最优权重计算得出的结果作为SSA-SVM模型的输入,期望值作为输出进行线性回归预测;最后,以河北省某矿为例,将SSA-SVM模型与传统SVM、粒子群优化算法(PSO)优化SVM、鲸鱼优化算法(WOA)优化SVM 3种不同模型的预测结果分别与期望值作对比分析。结果表明：SSA-SVM模型的预测结果与实际相符,平均绝对误差相较于其他模型分别下降8.04%、5.15%、4.82%,证明所建模型的优越性,可将其应用于矿山企业实际矿井煤与瓦斯突出事故应急救援能...     

基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明：CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。     

基于机器学习的高速公路大型货车追尾风险预测

针对高速公路大型货车追尾事故频发的问题，评估高速公路大型货车追尾风险，并分析交通流特性对大型货车追尾风险的影响，以降低追尾事故的发生率。根据德国HighD开源数据集，以不同冲突风险等级的碰撞时间(TTC)阈值作为大型货车冲突风险的划分标准，提取大型货车的车辆轨迹与交通特征参数等数据，基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)等3种机器学习模型分别建立高速公路大型货车追尾风险实时预测模型；以混淆矩阵、受试者工作特征曲线的曲线下面积(AUC)和洛伦兹(KS)检验等评价指标，对比分析各模型的整体预测能力，并选取预测精度最好的模型分析各个特征参数对追尾风险的影响程度。研究结果表明：RF模型的预测准确率达75%,相对SVM模型高出8%,相对ANN模型高出10%,且RF模型的预测精确度、召回率、AUC值和KS值均优于SVM模型和ANN模型；最小车头间距、车速标准差和加速度标准差3个参数对大型货车追尾风险影响程度最高。     

基于优化IGA-ELM模型的爆破振动特征参量预测研究

为有效预测露天矿爆破振动特征参量,建立基于组合赋权的免疫遗传算法(IGA)优化极限学习机(ELM)预测模型。建立该模型之前,根据爆破振动影响因素确定输入层参数,根据爆破安全规程判据确定输出层参数;然后,应用调和平均数概念整合模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,量化输入层参数权重;其次,针对现有ELM输入层权值、隐含层偏差的选择问题,引入IGA对其进行优化选择,并通过逐步增减法探究ELM隐含层最优节点数。该模型曾被应用于某露天矿。研究结果表明:用所构建优化IGA-ELM模型能够更准确地预测露天矿爆破振动特征参量,且所得均方误差、决定系数、仿真误差明显优于其他模型。     

基于Hankel-DMD的城市交通事故风险时空预测*

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解（DMD）的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型（Hankel-DMD）捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明:DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。     

基于MIC-BBO-SVM的大坝渗流预测模型*

为监控大坝运行过程中的异常状态,准确预测大坝渗流量的变化趋势,采用最大信息系数(MIC)量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量,通过引入生物地理学优化算法(BBO)并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机(SVM)作为预测模型,以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5,0.155 0 m3/h,0.135 6 m3/h,11.51%,预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型,可为大坝渗流安全监测提供参考与借鉴。     

A hybrid machine learning model for predicting crater width formed by explosions of natural gas pipelines

Despite the existence of industry models for estimating the crater width formed by the explosion of natural gas pipelines, their applicability is still limited since the complex formation mechanisms. In this work, a novel hybrid model was developed to predict crater width formed by explosions of natural gas pipelines, using artificial neural networks (ANN) as the fundamental predictor. Based on the historical accident records, the proposed hybrid model was trained by the pipeline parameter, the operating condition, the installation parameter, and the crater width. A novel nature-inspired optimization algorithm, i.e., the Lévy-Weighted Quantum particle swarm optimization (LWQPSO) algorithm, was proposed to optimize the ANN model's parameters. Three machine learning models were developed for comparative reasons to predict the crater width. The use of precision and error analysis indicators assesses prediction performance. The results show that the proposed hybrid model (LWQPSO-ANN) has high prediction accuracy and stability, which outperforms QPSO-ANN-based benchmark hybrid models and the model without an optimizer (Support Vector Machine, SVM). The parameter sensitivities of the proposed algorithm, including the maximum number of iterations, population size and contraction-expansion coefficient, were determined. The proposed hybrid model is expected to support the quantitative risk assessment (QRA), Right-of-Way (ROW) definition and the inherently safer design of the underground parallel pipelines.     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

粒子群优化算法在源强反算问题中的应用研究

在危险化学品泄漏事故中泄漏源强是预测事故后果的主要影响参数,也是事故应急救援决策的基础。为了在化学品泄漏事故过程中快速准确地获取泄漏源强数据,将粒子群优化(PSO)算法应用于危险化学品泄漏源强的反算中。利用高斯烟羽扩散模型和下风向浓度测量数据,将计算浓度与测量浓度的误差平方和作为目标函数,采用粒子群算法来优化,以确定源强并通过模拟的测量浓度数据进行算法有效性验证。结果表明,PSO算法及其参数改进算法不依赖于初值的选择,计算速度快,能满足事故应急响应救援的需要。     

基于PSO-SVM的工艺装置液位监测方法

生产装置的"假液位"现象严重影响了工业生产过程的正常运行。为此,运用软测量思想建立数学模型,监测直接测量结果,防止假液位的发生,保障生产安全。通过比较机理建模法与基于数据驱动建模法的优劣,提出采用PSO-SVM法建立数学模型,并以SBR泄料槽液位的监测为例进行分析。以集管进料压力P_1、泄料槽入口温度T_A丁二烯分离系统压力p_O这3个量作为辅助变量来预测泄料槽液位L。结果表明,该模型预测值与实际值符合良好,具有较强的预测性能,能够较好地对SBR泄料槽液位进行监测,有效避免SBR泄料槽假液位的产生。     

咪唑类离子液体捕集CO_2性能的定量结构-性质相关性(QSPR)研究

CO_2是主要的温室气体,大量CO_2的存在严重影响着人类的生存环境和生态平衡,而咪唑型离子液体具有独特的气体溶解性,在CO_2的捕集分离中有很好的应用前景。基于定量结构-性质相关性(QSPR)原理,研究了咪唑类离子液体捕集CO_2的性能与其结构参数之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组描述符作为输入参数,随后,分别采用多元线性回归算法及支持向量机结合粒子群优化算法建立了咪唑类离子液体捕集CO_2的性能与其描述符之间的线性和非线性模型。多元线性回归算法得出训练集和测试集的复相关系数分别为0.765和0.814,支持向量机算法得出训练集和测试集的复相关系数分别为0.987和0.933。对预测模型进行了评价验证以及稳定性分析,结果表明,2种模型具有良好的稳定性能和预测能力。     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。