深部煤层瓦斯含量的差值GM-RBF预测模型及其应用

基于灰熵理论和RBF神经网络理论,提出了一种改进的灰色神经网络深部煤层瓦斯含量预测模型。该模型首先利用灰熵关联度确定影响深部煤层瓦斯含量的主控因素,构建多个GM预测模型进行精度分析,寻求最优的灰色预测模块对分析系统进行一次预测,再利用灰色模型白化微分方程解序列相邻两元素分别与相应期望值作差,构建一个差值序列作为RBF神经网络输出对分析系统进行二次预测,得到的差序列预测结果的差值即为深部煤层瓦斯含量的预测值,从而构建了基于差值GM-RBF神经网络组合模型的深部煤层瓦斯含量预测体系。实际应用表明:差值GM-RBF神经网络组合模型的精度评价指标MAE、MAPE、RMSE、RRMSE分别为0.233 1、3.25%、0.2778、4.04%,远优于单一灰色、RBF模型;与传统GM-RBF组合模型相比,MAE和MAPE分别减小了23.8%和22.1%,RMSE和RRMSE分别减小了20.5%和17%。由此可见,以差值结合法将最优灰色模块与RBF神经网络有效结合起来的瓦斯含量预测体系增强了模型的泛化能力和数据利用率,精度更高,稳定性更好,能够满足深部煤层瓦斯含量准确预测的要求,为深部煤与瓦斯安全高效开采提供依据。     

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。     

高压输水隧洞帷幕体防渗性能的数值模拟*

为研究高压输水隧洞帷幕体防渗性能，建立基于渗流场、化学场及帷幕体微观结构等多物理场耦合的数值模型，采用FEM数值法求解并结合工程监测数据对模型进行验证。结果表明:帷幕体在高水头30 a长期侵蚀与溶解作用下，内部Ca2+不断析出，帷幕体溶蚀程度最深处孔隙率较初始孔隙率增加29.38%，渗透系数增大1.95倍，抗渗性和耐久持续衰减；帷幕体溶蚀具有时空变异特性，帷幕体与高压岔管接触部位溶蚀面积最大，其次为底部，顶部几乎未发生溶蚀现象。研究结果可为监测高压输水隧洞帷幕体防渗性能变化及定制专项防渗方案提供参考。