煤矿安全宏观预测方法综述

对几种比较适用于预测煤矿安全宏观预测的方法(线性回归预测、非线性回归预测、灰色预测、马尔柯夫链预测、灰色马尔柯夫链预测、神经网络预测法)进行了介绍,并作了进一步评述和探讨.     

一种基于深度学习的海表温度混合预测方法

海表温度（SST）是海洋水文的重要参数,准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先,针对SST序列数据的多噪声特点,采用变分模态分解方法（VMD）预处理,以减少噪声对预测结果的影响。其次,将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合,同时提取SST序列的空间与时间特征,以提高预测精度。最后,本文提出了一种基于深度学习并融合了去噪模块的SST预测模型,选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比,证明了本文模型不但在SST的预测精度方面提升明显,而且具有较好的鲁棒性。     

融合拓扑信息与气象信息的空气质量预测网络

通过空气质量监测数据对正在形成或即将到来的空气污染进行预测是一项具有重要意义的工作，而空气质量监测站只能检测其周围一定范围内的空气污染情况。为了衡量整个城市的空气污染情况，获取任意时间、任意位置的空气质量信息，结合交叉注意力机制，提出了一种融合拓扑信息与气象信息的空气质量预测网络(CGMIM)。将西安市空气质量监测数据与气象数据转换为图像拼接起来，作为输入信息。在高阶非线性时空动态神经网络(MIM)的基础上引入注意力机制，并增加拓扑图编码器模块，提高模型提取能力以及对空气质量监测数据中的空间特征的利用率。最后，使用时空损失函数替代传统的均方误差损失函数，提高模型对空间关系的关注。结果表明：CGMIM网络模型能够在准确预测的同时，对位置区域合理填充，能够有效提升空气质量监测数据的空间分辨率。     

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ADPSO-FNN算法的催化再生烟气二氧化硫预测方法

为了解决催化裂化装置再生器出口烟气二氧化硫质量浓度难以实时预测的问题，提出一种基于自适应粒子群优化-模糊神经网络(Adaptive Particle Swarm Optimization-Fuzzy Neural Network, ADPSO-FNN)算法的催化再生烟气二氧化硫质量浓度智能预测方法。首先，针对数据来源多，且来自数据采集系统(Data Collection System, DCS)与实验室信息管理系统(Laboratory Information Management System, LIMS)中多维数据时间尺度不匹配的问题，利用基于自适应回归算法实现多时间尺度的数据清洗；其次，建立基于模糊神经网络算法的二氧化硫质量浓度预测模型，提取再生烟气产排过程中的动态特性；然后，提出基于动态惯性权重和学习因子机制的自适应粒子群算法，平衡全局探索能力及局部开发能力，实现再生烟气二氧化硫质量浓度的预测；最后，利用炼厂检修前、后的数据分别建立二氧化硫预测模型并进行测试。结果显示：该预测方法实现了催化再生器出口二氧化硫的准确预测，解决了现场多时间尺度数据难以建模的问题。     

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率，建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm, IPOA)的BP神经网络(Back Propagation Neural Network, BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度，采用IPOA算法优化BPNN的权值和阈值，提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础，建立POA-BPNN和BPNN模型作为对比。结果表明：IPOA-BPNN模型的决定系数R²为0.966 4,均方误差为0.235 3,平均相对误差为3.16%,均优于其余两个模型，模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。     

基于有效降雨阈值的鄂西山区五峰集镇滑坡危险性评价∗

五峰集镇地质环境背景条件复杂，特别在汛期降雨影响下滑坡地质灾害频发，因此开展五峰集镇滑坡空间预测评价和降雨阈值研究，不仅对研究区滑坡的防灾减灾具有实际指导意义，同时对基于降雨阈值的滑坡危险性评价方法研究也具备较好的参考价值。本文以降雨型滑坡多发的五峰集镇为例，利用地理探测器法准确选取研究区评价因子，综合层次分析模型与 BP 神经网络模型计算全区易发性指数，得到基于斜坡单元的滑坡易发性分区；同时，统计每个滑坡点的降雨历时及有效降雨强度，分析研究区滑坡的致灾雨型，绘制诱发鄂西山区滑坡灾害发生的临界降雨 I‐D 阈值曲线，得到设计工况下的时间概率；综合易发性分区和时间概率得到基于有效降雨阈值的鄂西山区五峰集镇滑坡危险性分区图。研究结果表明：五峰集镇滑坡高和极高易发区占研究区总面积的 27.12%，主要分布于研究区大型河流两岸；五峰集镇滑坡发生 10%、50%、75%概率的阈值曲线分别为 I = 31.42 × D^{-0.786 94} 、I = 68.11 × D^{-0.786 94} 、I = 84.74 × D^{-0.786 94} ；五峰集镇滑坡高和极高危险区占研究区总面积的 19.33%，主要分布于研究区中部及东南部河流两岸。本文所构建的五峰集镇滑坡危险性评价体系，以及适用于鄂西山区的基于降雨阈值滑坡危险性评价方法，能够为山区地质灾害防控以及危险性评价研究的不断完善提供有益参考。     

近距离爆炸下钢筋混凝土柱损伤的图像识别及快速评估

快速准确评估工事爆炸损伤，对于战时指挥具有重要意义。传统上，爆后结构损伤评估多采用有限元法，可靠性得到广泛认可，但计算耗时较长，无法满足战场快速评估要求。为提高评估效率，提出一种由体积判断网络和损伤判断网络组成的全新卷积神经网络模型，基于体积损失率评估近距离爆炸下的损伤。为降低训练成本，采用有限元法获取爆后带损伤的钢筋混凝土柱图像制作包含 8 700 张图片的数据集。新提出的模型在包含 1 740 张图片的测试集上取得 99.71% 的准确率。在钢筋混凝土柱材料参数调整时，微调后的模型在不同材料参数的数据集上取得 82.97% 以上的准确率。在三维打印的模型测试中，该模型在 24 张图片上取得 70.83% 的正确率，平均每次评估测试耗时 0.05 s。结果表明，提出的卷积神经网络模型准确率较高，计算用时远小于有限元方法，损伤评估流程可与结构理论对照解释。     

使用人工神经网络判断未来我国地震形势

使用BP神经网络研究全球强震活动与我国大陆强震活动的关系 ,检验结果表明该方法具有较好的预报效果。     

基于集成机器学习的电力系统窃电行为辨别方法

电力系统中窃电行为对线损计算和电网经济运行造成不利影响，严重影响电力市场的经济秩序。基于此，本文提出了一种基于集成机器学习的电力系统窃电辨别方法，以快速准确的辨别窃电行为。首先，该方法建立了基于改进神经网络的电力系统窃电行为特征提取模型，利用实测数据与神经网络全变量重构值进行比较，以获取用电数据的抽象行为特征；然后，利用提取出的窃电行为特征，采用集成机器学习方法进一步推导出电力系统窃电行为辨别方法；最后，基于实际数据集，验证了所提算法具有较高的检测灵敏度和分类精度。