基于挖掘方法的高处坠落事故时间规律关联规则分析

为充分挖掘事故时间规律与事故致因间的关系,采用文本挖掘和数据挖掘的方法对近几年国内285起高处坠落事故调查报告进行挖掘。挖掘结果表明：物或环境等不安全状态在与人的不安全行为产生交互作用后容易引起安全事故;人的不安全行为与事故发生的时间具有强关联规则且主要发生在人体疲劳程度较大的时间内,这为事故致因研究提供了参考依据。     

基于机器学习的CNG加气站风险预警模型研究

加气站一旦发生事故,不仅会造成人员伤亡和财产损失,而且也会给周边居民乃至社会带来一定的负面影响。借助机器学习技术,构建CNG加气站风险预警模型,对加气站的风险状态进行预警,实现对事故的事前控制。首先建立了加气站风险预警指标体系,以12座加气站为研究对象,采集指标样本数据,通过大数据分析技术构建训练数据集,并采用SMOTE算法解决了样本不均衡问题;然后分别采用决策树、朴素贝叶斯、SVM、KNN等4种机器学习分类算法构建预警模型。研究证明,采用决策树算法和SVM构建的预警模型准确度均达到97.8%,可以对加气站的风险状态进行有效识别和预警。     

基于地铁运营日志文本挖掘的危险源辨识算法研究*

为探究地铁运营过程中致使险性事件发生的关键因素,识别关键危险源,加强对危险事件的预防管控,研究基于地铁运营日志文本挖掘的地铁运营危险源辨识算法,通过引入自定义专业术语词典和自定义停用词典,删除干扰数据并进行数据分词,实现对地铁运营日志的预处理,进一步构建进行危险源辨识的AFP-tree算法,实现对日志中关键危险源的挖掘。研究结果表明:AFP-tree算法能够显著提升计算效率,通过分析共挖掘出25类有效关键危险源,研究结果可为地铁运营单位实现“事前”的事故预防提供重要依据。     

基于自适应蚁群算法的化工园区毒气泄漏事故疏散路径规划*

为了降低人员在化工园区毒气泄漏事故中的伤亡风险,提出1种综合考虑疏散路径距离和毒性负荷值的自适应蚁群算法。通过建立路径评价函数,将疏散路径的毒性负荷值引入蚁群算法中,改进算法的信息素更新策略,采用启发式因子自适应调整策略并改进算法的启发式函数。运用Matlab软件进行仿真,将算法应用到某化工园区毒气泄漏事故中。研究结果表明:该自适应蚁群算法可以保持较高的搜索速度,在寻找距离最短道路的同时避开毒性负荷较高的疏散路径,可为化工园区毒气泄漏事故的应急疏散路径规划提供参考。     

基于改进型萤火虫群优化算法泄漏源源强及位置反算研究*

针对标准萤火虫群优化算法（GSO）在危化品泄漏源源强及位置反算中存在精度不高,容易陷入局部最优等局限,提出混合萤火虫-Nelder Mead单纯形算法（GSO-NM）,并与基于步长的改进萤火虫群优化算法（MGSO）以及单纯形搜索混合协同进化萤火虫群优化算法（HCGSOSSM）进行比较分析,将3种改进型萤火虫群优化算法应用于泄漏源源强及位置反算中进行比较分析。研究结果表明:GSO-NM算法可以有效提高定位精度和稳定性,能较为精确地反算出泄漏源源强及位置,为泄漏源源强及位置反算研究提供1种新思路。     

基于路网协同维护的灾后配电网抢修优化研究*

为探究灾后配电网应急抢修工作中损坏路网维护的协同效应,基于以往灾后配电网的单独抢修模型研究,提出路网-配电网协同抢修模型,并采用Benders算法对云南某地配电网案例进行分析。研究结果表明:极端灾害背景下,配电网的恢复时间受到损坏路网的维护力量影响,随着路网的维护力量提高,配电网的恢复时间先逐渐减小后趋于不变。对于灾后配电网的应急抢修工作,除非路网受灾后完好无损,否则考虑路网的维护协同是必要的。研究结果可为灾后配电网维修与路网维护的协同优化工作提供参考和借鉴。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。