动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性,传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难,提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先,采用动态流转训练,将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项;其次,通过多项式预测趋势项、动态LSTM预测周期项,并由2项之和得到主预测变形速率;随后,通过对比实测速率与主预测变形速率,得到残差项,并建立动态流转训练的残差LSTM网络预测残差速率;然后,由主预测变形速率与残差预测变形速率之和得到最终预测速率,并进一步得到累计位移预测值;最后,以某突发型滑坡为例,验证该方法的科学性、有效性,以及预测精度和优势。结果表明:将变形速率序列作为预测对象并进一步得到累计位移预测值,比直接预测累计位移值具有更高的准确性;而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R²指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。     

环境模型参数识别与不确定性分析

在对水文模型实例的参数不确定性分析基础上,分别采用传统灵敏度分析方法、HSY算法、线性回归等方法对模型参数特性进行了识别与比较研究.结果表明参数优化算法与传统灵敏度分析方法不能解释模型结构复杂性特征,采用不确定性分析方法对环境模型参数进行识别提供了深入分析与理解模型系统的有效途径.     

水环境质量综合评价的新模型

为检验已订的水环境质量评价标准的合理性,解决各单项水质指标的评估结果的不相容性问题,提高水质等级模型的分辨率,提出了一种新的水质评价模型-逻辑斯谛曲线(LOG)模型,它的水质等级是连续的实数值;根据LOG模型的参数值可以分析各水质指标值对水质等级的影响程度,从而检验原订水质等级标准的合理性;并给出了基于实码遗传算法的LOG建模的实施方案.实例研究说明,这套方案是实用的和通用的,在其它环境质量综合评价中也具有广泛的应用价值.     

基于机器学习的电热防除冰表面温度变化趋势预测

针对飞机部件周期控制律电加热防除冰的应用,提出基于机器学习以预测电加热防除冰表面温度的变化趋势.依靠大型结冰风洞及其电加热防除冰控制系统完成防除冰试验,获得有效的试验数据,以通、断电周期为分割单元,将试验数据划分成验证集和训练集.根据电热防除冰过程的换热情况,构建样本的特征参数,利用机器学习的有监督学习方式,选择KNN...     

基于分布式应变监测的埋地管道悬空识别方法研究

埋地管道在地基缺陷或管道泄漏作用下会产生局部悬空,悬空的发展不仅会威胁管道的安全运行,还会造成地面沉降、塌陷等地质危害。因此,提出一种基于分布式应变监测的埋地管道悬空识别方法。首先布设分布式应变传感器获取管道沿途任意位置纵向应变,然后提取弯曲应变并判断管道悬空状态的出现,再结合管道弯曲应变建立埋地管道有限元模型,最后通过遗传算法对管道有限元模型的土体刚度进行修正,根据修正后的土体刚度变化定量识别管道悬空出现的位置及范围。通过模型试验验证得出识别结果与试验悬空段两侧坡肩位置最大误差不超过0.2 m,反推出的管道应变峰值和挠度与监测结果相差最大分别为84.1με和3.5 mm,其对应的相对误差分别为7.7%和9.2%,试验误差都控制在工程可以接受的范围以内。研究结果表明:本方法可以实时监测管道的工作应力,反推出管道的挠曲变形,准确判断管道悬空的出现,精确识别出管道悬空的范围。本方法对管道运行的结构状态评估和悬空灾害识别都具有非常积极的意义。     

模拟退火算法在大气环境质量综合评价中的应用

为了建立一种对多项指标都能普遍使用的大气环境质量综合评价模式,利用模拟退火算法对幂函数加和型指数评价中参数进行优化,并用优化后的综合评价指数公式对大气环境进行综合评价。该公式应用于大量实例的分析评价结果与其他多种评价方法评价结果比较表明:该公式不受污染物种类和数目多少的限制,计算简便,具有可行性、实用性和通用性。     

基于遗传神经网络的除湿机故障诊断与寿命预测

目的识别除湿机的性能状态和预测吸附剂的剩余寿命。方法针对除湿机故障过程缓变的特点,提出一种基于数据驱动的遗传神经网络模型。首先,为解决设备失效程度划分模糊的问题,由5个热力参数组成反映吸附剂劣化程度的特征向量,关联分析得到除湿机的5类故障模式。其次,利用遗传神经网络建立状态参数和故障模式的映射关系。最后,对表征设备吸附能力的主参数进行外推预测。结果训练好的诊断网络可准确地识别出设备的劣化程度及其演变过程,预测网络的预测精度非常高。结论该方法可有效地实现对除湿机的故障诊断与预测。。     

基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

基于机器学习分类算法解析EIS数据的有机涂层性能评价方法

目的 基于机器学习分类算法快速评估有机涂层的防腐性能。方法 通过实验室加速试验模拟涂层真实的退化过程,并根据测得的电化学数据,分析不同退化阶段的等效电路元件参数。随后,采用随机抽样方法获取大量数据,用于机器学习模型训练。通过对比支持向量机(SVM)、k最近邻(k-NN)和随机森林(RF)3种不同的机器学习算法,以及多种输入特征集训练的涂层性能分类器模型的准确率,分析最适合用于涂层性能快速评估的机器学习算法和电化学特征。结果 根据不同输入特征训练的k-NN和RF模型均表现出良好的预测效果,而SVM模型的预测效果相对较差。根据不同频率范围训练的分类器模型中,在低频区表现最佳,而在高频区表现较差。结论 基于阻抗虚部、虚部+实部和阻抗模值3种输入特征训练的RF分类器模型的预测效果最准确。不同频率区间内,低频区的阻抗特征更能准确表征涂层性能。