基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

基于PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。     

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。