复合地层小直径隧道掘进机掘进速度区间预测

合理准确预测隧道掘进机(tunnel boring machine,TBM)的掘进速度是实现TBM智能化控制的关键问题之一,复合地层小直径TBM施工的不确定性较常规地质条件更强,而传统预测方法对施工过程的不确定性考虑不足。在此通过引入区间预测方法,提出基于4种不同Bootstrap方法结合KELM-ANN模型的TBM掘进速度区间预测模型,并以南水北调安阳输水隧洞工程为例,选取142组工程实测数据验证区间预测模型的有效性。研究结果表明:基于Rademacher分布建立的模型预测结果优于其他3种方法,不仅可以得到较好的点预测结果,还可以构造出较为清晰可靠的区间将掘进速度实测值完全包络在内;随着置信水平的提高,区间可容纳的不确定性和风险也逐渐上升,通过变化区间宽度,能较好地量化和解释TBM施工过程中的不确定性因素对掘进速度的影响。研究结果可为TBM掘进性能预测和掘进参数优化提供参考。     

基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测

为了提高短时交通流速度预测的精度,提出一种基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测模型.首先对交通流速度序列进行浑沌性分析,重构序列的相空间,将对交通流速度序列的研究映射到其所在的相空间中进行;然后引入变步长因子和模拟退火技术对天牛须算法(beetle antennae search,BAS)进行改进,并以改进算法优化确定性跳跃循环状态网络(cycle reservoir with regular jumps,CRJ)的参数构建预测模型;最后通过实例对比分析模型的有效性.结果表明:通过相空间重构对交通流速度序列处理,能够挖掘序列内部的动态特性,使之更加适用于网络的建模;所提模型的预测结果同对比模型相比,平均绝对百分比误差下降了1.05％ ～6.04％,有效地提高了短时交通流速度的预测精度.     

基于代价敏感系数的混凝土抗压强度预测

针对传统自适应增强学习算法训练过程中只关注预测误差率最小的缺陷,本文提出了一种基于代价敏感系数的改进自适应增强学习算法并应用于混凝土抗压强度预测。首先考虑影响混凝土强度的8种参数作为特征变量,通过自适应增强学习算法集成回归树,依据样本权值抽样建立多个弱回归学习器。同时引入线性敏感系数与指数敏感系数来优化增强学习过程中样本权值的更新问题,采用引力搜索算法对代价敏感系数的基数进行最优选取。最后,根据权重比集成弱学习器得到最终预测模型。通过对所提出的两组不同代价敏感系数组合策略下的预测模型与随机森林、BP神经网络算法等模型的预测结果进行对比分析,验证了所提预测模型具有更好的预测性能。     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

TBM掘进速度预测模型研究

随着机械制造技术的进步,全断面岩石隧道掘进机被广泛应用于深、长、大隧洞的开挖,鉴于全断面岩石隧道掘进机(TBM)对地质条件十分敏感,且其前期投入巨大,采用合适的方法、准确地预测TBM掘进速度对TBM施工的进度安排和成本估计十分重要.基于纽约皇后NO.3隧道153组实测岩体参数(UCS、PSI、DWP、BTS、α)和TBM掘进速度(PR),分别采用BP神经网络和CART算法建立TBM掘进速度预测模型,与已有预测模型对比发现,CART预测模型预测精度更高更易于不同工程相互借鉴,且在部分岩体参数缺失的情况下也能对TBM掘进速度进行有效预测.     

基于广义回归神经网络的煤矿带式输送机模型预测控制

针对煤矿井下运输系统能耗大、生产成本高等问题，提出基于广义回归神经网络（GRNN）的带式输送机模型预测控制（MPC）策略。引入动态自适应权重和莱维飞行策略改进天牛须算法（BAS），并采用改进的天牛须算法对广义回归神经网络进行超参数寻优。建立了带式运输机模型，采用模型预测控制策略对带式输送机的运行进行优化与控制；优化过程采用了基于分时电价的控制策略。实验结果表明：与带式输送机传统的运行方式相比，所提出的控制策略不仅可以减少能源消耗，而且可以有效降低运行成本。     

基于改进信息熵值分析的TBM掘进参数研究

复杂地质条件下的TBM掘进参数的有效预测可以对TBM施工进行针对性的指导,基于深圳地铁10号线孖-雅双护盾TBM区间实际掘进参数,建立了一种基于改进信息熵值分析的TBM掘进参数预测模型,通过前序参数的熵值权系数自适应调整来预判后续TBM参数值,模型以TBM推力和扭矩样本参数进行训练并以实际工程数据进行验证,通过残差分析和相关性分析得出的预测值和实际值相符,说明该模型具有较好的非线性映射能力,基于改进信息熵值分析的TBM掘进参数预测模型能直观反映TBM装备载荷地质适应性规律,可为TBM施工掘进参数设置提供参考,提前预判规避不良地层施工风险.     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

一种基于PSO-SVR的软件可靠性评估方法

软件可靠性建模时,如果简单地利用支持向量回归机制建模,就有可能由于支持向量回归(SVR)自身参数选择难以及实验数据本身的不确定性,从而导致预测结果不理想、精度低等缺陷。因此,借鉴粒子群优化算法(PSO)多参数寻优的优势,将PSO与SVR优化算法相结合,利用分层聚类算法对初始实验数据进行归一化处理,剔除异常数据,构建基于PSO-SVR的软件可靠性评估方法,从而提高软件模型的预测精度。实验结果表明,基于PSO-SVR方法的预测模型其预测精度高,更适应实际软件应用环境。     

基于改进PSO-LSSVM的TBM掘进速度预测研究

隧道掘进机（TBM）对于地质条件的高度敏感性以及TBM设备高度智能化和最终实现无人驾驶,对精准预测TBM掘进速度均提出了更高要求.为了未来实现TBM智能化控制,采用线性递减惯性权重对粒子群算法（PSO）进行改进,并把改进的粒子群算法和最小二乘支持向量机（LSSVM）相结合,建立了改进的PSO-LSSVM掘进速度预测模型.基于美国纽约Queens NO.3隧道的153组实验获得的岩体参数和现场实测掘进速度,采用SPSS软件进行了相关性分析,验证了参数的适用性,采用改进的PSO-LSSVM模型进行掘进速度预测,并通过与传统LSSVM模型和PSO-LSSVM模型进行对比发现：采用线性递减惯性权重改进的PSO-LSSVM预测模型的决定系数在训练集和测试集中均达到0.95及以上,均方误差在0.01以内,明显优于传统模型.本文所建模型在TBM掘进速度预测中有明显的精度优势,可辅助TBM智能化施工.     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

不同岩体质量隧道TBM施工性能评价方法

为了预测、评价、提升不同围岩质量隧道TBM施工能力,通过对国内外多个隧道工程TBM施工数据回归分析,建立了设备利用率、掘进速率等TBM施工性能指标随岩体质量的变化规律。统计结果表明TBM设备利用率与岩体质量指标RMR呈线性函数或二次函数关系、TBM掘进速率与岩体质量指标RMR呈二次函数关系;TBM设备利用率随岩体质量参数的增大而递增;TBM掘进速率随岩体质量参数的增大先升高再降低,在III级围岩时达到峰值;TBM施工速度随岩体质量参数的增大先升高再降低,在II级围岩时达到峰值。基于此,提出了不同岩体质量隧道TBM施工性能评价方法,并利用滇中引水工程香炉山隧洞TBM施工数据对该方法进行了验证。研究成果可用于预测拟建隧道TBM施工工期和评价在建隧道TBM施工性能。     

地质突变条件下基于组合模型的围岩等级和TBM掘进参数预测

为了提高硬岩隧道掘进机(TBM)施工的安全性和智能化,基于TBM掘进数据,提出了一种将双向长短期记忆(BiLSTM)网络与支持向量机回归(SVR)算法相结合的可以同时进行围岩等级和TBM掘进参数预测的组合模型(BiLSTM-SVR模型)。实例验证结果表明:BiLSTM-SVR模型对围岩等级的预测准确度较高,均方根误差均小于0.026 5、平均绝对百分比误差均小于0.95%;BiLSTM-SVR掘进参数预测中,推力和扭矩的预测准确度最高,净掘进速度和开挖比能的预测准确度最低;BiLSTM-SVR模型比BiLSTM模型和SVR模型的掘进参数预测准确度有较大的提高,因此进行单一模型的组合可以有效提高模型预测的准确度和鲁棒性。     

基于混沌天牛群算法优化的神经网络分类模型

针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN（Improved Beetle Antennae Search and Back Propagation Neural Network）分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。     

基于TSA-PSO-SVR算法在碳期货价格中的预测研究

针对支持向量回归(SVR)模型参数选择困难以及在碳期货价格预测中模型误差高的问题,提出一种基于改进粒子群算法-支持向量回归(TSA-PSO-SVR)的期货价格预测模型.通过改进粒子群算法惯性权重实现局部搜索和全局搜索能力的平衡,引入被囊群算法(TSA)对粒子群位置更新公式进行优化,利用改进的粒子群算法(TSA-PSO)找出最优参数有效解决支持向量回归参数选择盲目性的问题;将得到的最优参数应用于期货价格预测模型.选取福建碳交易市场的碳交易价格进行预测,与支持向量回归(SVR)、差分自回归移动平均模型(ARIMA)、长短期记忆模型(LSTM)模型作对比,实验结果表明TSA-PSO-SVR模型有效克服了高预测误差和参数选择随机性的问题,并具有较高的泛化能力.     

基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测

滑坡是一种严重威胁危害居民生命财产安全的自然灾害,滑坡位移预测有助于预测滑坡等自然灾害.滑坡体监测数据的处理和预测模型的建立是滑坡位移预测的基础.针对当前时间序列分析中应用广泛的EMD、EEMD分解算法的缺陷,将具有严格数学理论支撑且分解个数可控的变分模态分解算法应用于位移时间序列分解,以获得滑坡位移子序列.将自适应变异粒子群优化算法(AMPSO)和支持向量机(SVM)相结合,构建AMPSO-SVM位移预测耦合模型.运用耦合模型对分解所得位移子序列分别进行预测,然后重构子序列预测结果得到总位移预测值.以三峡库区白水河滑坡XD1监测点为例,针对2007～2012年监测数据,设置不同情景以验证所提出预测模型的有效性及稳定性.实例分析表明,基于变分模态分解和AMPSO-SVM耦合模型对于滑坡位移的预测性能优于BP神经网络预测模型和网格搜索优化的SVM模型,在滑坡位移预测中有良好的理论基础及工程应用价值.     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

基于耦合BAS-MLP预测混凝土抗压强度

混凝土抗压强度对建筑质量有很大影响，依据相关参数对强度进行准确预测，可以为现场施工提供参考。论文以人工神经网络(MLP)为基础，提出一种基于耦合天牛搜索算法BAS-MLP对混凝土抗压强度进行预测。论文选取1030组混凝土试样进行数据仿真分析，并与基于SCE-MLP,MVO-MLP耦合模型结果对比分析均方根差RMSE和相关系数R²。通过对所提出耦合模型的有效性研究，主要探索了预测混凝土抗压强度的最优训练算法。结果表明，基于BAS训练的MLP模型RMSE和R²优于其他两个算法，可以更快速、准确地对混凝土抗压强度进行预测。     

基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。