基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉（Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR）和粒子群优化-反向传播（Particle Swarm Optimization -Back Propagation,PSO-BP）神经网络算法的矿区地表沉降监测及预测模型. 首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性. 实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低. 与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.     

基于SBAS-InSAR和BP算法的大理市地面沉降监测及预测

针对传统差分合成孔径雷达干涉测量(differential interferometric synthetic aperture radar, D-InSAR)存在时空失相干、大气延迟的问题，选择小基线集合成孔径雷达干涉(small baseline subset interferometric synthetic aperture radar, SBAS-InSAR)技术获取高精度地表沉降信息。为了更快了解未来城市地表沉降趋势，提出一种基于SBAS-InSAR和BP神经网络算法的城市地表沉降监测及预测模型。利用SBAS-InSAR技术获取大理市2020年5月1日至2021年12月22日时间序列累计最大沉降速率，其沉降速率范围为-52.627～47.543 mm/a;选取研究区5个沉降较为严重的区域分析沉降原因；最后随机选取B沉降区内1 000个沉降点，其中300个作为学习训练样本，700个进行测试和预测分析，预测结果与监测结果相吻合，其平均绝对误差为0.255 mm,均方误差为0.129 mm。实验结果表明，提出的结合SBAS-InSAR和BP算法模型，能够有效对城市地表沉降进行监测...     

融合多种差分干涉测量的矿区地表形变监测

为解决时序短基线集差分干涉测量技术(SmallBaseline Subset-InSAR,SBAS-InSAR)无法准确估计煤矿沉降中心形变值的问题,通过融合合成孔径雷达差分干涉测量(Differential InSAR,D-InSAR)和SBAS-InSAR技术研究了测量矿区地表形变的监测方法。利用25景Sentinel-1数据,根据基于相干性系数的D-InSAR方法和结合永久散射体合成孔径雷达干涉测量(Persistent Scatterer Interferometric Synthetic Aperture Radar,PS-InSAR)的SBAS-InSAR方法分别生成研究区域的形变图,并借助Kriging插值法,将前者方法所得结果填补于后者方法所获形变结果,完善矿区形变中出现的空缺值,从而更为准确地估算矿区地表形变结果。此外,沿着开采面的横纵剖面详细分析典型矿区的形变结果,并绘制地表形变剖面曲线,以此剖析矿区沉降漏斗的演化过程。最后,为了定量说明该方法的可靠性,将矿区形变结果和水准测量数据进行误差对比,并将标准差和均方根差作为矿区形变结果精度的评定指标。结果表明：相干性系数图整体质量较优,研究区域中最大累积沉降量可达176.39mm,年均沉降速率最大可达-103.82 mm/y。通过本文方法得到的形变结果和水准处理数据基本一致,且误差均小于13 cm,监测精度满足煤矿开采相关测量技术要求。     

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.     

基于SBAS-InSAR与GM(1,1)模型的张博线采空区地表形变监测

为获取了该区段沿线的地表形变速率及各成像时刻的累计形变量等形变信息,验证GM(1,1)模型在地表形变中的预测效果,通过 SBAS-InSAR 技术对张博线采空区 2019 年1月至2022年1月43景 sentinel-1A影像数据进行处理,并利用 GM(1,1)模型对地表特征点监测结果进行了模拟和预测。监测结果表明铁路沿线大部分区域年平均形变速率在-2.0~2.0 mm/year之间,沿线地表相对稳定;预测结果表明GM(1,1)模型在沉降预测中有良好的效果,可进行中长期预测。     

地铁隧道重叠段的沉降变形特性研究

为了实现地铁隧道地表沉降的高精度预测,先利用数量化理论Ⅲ筛选隧道地表沉降的重要影响因素;其次,在单项预测模型参数优化预测基础上,利用多种线性组合和非线性组合方法,实现了隧道地表沉降的组合预测研究。实例研究表明:在影响因素的筛选过程中,得出隧道沉降影响因素较多,其中,重要因素有3个,次重要因素有5个,一般因素有4个,并将后续沉降预测模型的输入层信息设定为重要因素和次重要因素。同时,单项预测模型的参数优化能在一定程度上提高预测精度,且各组合预测方法的预测效果均能不同程度的优于单项预测结果,并以非线性组合方法中RBF权值法的预测效果相对最优,其预测结果的相对误差值均值仅为1.58%,进而验证了该组合预测思路的有效性和科学性。     

基于IOWA算子的赤潮LMBP神经网络组合预测模型

针对现有赤潮单项预测模型不能综合各种理化因子有效信息的问题,提出了一种赤潮组合预测模型,该模型基于诱导有序加权平均(IOWA)算子与Levenberg-Marquardt人工神经网络(LMBP)算法,能够有效集结各种理化因子的信息,其预测精度比单项LMBP神经网络预测模型有较大提高.采用烟台四十里湾赤潮监测数据对该模型进行实验.结果验证了该模型的有效性和实用性.     

天津LNG码头SBAS-InSAR时序形变及地面监测数据响应分析

为了查明油气重大基础设施中,由星载雷达干涉测量、地面GNSS形变监测、地下位移传感器监测和管道应力应变监测网络构成的星地一体化监测技术的有效性,本文采用SBAS-InSAR技术提取了天津LNG（Liquefied Natural Gas ）码头区域油气管线区域的长时间序列的地表形变数据,进一步分析了地面GNSS（全球导航定位系统）地表位移、多层深度位移计、管道应变传感器数据与同步的SBAS-InSAR地表形变量的数据响应关系,并进一步分析了雨-旱循环的时序变化规律。结果表明：2019年5月-2022年4月的3年间天津LNG码头区域非均匀沉降最为显著,最高达到-394mm;SBAS-InSAR的时序形变数据15-53mm的沉降形变,在GNSS中有9-57mm的地表位移响应,两者相关显著,具有良好的一致性;SBAS-InSAR地表形变变化特征与多层位移计在1m、2m和3m深的位移数据响应特征都与降水量关系密切,呈现显著的雨季-旱季波动特征,二者具有良好的同步性,说明SBAS-InSAR地表形变变化特征能够揭示地下土层的位移变化特征;SBAS-InSAR地表沉降量与地下管道应变呈正相关, SBAS-InSAR获取的地表形变是反映地下管线应变的良好指标。由星载雷达干涉测量、地面GNSS形变监测、地下位移传感器监测和管道应力应变监测网络构成的星地一体化监测数据的集成应用,能够为未来星地一体化的管道安全监测技术体系构建提供有益的借鉴。     

TPGM(1,1)预测模型在基坑变形中的应用研究

依据深基坑周边地表沉降监测信息,运用灰色理论的方法,对基坑周边地表沉降发展变化规律进行合理的预测可以有效的确保基坑施工期间变形安全和正常使用要求。针对传统的GM(1,1)和DGM(1,1)模型本身数学结构的不足,提出采用TPGM(1,1)预测模型对基坑周边地表沉降进行预测。结合工程实例计算表明,在TPGM(1,1)模型中,利用已知监测数据预测未来一段时间内的基坑周边地表沉降能获得更加精确的预测结果。该研究成果能为动态信息化施工以及施工阶段的基坑灾害评估、预警提供有力指导。     

基于支持向量机的矿区开采沉降的预测

针对矿区开采沉降预测方法问题,在分析了矿区开采沉降因素的基础上,利用统计学习的新方法--支持向量机,结合最小二乘算法,提出了矿区沉降的预测模型,预测结果与神经元网络,多项式拟合结果进行比较,结果表明支持向量机在沉降预测方面准确性高,泛化能力强.     

新疆西准噶尔沙吉海地区地表形变时空特征分析及其环境意义

煤矿地下开采形成的采空区对地表工程和周围环境造成严重的破坏,造成沙吉海矿区周围生态脆弱,草场面积缩减。长期废弃的矿井由于不清楚地下开采情况及范围,所以难以进行有效治理。通过长时间大范围的采空区形变特征监测,对于地质灾害预防和治理来说具有重要意义。基于2017年3月19日—2019年12月22日73幅覆盖沙吉海矿区的Sentinel-1A影像,采用差分干涉测量短基线集时序分析技术(small baseline subset interferometric synthetic aperture radar, SBAS-InSAR)获取时序地表残余变形,此外通过克里金插值法获取了整个研究区完整的形变信息,监测到研究区平均变形速率在-148.44～38.05 mm/a,最大累积形变量达-1 418.42 mm。分别得到废弃采空区和正在开采矿井工作面的形变特征,正在开采煤矿采空区呈漏斗形变形,废弃采空区沉降呈多点分散形,变化不均匀。经过对沙吉海矿区详细的野外调查,验证了SBAS-InSAR结果的可靠性。最后,结合野外验证结果分析了煤矿采空区围绕沉降中心呈漏斗形演化的过程。研究成果可为老旧采空区治...     

基于小基线集干涉测量的天津地区地表沉降时空分析

基于覆盖天津地区2017—2019年的30景Sentinel-1A影像数据,采用小基线集合成孔径雷达干涉测量(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)方法对研究区域进行地表沉降监测,获取了天津地区的年平均沉降速率和累积沉降,并与水准数据进行比对,最后分析了该地区的沉降时空特征。结果表明:2017—2019年大部分区域地表形变速率为-15.8～4.1 mm/a,最大沉降速率超过-130 mm/a,最大沉降中心位于天津市西青区王庆坨镇;基于SBAS-InSAR获取的沉降结果与水准测量结果比对,其精度达到2.96 mm;地表沉降受地下水开采、城市基础建设的发展以及工业用地量、人为活动等方面因素影响明显。     

考虑数据异常及新旧程度影响有界性 的地基沉降预测方法

在现有沉降组合模型预测方法研究基础上,通过考虑实测沉降数据新旧程度及其影响的有界性特点,提出了度量实测沉降数据新旧程度的新鲜度函数分析模型,它能同时反映实测点与预测点之间的时间距离和实测误差以及实测数据新旧程度影响有界性对沉降预测的影响.基于统计学理论提出了排除异常实测数据引起沉降预测不合理的实测数据样本处理方法.利用上述模型与方法,提出了可反映实测沉降数据异常和新旧程度及其影响程度有界性的地基或路基沉降组合预测新方法.通过工程实例计算以及本文与现有同类方法预测与实测结果的比较分析,表明了本文地基或路基预测模型与方法的合理性与优越性.     

高密度离散灰色建模及其预测应用

为定量描述复杂系统动态过程特征,针对生产过程空间整体参数的监测及控制问题,借助灰色系统理论的设计方法,给出一种利用多变量离散灰色模型预测控制算法.该算法利用线性矩阵级数展开求和设计一个空间高密度多点预测模型,基于该模型实现空间高密度多点预测模型的建模和预测.仿真算例证实了算法的有效性及可行性,为通用非线性预测提供一种新的控制思路.     

利用时序InSAR技术监测兰州市主城区地表形变

城市地表形变是城市发展进程中的阻碍因素,为监测城市地表形变,利用46景Sentinel-1A影像,通过短基线集干涉测量技术(SBAS-InSAR)对兰州市主城区进行监测,SBAS-InSAR技术是在传统的D-InSAR技术上发展起来的时序InSAR技术,可以监测长时间序列上高精度的地表形变结果。实验获得了2017年1月到2018年8月间的地表形变信息,结果表明兰州市区存在大范围的地表沉降,最大年平均沉降速率达到104.2mm/a,累积沉降量达到174.4mm,并对兰州市区内沉降区域分布范围和发展趋势做了总结。城区北部的沉降区域主要分布在新开发的居民区周围,形成了四大沉降中心区域,城区南部沉降最为严重的是七里河区,有多个区域的年平均沉降速率达20mm/a以上。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

煤矿瓦斯涌出量的非线性降维Elman动态预测模型

为对回采工作面绝对瓦斯涌出量进行有效预测,提出非线性降维的改进Elmand动态预测模型.模型采用非线性映射在特征空间内对数据进行有效降维,以此确定神经网络输入数目,并利用自适应蚁群微分进化算法对改进的Elman神经网络(IENN)的阈值、权值、自反馈因子和增益因子行全局寻优.将该预测模型用于矿井监测的历史数据进行检验.研究结果表明:模型能够有效地减少预测模型的输入变量个数,并且相比其他预测模型提高了预测的精度和效率.     

基于概率积分法和ARMA模型的开采沉陷算法

工程地质条件复杂的采空区,采用概率积分法预测地表沉陷量时会出现较大偏差,因而提出概率积分法和ARMA模型相结合的采空区地表沉陷预测模型。模型将采空区地表沉陷分为两部分：受采空区影响的趋势项沉陷和受工程地质条件影响的突变项沉陷,利用平动法分离这两项沉陷量,然后分别采用概率积分法和ARMA模型对趋势项和突变项进行沉陷分析预测,两项之和为采空区最终沉陷预测结果。采用该模型对湖南省冷水江宝大兴矿区采空区地表沉陷预测,预测结果较好地反映出复杂工程地质条件作用下采空区地表沉陷的变化发展趋势,通过对监测值、概率积分法预测值和新模型预测值进行对比,新模型预测精度较高,与监测值相吻合,在相似的复杂条件下具有较高的可行性。     

基于IAO-LSSVM模型的基坑周围建筑物沉降预测: 以深圳华强南站地铁基坑为例

针对当前基坑开挖引发建筑物沉降预测模型存在精度不足、收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进天鹰算法(IAO)优化最小二乘支持向量机(LSSVM)的建筑物沉降预测模型。利用Tent混沌映射提高天鹰算法的种群多样性水平,再通过自适应权重强化算法的全阶段寻优能力;引入IAO算法优化LSSVM的正则化参数和核函数宽度,构建基于IAO-LSSVM的建筑物沉降预测模型,并将该预测模型在深圳华强南某地铁基坑工程中进行了验证。结果表明：该沉降预测模型相比于传统预测模型精度更高、收敛更快、跳出局部最优域的能力强;该模型预测值与实际沉降监测值吻合度较高,其误差在5 %左右,更适合预测城市中地铁基坑开挖引起的周围建筑物沉降。