基于机器学习的混凝土自生收缩预测算法与解释

目的 研究混凝土自生收缩的多因素作用机理,建立适用于混凝土自生收缩预测的机器学习模型,增强机器学习算法的可解释性。方法 将水灰比、水胶比等14个指标作为输入变量,混凝土自生收缩值作为输出变量进行预测;采用BPNN、SVM、RF及XGBoost算法建立混凝土自生收缩预测模型,基于判定系数R²、均方根误差RMSE及平均绝对误差MAE,选取最适用于混凝土自生收缩的预测模型;采用SHAP法解释输入变量对输出变量的贡献程度、相关性及各输入变量的作用机理。结果 相较于其他算法而言,XGBoost算法可以有效预测混凝土的自生收缩,此时得到的R²、RMSE及MAE分别为0.956、0.055及0.026。结论 骨灰比是影响混凝土自生收缩的关键变量;骨灰比、高吸水树脂掺量等指标与混凝土自生收缩呈现负相关;时间与硅灰掺量等指标与混凝土自生收缩呈现正相关;采用SHAP法可以有效解决机器学习模型存在的黑盒问题,提高模型的可解释性。     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测，采用遗传算法(GA)优化BP神经网络，研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_t-15和平均沉降速率v_t-15为影响因素，在t、t-S_t-15、t-S_t-15-v_t-15三种输入下，分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集，余下原始数据为测试集，重复训练10次后取平均值作为输出值.采用决定系数(R²)来判别模型拟合度，均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明：3种输入的R²均大于0.99;训练集占原始数据的比例为50%时，t-S_t-15输入的预测误差最小，RMSE为1.31 mm, MAPE为4.71%;训练集占原始数据的比例为80%时，t-S_t-15-v_t-15输入的预测误差最小，RMSE为0.29 mm, MAPE为1.00...     

基于MEG虚相干功能连接的阅读理解能力预测模型的研究

【目的】阅读理解是人类最重要的认知能力，评价人类的阅读理解能力需要客观指标。【方法】提出一种基于脑磁图(magnetoencephalogram, MEG)虚相干脑功能连接的预测模型，使用虚相干算法构建全脑MEG功能连接，并通过单变量特征选择算法对特征进行选择，采用偏最小二乘回归(Partial Least Squares, PLS)构建预测模型对阅读理解能力进行预测。【结果】基于MEG虚相干功能连接的偏最小二乘回归模型可以成功预测阅读理解分数；进行单变量特征选择的模型预测性能更高、预测更准确(R²[PVT-Language]=0.524,MSE[PVT-Language]=5.042;R²[ORRT-Language]=0.536,MSE[ORRT-Language]=5.142),并且发现采用与阅读理解相关的任务态数据集比静息态数据集更适合用来预测阅读理解能力，且特征选择的功能连接更精确。【结论】基于MEG虚相干功能连接的PLS预测模型可以用来客观评价人类阅读理解能力。     

基于无人机LiDAR的单木生物量估测

单木生物量是遥感反演大尺度森林生物量的基础,为提高森林单木生物量估测精度和效率,利用无人机LiDAR点云精确估算桉树、马尾松的单木生物量。首先通过优化算法,提取树高和冠幅,然后采用改进的凸包算法计算树冠面积与体积,把单木结构参数引入CAR模型,构建单木生物量估测模型,并与线性模型进行比较。结果表明：桉树样地树高、冠幅相关性系数R²分别为0.92、0.72;马尾松样地相关性系数R²分别为0.94、0.78,算法提取的树木参数与实测数据相关性较好。改进的CAR模型的精度优于线性模型,桉树和马尾松样地R²分别为0.821、0.830,RMSE分别为17.731、19.149 kg/株。CAR模型引入冠幅面积、体积等树冠因子的生物量模型拟合度更好、精度更高,其中桉树、马尾松样地R²提高了0.102、0.115,RMSE下降了4.484、5.683 kg/株。利用无人机LiDAR数据提取单木结构参数进行生物量估测可取得很好拟合优度和精度。     

LSTM模型在京津冀干旱预测应用中的研究

在多时间尺度上对京津冀的旱情进行准确地预测可为当地抗旱提供有效支撑。基于1961—2019年京津冀22个气象站点的降水、气温、平均湿度等多个气象因子数据,计算标准化降水蒸散发指数(standardized precipitation evapotranspiration index, SPEI),并构建长短时记忆神经网络模型(long short-term memory model, LSTM)对多时间尺度的SPEI(SEPI-3、SPEI-6、SPEI-9、SPEI-12和SPEI-24)进行时空预测。采用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R²)对预测模型进行精度评估。结果表明在唐山气象站上,LSTM模型对多时间尺度SPEI(SEPI-3、SPEI-6、SPEI-9、SPEI-12和SPEI-24)值的预测效果较好。在时间序列预测方面,LSTM模型的预测精度随着SPEI的时间尺度增加而逐渐提高,其中LSTM模型在3个月和24个月SPEI时间尺度上的MAE分别为0.473和0.197,RMSE分别为0.627和0.260,R²     

基于随机森林的公路隧道CO气体浓度预测模型

汽车尾气的主要成分是CO气体,是公路隧道通风设计的一项重要参数。准确、快速地预测隧道内CO气体浓度,能够为隧道通风控制提供有力参考,有助于CO气体浓度的及时控制,对保障隧道内人员的健康、安全和隧道绿色节能十分必要。采用公路隧道实地监测CO气体浓度数据,建立了以监测点位置、交通量、车速、风速为输入特征的公路隧道CO气体浓度预测随机森林模型。通过整理3 300 m长隧道CO气体浓度数据,对比了CO气体浓度实测数据与模型预测值,验证了模型的预测精度。结果表明,基于随机森林建立的CO气体浓度预测模型具有良好的预测精度,能够准确地预测隧道内CO气体浓度,测试集的均方根误差(root mean square error, RMSE)和决定系数R²分别为0.497 4和0.943 7;该预测模型性能显著优于线性回归模型和支持向量机模型;预测模型能够推广应用于其他隧道的CO气体浓度预测,对应的RMSE和R²分别为0.909 5和0.729 5,可以在已知测点位置、交通量、车速、风速的情况下预判隧道内CO气体浓度,为隧道通风控制或安全预警提供数据参考;特征重要...     

基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明：CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_MA和均方根误差E_RMS较低,同时预测的决定系数R²较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R²分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_MA和E_RMS较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LS...     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。     

多盐耦合环境下混凝土腐蚀损伤发展模型

以SO₄^2-,Cl^-与Mg²⁺作为主要离子模拟工厂中实际恶劣化学腐蚀环境，开展现场暴露试验及室内模拟试验.研究了不同浸泡方式、水胶质量比、腐蚀溶液质量分数及干湿周期对混凝土劣化影响，采用超声波检测分析混凝土劣化程度.结果表明：在多盐耦合作用下，混凝土的损伤层厚度随腐蚀时间持续增加且速度逐渐减小.腐蚀前期Cl^-与SO₄^2-先进行反应，混凝土内外浓度差较大，腐蚀速度快；腐蚀中期镁盐参与腐蚀，导致缺陷再发展，但浓度差减小，腐蚀速度放缓.基于试验结果提出损伤发展模型，得出室内模拟试验腐蚀1.37 d相当于现场半浸泡试验腐蚀1 d,结果较为准确.     

基于无人机LiDAR数据的马尾松碳储量估测

选择上杭白砂林场、建瓯水西林场为研究区,利用机载激光雷达数据对研究区进行地上碳储量估算,结果表明,利用逐步回归方法来估测本研究区内马尾松碳储量是可行的,且验证R²总体较高。其中,线性回归模型的R²达到了0.56,RMSE和rRMSE为12.71t/ha和27.24%,精度更高;选取冠层高度模型均值和峰度为碳储量估测模型的特征参数,拟合的线性回归模型的R²达到0.78,β分别为0.71和0.38;研究区内马尾松平均碳储量集中在<30t/ha和30～50t/ha。     

基于改进的BAS-BP神经网络的参考作物腾发量预测

针对求解参考作物腾发量时较多关联性强的气象因素以及BP神经网络自身的局限性,通过平均影响值法(mean impact value, MIV)和SPSS软件对相关参数进行降维筛选,并通过改进后使用非线性递减步长的天牛须搜索(nonlinear decreasing beetle antennae search, NDBAS)算法优化BP神经网络来进行预测,同时建立基于BP神经网络、BAS-BP神经网络的预测模型进行对比分析。结果表明,NDBAS-BP模型的决定系数R²为0.885 8,优于另外两个对比模型;且其平均绝对误差M_AE为0.358 7 mm/d,低于BAS-BP和BP模型的0.398 1和0.379 7 mm/d。3种模型中,NDBAS-BP模型的R²值最大,M_AE最小,证明NDBAS-BP模型的预测精度更加接近真实数据。     

MLP语音信号非线性预测器

讨论了MLP（Multi-Layer Perceptron)语音信号非线性预测器的实现。为了使MLP能够适用于语音信号预测,对MLP的误差准则进行了修正以减轻神经网络模型与语音模型之间的过匹配。为了提高MLP的训练速度,提出了一种线性化逐层优化（LOLL）MLP训练算法。实验结果显示该非线性预测器的预测信噪比约比线性预测器提高2dB,而且它还可以同时完成长时预测器的功能;误差准则修正使非线性预测器的预测信噪比提高了0.35dB。     

基于BPT-MLR模型的建筑能耗分析和预测

通过对福建省厦门市某高校8栋公寓楼的房间日平均用电量的分析，提出一种建筑能耗的平衡点温度-多元线性回归(BPT-MLR)模型.使用统计方法识别平衡点温度，并根据该平衡点温度分段对房间日平均用电量进行多元线性回归预测分析；对8个参数进行筛选，最终选4个参数作为模型变量，包括1个数值型变量(室外空气平均温度)和3个定类型变量(性别、节假日指数和晴雨天指数).结果表明：对比3种数据驱动模型，BPT-MLR模型的预测性能最优，其R²值达到了95.29%,比BP神经网络模型和多元线性回归模型的R²值分别高出0.04%和24.64%.     

联合LiDAR和多光谱数据森林地上生物量反演研究

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R²)为 0.76,均方根误差(RMSE)为 21.78 t/hm²;单一Landsat8 OLI数据的反演精度R²为 0.24,RMSE为39.27 t/hm²;LiDAR和Landsat8 OLI联合反演精度R² 为 0.84,RMSE为18.16 t/hm²;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R²为 0.74,RMSE为23.83 t/hm²;单一Landsat8 OLI数据的反演精度R²为0.60,RMSE为 29.63 t/hm²;LiDAR和Landsat8 OLI联合反演精度R²为0.80,RMSE为21.15 t/hm²。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。     

基于无人机多光谱影像的森林蓄积量估算研究

为了改进传统森林资源调查中通过大量人力实地抽样调查固定小班这种效率低下的森林蓄积量获取方法，通过对无人机多光谱影像的光谱信息进行分析，结合实地调查数据，采用多元线性回归模型，构建森林蓄积量估算模型对森林蓄积量进行更为准确的估算.结果表明，基于无人机多光谱影像构建的森林蓄积量估算模型整体预测精度符合预测要求，其修正后R²为0.708 1，该模型可以很好地估测森林蓄积量.该方法一定程度上优化了一类调查中在固定样地进行每木调查的工作效率，减少了劳动成本，可为未来森林蓄积量调查分析、模型研建提供参考.     

基于无人机影像与GA BP神经网络的生物量估算

快速、准确地监测冬小麦生物量,对于冬小麦田间管理、产量预测等具有重要意义.使用2015年开花期的冬小麦无人机数码影像及相应的生物量数据,将相关系数(|r|)、灰色关联分析(GRA)、投影变量重要性(VIP)与遗传算法(GA)-BP神经网络进行整合,构建了3种开花期冬小麦生物量估算模型,并对这3种模型进行可视化空间分析.结果表明：|r|-GA-BP,GRA-GA-BP,VIP-GA-BP模型的决定系数R²分别为0.753 9,0.689 8,0.704 4,RMSE分别为763.3,908.8,836.9 kg·hm^-2,MAPE分别为10.31%,15.65%和12.55%,|r|-GA-BP比GRA-GA-BP和VIP-GA-BP对冬小麦生物量有更好的预测能力.经可视化处理后能较为直观地反映冬小麦生物量的空间分布状况,为冬小麦的生长监测提供技术支持.     

基于MODIS产品的生态系统呼吸模型在内蒙古半干旱草原的验证

利用2010—2013年锡林浩特国家气候观象台涡动相关通量观测系统数据以及MODIS产品数据, 验证基于增强型植被指数(EVI)、陆地表面水分指数(LSWI)和地表温度(LST)的生态系统呼吸模型在内蒙古半干旱草原的适应性, 并探讨该遥感生态系统呼吸模型存在的问题。结果表明: 生态系统呼吸模型能较好地模拟夜间生态系统呼吸速率(R_eco)在生长季内和年际间的变化, 模拟值与观测值吻合较好(R²=0.90, RMSE=0.02 mgCO₂/(m²·s)); 夜间R_eco的观测值与EVI_s×W_s (EVI_s和W_s分别是EVI和LSWI对光合作用的影响函数)呈较显著的线性相关(R²=0.63), 与LST 的关系基本上满足L-T方程(R²=0.39); 夜间R_eco在生长季的前、中、后期对EVI_s×W_s和LST的响应不同是造成模型误差的重要原因之一。     

基于机器学习算法的连云港大浦河水质参数遥感反演

以连云港市内大浦河、大浦副河部分河段为研究区，根据现场实测数据与无人机高光谱遥感影像结合对水质污染进行研究分析。无人机高光谱数据处理采用多层感知机(MLP)构建水质参数预测反演模型，利用K-Fold进行交叉验证，其中氨氮和总磷预测值与实测值的决定系数(R²)高于0.8，平均绝对百分比误差(MAPE)在15%以内。高锰酸盐指数的R2为0.58，原因为其数值范围较小，但总体预测效果理想，MAPE仅为2%左右，反演效果良好。最终通过反演结果对目标河段的污染源现状进行剖析，对主要水环境治理问题的解决提供依据。