基于PSO-ELM的建筑物爆破震动速度预测

 针对影响爆破震动速度因素之间复杂的非线性关系,利用粒子群算法（PSO）的全局搜索最优解原理和极限学习机（ELM）处理非线性关系能力,建立了爆破震动速度预测的PSO-ELM 模型。以某地区爆破震动实测数据为例,选取总药量、最大段药量、爆破点与监测点距离、建筑物所在地面震动速度和测点到地面的高度等5 个因素为输入变量,以建筑物震动速度为输出变量。结果表明,PSO-ELM 模型训练值与预测值,测试值与预测值的均方误差分别为0.18 和2.56,平均相对误差控制在6%以内,显示出该模型具有良好的训练精度和泛化能力。对比传统ELM 模型,PSO-ELM 模型不但提高了精度和泛化能力,而且降低了训练样本数和隐含层节点数变化对训练结果的影响,提高了模型的拟合能力,在类似预测工程中有一定的推广价值。     

中深孔爆破振动加速度峰值的遗传BP网络预测

为准确预测爆破振动加速度峰值,保证爆破安全,相对于考虑因素少的经验公式法以及存在收敛性差、易陷入局部极小和计算复杂等缺陷的BP算法,提出了遗传BP神经网络算法,该算法具有更高的预测精度。以田湾核电站船山二期工程的试验数据为背景,比较分析并选择最大段药量、水平距离、总药量、高程差、爆破台阶高度和段别规模等6个参数作为输入层因子,建立了相应的爆破振动加速度峰值预测模型。结果表明,预测精度达到96.97%,验证了方法的可行性和有效性。     

爆破地震峰值的神经网络预报模型

对爆破地震值进行预报,方法,采用神经网络模型,对秦山核电站某爆破工程监测得到的２０组震动峰值数据进行学习,然后对另１０组数据进行预报。结果,实测值与预报所在分类区域完全一致。     

基于PSO-ELM的低压系统短路电流峰值预测

针对现有短路电流预测技术的不足,在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机（PSO-ELM）的短路电流峰值预测方法。利用短路电流暂态特性的分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、ELM算法进行比较。实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测出短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法。     

基于IPAT模型的江西省碳排放峰值预测研究

通过对江西省1995-2012年的时间序列数据进行回归,利用IPAT模型对未来江西省碳排放峰值出现时间进行预测。可以发现,技术进步对峰值的影响较为重要。按照江西省目前发展趋势,若经济社会发展的同时保持能源强度和碳排放强度合理下降,江西省的峰值到达时间约在2032-2035年之间。因此,保持能源强度和碳排放强度的不断下降对江西省尽快出现碳排放峰值至关重要,健全应对气候变化机制、调整产业结构、优化能源结构、提高清洁能源消费比重应成为江西省今后的重点工作任务。     

基于神经网络的爆破块度预测

选择以对爆破效果影响最为明显的爆破参数作为神经网络输入层参数,建立神经网络预测模型,对爆破效果参数进行预测。将块度指标作为神经网络计算的输出层神经元,分析神经网络计算得出的块度指标是否满足设计精度。选择合理的样本数目进行训练学习,将模型计算结果与实测现场数据进行比较,输出结果的误差精度可以满足现场生产需要,能够达到指导实践中矿山调整爆破参数、改善爆破效果,节约成本的目的。     

基于长短期记忆神经网络的城市交通速度预测

交通速度预测在智能交通系统中起着重要的作用,准确、快速的交通速度预测有利于及时掌握城市道路交通状况,能够有效实行交通诱导。针对交通速度具有极强的周期性,在工作日和非工作日之间存在较大差异,导致预测精度不高的问题,分别选取公开的工作日和非工作日交通速度数据,构建基于长短期记忆神经网络的城市交通速度预测模型。实验验证采用广州市20条路段的交通数据,结果表明,区分工作日和非工作日的平均绝对百分比误差、平均绝对误差和均方根误差的平均值比不区分均要小,说明区分工作日和非工作日可以有效地提高交通速度的预测精度。     

基于播放速度预测的自适应多媒体播放算法

为了能实时地跟踪网络时延的变化,减少因时延抖动造成的对播放质量的影响,该文提出一种自适应多媒体播放(AMP)的算法.该算法利用Chebyshev不等式和时延抖动的统计特性,预测适宜的播放速度,同时利用缓冲区的状态共同调节播放速度.计算机仿真结果表明: 该算法在有效地减小缓冲区溢出可能的同时可以实时地跟踪网络延时的变化改变播放速度,播放速度的方差可以减少40%～80%;用主观视觉观测,抑制抖动的效果比原有的AMP算法更好.     

爆破地震振动速度与爆破中心距离的关系研究

众所周知,工程爆破常在附近引起地震灾害,某一点地震灾害的大小取决于该点地层的地震振动速度。质点的爆破地震振动速度又与所采用的爆破方法、炸药的种类、总装药量（或微差爆破中最大一段装药量）、地质条件（地层种类、地质构造、节理裂隙发育程度和岩层风化程度等）和地形地貌条件等有关。因此,推测一次爆破是否会对附近建筑物、构筑物或岩土边坡构成危害是相当复杂的,有时甚至是不可能的。作者根据几次石灰岩岩层中的深孔爆破所测得的数据进行回归分析,建立了一元线性回归方程和一元非线性回归方程,用以近似地推测石灰岩地层一定炸药量的工程爆破中,在距爆破中心Ｒ处引起的地震振动速度Ｖ。     

基于对比度和共识日的交通速度预测

交通速度预测是智能交通系统中研究热点内容之一,准确预测交通速度有助于为出行者提供可靠的出行决策。考虑到路网中交通速度变化的时空关联性和规律性,本研究提出一种基于对比度和共识日的交通速度预测方法。首先,为捕捉短时内速度的变化特征,挖掘道路的空间关联性,构建对比度模型并根据其值更新历史数据的交通状态集;其次,采用K-means方法对更新后的数据集进行聚类,通过Rand指数识别出每簇的共识日,并根据其信息预测交通速度;最后,借助RMSE、MAE和ACC等指标分析了预测方法的有效性。分析结果表明,本研究方法预测准确率达93.8%,预测精度较高,计算速度较快,具有更好的适用性。     

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.     

近断层水平速度峰值衰减关系的比较与分析

近断层地震动呈现出了较以往地震动更为复杂的破坏特性,国内外较多学者开展了近断层地震动特征参数衰减关系的研究。由于采用地震记录不同,考虑的影响因素也存在差异,不同学者得到的衰减关系也有区别。在应用时,采用哪种衰减关系更为合理也就成为一个有待解决的问题。本文选择了近些年出现的具有一定代表性的水平速度峰值衰减关系,比较了各衰减关系计算值与实际记录值的差异,选出了与实际地震记录及其它衰减关系计算结果相差较小的衰减关系,为后续的应用提供了参考,同时,也指出了其存在的问题。     

爆破地震动速度时程的反应谱分析

在阐述地震反应谱原理的基础上,针对在爆破工程中,监测振动仪器大多记录的是速度时程曲线的情况,提出采用爆破震动速度求反应谱更直接更精确。笔者通过分部积分推导出时程计算公式,采用拉西瓦水电站开挖爆破监测速度时程曲线计算出反应谱,通过反应谱对结构动力响应进行了分析来评价震动效应。     

岩质边坡爆破振动速度高程效应

基于量纲分析理论,分析影响边坡爆破振动速度相关物理量,推导改进考虑高程影响的爆破振动速度衰减经验公式。结合大冶铁矿东露天采场狮子山北帮边坡挂帮矿开采工程实际,建立简化模型计算分析并通过现场实测数据进行验证。采用已验证模型及参数,分别建立不同坡度边坡(坡角依次为15°,30°,45°和60°)爆破振动数值模型模拟计算,研究高程效应对爆破振动速度衰减的影响。计算分析结果表明:对于同一边坡坡体内同一水平监测点,高程作用对边坡振动速度的放大效应明显,并主要以垂直方向振动速度放大为主;对于同一边坡坡面监测点,随着水平距离、高程差的增大,爆破振动速度以衰减趋势为主导,放大效应不够明显;对于不同坡度边坡,在同一水平处各坡面监测点爆破振动速度随着边坡坡度增加以衰减为主,但存在高程放大效应占主导的现象;对比分析结果说明基于量纲分析改进的经验公式能够对边坡爆破振动速度高程的影响进行更好地修正。     

基于四分位数对路段速度的预测优化

使用出租车GPS数据作为基础,采用更加合理有效的路段速度作为交通状态参数,分析路网划分后的路段速度时间序列,利用四分位数特性优化算法,提高预测模型的合理性和准确性,并通过真实历史数据验证方法的可靠性.从带有随机性和不确定性的交通流变化中,通过分析找出其中的规律性,以预测未来几个时段的交通流变化.结果表明四分位法既体现出了路段速度的变化趋势,同时削弱了极端值和异常值的影响,能够展现出合理的交通状态变化过程,并且其计算简便,为大规模数据处理有效节省了计算资源.对计算结果的曲线拟合证明了四分位法处理路段速度的可靠性,对交通状态预测具有重要意义.     

基于集成Dropout-DNN模型的盾构掘进速度预测方法

为了提升土压平衡盾构机的掘进速度预测精度,提出一种集成Dropout-DNN模型的盾构掘进速度预测方法。依据济南地铁R1线盾构隧道段工况数据,将数据集划分为五份,并选取刀盘转速、刀盘扭矩、总推进力、螺机转速、土仓压力这五个参数为输入参数,分别建立了五个Dropout-DNN模型并进行集成实现了盾构掘进速度的预测,进一步对不同的预测方法进行了对比分析。研究结果表明：各Dropout-DNN模型预测精度具有一定的差异性但基本良好,其决定系数均大于0.6、平均绝对百分误差均小于10%,而集成的Dropout-DNN模型决定系数为0.695、平均绝对百分误差小于5%,可见集成模型预测精度较高;基于BP神经网络、DNN模型实现的盾构掘进速度预测模型其决定系数分别为0.502、0.566,可见提出的集成Dropout-DNN模型预测精度提升明显。     

基于支持向量机的页岩储层横波速度预测

为解决目前油气田现场缺少储层横波速度信息的问题,以常规测井数据为基础,基于支持向量机映射页岩横波速度与自然伽马、密度和电阻率等测井数据的相关性,提出了一种准确预测储层横波速度的方法。通过四川盆地威远页岩气区块的11 500个样本数据对所建立的模型进行训练与测试,支持向量机的预测准确性达到97.2%。     

基于ANSYS与BP神经网络的轧花速度预测方法

为实现对轧花过程中轧花速度的预测以及在生产中选择合适的速度值,以达到优化原棉品质指标的目的,设计了BP神经网络模型.采用ANSYS软件对轧花过程进行模拟,得到锯片在不同转速下的支反力,并以南疆地区的机采棉为研究对象,以回潮率、支反力以及短绒率为输入量,以轧花速度为输出量,建立了BP神经网络预测模型并对网络进行训练和测试.结果表明:该预测模型可以很好地对轧花速度进行预测,平均预测误差率低于1%.由此表明,可以通过调节轧花速度来提高原棉品质.     

第25太阳周太阳黑子数峰值预测

本文通过对历史太阳周的峰值、上升期、下降期等特征参数的统计分析,给出了峰值变化与上升期之间的三类线性拟合关系,两个太阳周峰值之间长度与下降期的两类拟合关系,并通过分析太阳周的长期变化周期和第10周之后的偶、奇数峰值的变化规律,给出第25太阳周的预测结果:预计第25太阳周在2020年6月前后开始,该周会比第24太阳周强,太阳黑子数峰值为119.2±5.5,峰值强度类似于第17太阳周和23太阳周.