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...     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

基于卷积神经网络-长短期记忆的施工期盾构管片上浮过程预测模型

为了实现施工期盾构管片上浮过程的智能预测，采用动力水准仪对施工期盾构管片上浮过程进行自动化监测并建立了基于卷积神经网络?长短期记忆（CNN-LSTM）深度学习算法的管片上浮过程智能预测模型。结果表明：管片上浮阶段呈现出“阶梯状”，即管片上浮主要发生在盾构掘进期间，且掘进状态的上浮量最大，占峰值的75.24 %~98.29 %；CNN-LSTM模型对施工期盾构管片上浮过程具有较好的预测效果，在训练集上的均方误差MSE、平均绝对误差MAE和决定系数R2分别为0.038 7、0.148 2和0.999 3，在测试集上为0.030 7、0.138 9和0.801 9；相较于反向传播（BP）模型，CNN-LSTM模型在训练集与测试集上的性能均有所提升，且测试集的提升更明显，最高可达89.71 %。研究结果可为盾构管片上浮的现场实测及预防处治提供新思路。     

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。     

有机发光材料玻璃化转变温度与结构定量关系研究

有机发光二极管(OLED)材料具有巨大的应用潜力,其有机发光材料玻璃化转变温度(T_g)是影响热稳定性的重要因素之一.本文将1 944种用于OLED的有机发光材料分成训练集(1 556种)和测试集(388种);将4 885个Dragon参数缩减成472个后,基于线性回归得到含7个参数的子集,用于有机发光材料T_g/MW结构-性能定量关系(QSPR)建模.最佳随机森林回归模型(nodesize=5、ntree=200、mtry=2)产生的训练集决定系数R²=0.979,测试集R²=0.893,精度高于文献报道值.     

结合机器学习与高光谱遥感的城市内河水质反演

针对当前城市内河氮磷算法研究不足的问题,以福州市晋安河为研究对象、下洞江为验证对象,对总磷(TP)和总氮(TN)这两个重要河流水质指标进行研究.提出单波长连续投影算法(SPA)和双波长皮尔逊相关性分析(Pearson)进行自变量筛选,再结合机器学习算法对晋安河实测光谱数据进行模型构建和水质反演可视.实验表明,TP、 TN与氨氮有很强的相关性,在构建TP、 TN水质参数反演模型时,加入氨氮的特征波长,并采用SPA+Person+RF算法构建的TP模型效果最优,其R²为0.92,E_RMS为0.005 mg·L^-1;采用SPA+Pesrson+SVR算法构建的TN模型效果最优,其R²为0.90,E_RMS为0.082 mg·L^-1.优化后的算法比传统算法提升显著.经验证,该方法同样适用下洞江水质反演,可用于城市内河水环境监测.     

基于AOD数据和随机森林模型估算河南省ρ(PM2.5)

基于融合的深蓝/暗目标气溶胶光学厚度数据集构建了随机森林(RF)、地理加权回归(GWR)和线性混合效应(LME)模型估算河南省的ρ(PM_2.5),通过十折交叉验证评价模型性能.结果表明, RF模型估算的河南省ρ(PM_2.5)精度优于其他模型,其中RF模型月数据的R²比GWR和LME模型分别高0.26、0.27, R_MSE分别低6.56、5.32μg/m³; RF模型季节数据的R²比GWR和LME模型均高0.24, R²MSE分别低3.13、4.31μg/m³.利用RF模型估算河南省2017年的ρ(PM_2.5),冬季最高, R最高,R_MSE最大;春、秋季次之;夏季最低, R²和R_MSE最小,空间分布特征为北高南低.     

基于L-M梯度迭代算法的煤质发热量预测模型

选取150家火电企业的煤质检测数据，通过分析泛在煤质化验数据信息，构建L-M算法下的煤质发热量的预测模型。实验结果表明：(1)煤质化验数据中仅碳(C_d)、灰分(A_ad)与发热量(Q_gr,ad)的线性关系较为显著，相关系数R²为0.8768和0.6880;(2)主成分分析法挖掘出影响煤质发热量的主成分特征值、特征矩阵及得分，实现了由六维矩阵降至四维矩阵的降维效果，增强了神经网络在训练过程中收敛的稳定性；(3)基于L-M算法下，改进的BP神经网络预测模型(LMBP)的训练集系数R_t、验证集系数R_a和测试集系数R_m分别为0.9957、0.9942和0.9963，总体系数为0.9931，同时通过待测20组数据进一步验证了LMBP预测模型可靠，预测精度较高，更符合实际预测需求。     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, lightGBM)组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4 h风电功率为预测目标,验证了组合模型的有效性。预测结果表明：相较于其他3种单一模型,组合模型具有更高的预测精度。     

基于VMD-CNN-LSTM模型的渭河流域月径流预测

为了提高月径流预测的精度,解决月径流的非线性和不稳定性对于预测结果的影响,提出了变分模态分解(VMD)、卷积-长短期记忆神经网络(CNN-LSTM)组合的VMD-CNN-LSTM模型.通过选取渭河流域张家山站和魏家堡站1960—2005年的实测月径流数据进行训练和测试,并与EMD-LSTM、EMD-CNN-LSTM、V...     

离子吸附型稀土矿区硫酸铵原位浸矿与淋洗过程的室内模拟

离子吸附型稀土尾矿中残留的大量硫酸铵浸矿剂随雨水淋滤进入周边环境,可造成矿区及周边土壤和水体严重污染。本研究通过实地采集稀土矿区土壤,开展室内一维土柱实验分别模拟浸矿过程和淋洗过程,并建立Hydrus-1D模型,评价该模型对稀土矿浸矿和淋洗过程的模拟性能。Hydrus-1D模型的弥散度的率定值为0.5 cm,浸矿与淋洗过程的K_d的率定值分别为0.07 cm³/g和1.2 cm³/g;在浸矿过程模拟中,4个观测孔模型的R²为0.95～0.99,E_RMS为1.3～6.8 mmol/L;淋洗过程的R²为0.93～0.98,E_RMS为0.2～1.6 mmol/L;Hydrus-1D能够较好模拟浸矿和淋洗过程中NH⁺₄的迁移行为。示踪实验中Cl^-穿透耗时为30～90 min;浸矿实验中,4个观测孔达到吸附饱和耗时为60～150 min;淋洗实验中,4个观测孔的NH⁺     

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R²可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。     

盾构滚刀磨损的多元非线性回归预测

为了解决硬岩地层盾构滚刀的磨损检测问题,提出了一种基于多元非线性回归预测模型预测滚刀磨损的方法.利用滚刀正常磨损阶段的盾构掘进参数数据建立回归预测模型,根据依此模型预测的掘进速度与实际掘进速度偏差来预测滚刀的磨损状况.结合盾构工程项目研究结果表明:预测模型是正确的,预测结果与实际换刀情况是相符的,预测方法是有效的.研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导.     

基于遗传规划的盾构隧道开挖地表最大沉降预测

由于盾构隧道开挖引起的地面沉降是一个重要而艰巨的任务,许多影响因素都必须考虑,如隧道埋深、盾构直径、盾构掘进时推力、盾构推进速率、注浆填充率、注浆压力、地层的黏聚力、摩擦角、压缩模量等．然而目前没有模型能完全反映各种因素对地面沉降的影响规律,综合考虑各种影响因素,运用遗传规划理论对地表最大沉降进行预测．利用地表沉降实测数据对模型进行测试,建立了确定盾构隧道开挖引起地表最大沉降的遗传规划模型．研究结果表明：预测值与实测值是一致的,误差小于10％．     

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Elman神经网络的盾构滚刀磨损预测方法研究

为了解决盾构在复合地质掘进时滚刀磨损检测的难题,提出一种采用Elman神经网络预测盾构滚刀磨损状况的方法。利用滚刀换刀后正常磨损阶段的盾构掘进参数数据,建立Elman神经网络预测模型,根据依此模型得到的预测掘进速度与实际掘进速度的偏差来预测滚刀的磨损状况。文中分析了滚刀磨损影响因素,确定了Elman神经网络预测模型结构,给出了滚刀磨损判断依据。结合广州地铁五号线草淘区间左线盾构工程项目研究表明,预测结果与实际换刀情况相符。该方法建模简单,模型有效且适应性强,研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导。     

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。     

胺类捕收剂在石英表面吸附的定量构效关系

为深入研究胺类阳离子捕收剂在石英表面吸附能与其结构之间的关系,基于遗传算法构建了20种胺类捕收剂在石英表面吸附能与其结构参数之间的定量构效关系模型,得到了模型的相关系数R²=0.969,调整系数R²_ad=0.964,交叉验证系数R²_cv=0.955,显著值F=168.429,表明模型预测结果与模拟计算值拟合较好.四种未参与建模的阳离子捕收剂对所构建模型外部检验结果误差不超过5%,证明模型具有较好的预测性,能够较好预测胺类捕收剂在石英表面的吸附能.     

基于TCK-LSTM-ATT模型的城市用水量预测

针对LSTM神经网络模型的计算量较大,不可控的自主选择过程以及容易过拟合等问题,提出了TCK-LSTM-ATT模型,利用卷积核对数据特征进行提取合并,采用注意力机制对重要数据进行加权的组合模型方法。为了验证该模型对于供水量预测的准确性,利用中国东北某市2019年到2020年的某供水管网系统供水数据进行验证。实验结果表明,与普通模型相比,组合模型的预测误差减少约20%,R²值约为9.5,取得了较好的预测效果。     

基于XGBoost的房价预测优化（英文）

客观来说，房价受到诸多因素的制约，正因如此，房价预测仍然是数据分析中一个非常经典且具有挑战性的问题.本文针对房价数据冗余，在实际场景中很难确定重要特征，提出了一种创新的数据预处理方式，并通过双模型迭代拟合的方式进行数据预测.首先从数据意义、数据形式和数据关联性三个方面进行初始数据预处理，然后根据数据选择适合的模型进行训练.在传统机器学习中，Random Forest和XGBoost是两种常用的方法.RF模型通过其Bagging过程，能够准确地评判“冗余”特征，而XGB模型在提高预测效果的同时，也囿于其泛化能力下降，无法稳定地反映特征重要性.因此，本文利用RF模型处理冗余数据，并使用XGB模型对新数据集进行拟合提高预测效果.本文在Kaggle竞赛的数据集（"House Prices-Advanced Regression Techniques"）上进行了实验，测试结果显示，XGB回归模型最终的回归精度R²为87%,而单独的RF模型或XGB模型的R²分别为79.2%和78.7%.实验证明，该数据预测方法能够明显提高房价预测效果.同时，为充分体现模...