基于粒子群算法最优化Verhulst模型的开采残余下沉预测

矿区开采引起的残余下沉稳定时间长、潜在危害大,有必要准确地预测矿区地表的残余下沉。鉴于传统的残余下沉Verhulst模型建模误差大、适用性弱,在建模过程中以数据序列的首个数据保持不变导致预测效果差的缺陷,以直接离散Verhulst模型为基础,引入粒子群算法寻求模型迭代初始值的最优解,建立基于粒子群算法优化的矿区开采残余下沉直接离散Verhulst模型,并以山西阳泉和山东兖州矿区两个时间尺度的地表残余下沉监测数据集进行实例验证,最后利用Matlab App Designer工具实现模型算法的可视化。结果表明：基于粒子群算法优化的直接离散Verhulst模型的矿区开采残余下沉预测精度和稳定性增益明显,所开发的计算工具具有正确性和有效性。     

植被根系含量对膨胀土持水和渗透特性的影响

为探究植被根系含量对膨胀土持水和渗透特性的影响规律,选取南宁市膨胀土地区的膨胀土,掺入狗牙根根系制备不同含根率的试样,进行室内压力板仪试验和变水头渗透试验,采用Van Genuchten-Mualem模型预测不同含根率的膨胀土非饱和渗透系数。结果表明:掺入根系后膨胀土持水能力减弱,根系掺入增加膨胀土内部大孔隙的比例,含根率越高,大孔隙体积占总孔隙体积比例越大,持水能力相较于纯土下降的幅度越大;饱和状态下,膨胀土渗透系数随含根率增大而增大;非饱和状态下,低吸力阶段（0～25 kPa）的膨胀土渗透性随含根率的增大而增大,随着基质吸力增加到高吸力阶段（200～1 000 kPa）,根系优势流效果减弱,含根膨胀土渗透性逐渐趋近低于纯土;细观结果表明根系的掺入使膨胀土内部产生贯通裂缝,是影响膨胀土持水和渗透能力的关键因素。本研究进一步揭示植被根系对膨胀土增渗作用的机理和规律,为综合评价植被防护膨胀土边坡效果提供参考。     

基于长短时记忆神经网络的抽油机井故障智能预警

准确预测抽油机井故障对油田生产具有重要意义。针对新疆油田某区块抽油机井故障情况,统计了500口油井的生产数据,明确了结垢、结蜡、杆管腐蚀、杆管疲劳、杆管偏磨5种引发抽油机井故障的主要因素;基于长短时记忆神经网络(long short-term memory networks, LSTM),构建了油井故障智能预警模型;筛选出影响油井故障的14种特征参数进行小波降噪处理,借助自适应矩估计算法对模型进行训练与测试。研究结果表明,模型预测准确率为96.81%,能够为油田提供较为准确的抽油机井故障预警信息。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

变系数的强反射分离技术及应用

基于地震多子波分解的强反射识别与分离技术已广泛应用于地震解释性处理环节中,该技术能够去除强屏蔽影响,提高隐蔽储层的识别精度。针对多子波分解技术在分解效率和分解精度上的问题,引入地震信号的瞬时特性作为初始值,根据小波参数之间的关系减少局部扫描参数,提出了一种三参数快速子波分解技术提高了子波分解精度和效率。通过模型正演分析了地层厚度与强屏蔽能量的关系,建立了地层厚度与分离系数的关系,探索了一种变系数的强反射分离应用思路。将新技术和新思路应用于实际地震数据,分离结果削弱了强屏蔽的影响,突出了隐蔽储层的有效信号,提高了储层预测精度;由于强反射分离过程充分考虑了不同厚度的煤层与分离系数的关系,分离结果更加符合实际地质情况。     

基于实时监测的轴承寿命预测方法

从凯斯西储大学轴承数据中心提取了斯凯孚(SKF)轴承内圈、滚动体和外圈不同故障尺寸的原始振动信号,故障尺寸分别为0.007,0.014和0.021 in（1 in=2.54 cm),对其进行经验模态分解(EMD),发现共有17个本征模函数。进行主成分分析(PCA),发现内圈和外圈故障尺寸与第一主成分和第二主成分的关系可通过主成分拟合公式进行准确拟合,因此,通过实时监测轴承振动信号并进行信号分析,可获得内圈和外圈的故障尺寸,利用Pairs-Erdogan公式和有限元仿真方法对含故障轴承的剩余寿命进行了预测。该研究对预防由含裂纹轴承导致的机械事故具有重要的意义。     

基于时间函数的高寒矿区地表动态下沉规律研究

高寒地区因为其冻土的特殊性质导致其经历开采后随着季节变化易导致上覆岩层破坏,因此,为准确预测高寒地区矿区上覆岩层的动态沉降的发展趋势,本文选取高寒矿区地表富水区作为研究对象,基于Weibull时间函数与分段函数的思路,结合矿区地表InSAR监测数据建立高寒矿区地表动态沉降模型,讨论了该函数模型的适用性。结果表明:高寒矿区冻胀地表沉降的三个阶段沉降量与时间的关系曲线与Weibull时间函数模型对应曲线相符;对Weibull时间函数的双参数取值进行探讨并优化,最终确定当初始、加速阶段的λ取值2.5,η取值0.068,稳定阶段λ取值2.3,η取值0.048时误差处于限差范围内,能较为准确地模拟预测地表的动态沉降过程,该研究可为高寒矿区的防灾减灾及治理工程提供参考。