基于随机森林的城市建筑火灾风险等级评估方法

为实现城市建筑火灾风险智能量化评估,并解决消防资源优化配置问题,提出一种基于随机森林算法的城市建筑火灾风险等级评估方法。该方法框架由评估模型构建、火灾风险等级确定、特征重要性分析三部分组成,首先,基于随机森林算法和城市火灾特征数据建立火灾风险分数评估模型,对火灾风险进行数值化评估;其次,结合城市火灾防控实际和风险分数,确定地块建筑的火灾风险等级,并挖掘风险等级与建筑物性质之间的关系;最后,在此基础上通过特征重要性(feature importance, FI)算法,对火灾风险因子进行分析,挖掘出高影响因子的火灾隐患特征,以指导消防管理人员提高消防检查效率。以美国迈尔斯堡的历史火灾数据作为实验数据,建立了该城市的火灾风险评估模型,对城市建筑的火灾风险等级进行了量化分析。在上述成果基础上,设计开发了交互式消防热点风险地图,以方便相关人员快速确定地块建筑火灾风险,并据此调整消防检查的策略以及人力物力资源的分配。     

基于卷积神经网络和迁移学习的特高含水油井生产预测

油井的实时生产监测对油田的辅助生产和精细化管理有重要意义。然而,针对仅有小样本生产数据、数据波动大且有缺失的特高含水期油井,传统的机器学习算法无法实现良好的生产预测。提出一种基于卷积神经网络和迁移学习的多任务生产预测方法。该方法不仅可以实现时间和空间上特征的自适应提取,还可以改善模型在小样本数据上的预测性能。结果表明：相比于基准模型,产液量和动液面的平均绝对误差分别降低31.26%和60.81%,决定系数分别提高1.89%和7.59%。基于迁移学习的MTCNN模型提高小样本数据油井的生产预测精度,实现了特高含水油井产液量和动液面的实时预测,对抽油机系统的效率优化、油井边缘设备智能化有参考意义。