面向实时控制的排水系统深度LSTM神经网络模型

如何得到兼顾运算时间和预测效果的排水系统预测模型是排水系统实时控制领域亟需解决的问题。针对这一难点，以非线性映射能力较强且运算速度较快的长短时记忆（LSTM）神经网络为基础，构建了面向实时控制的城市排水系统深度LSTM神经网络模型，并以苏州市福星片区为案例区域，验证该模型的预测效果和计算效率。结果显示，该模型对18个泵站站前液位预测结果的纳什效率系数均在0.5以上，且在不同降雨情景下均能得到较好的拟合结果；与机理模型相比，该模型能节约99.7%的计算时间，可显著提高排水系统预测模型的实时性。     

基于耦合BAS-MLP的混凝土抗压强度预测

针对1 030组混凝土抗压强度试验数据，通过天牛须搜寻算法（BAS）来训练多层神经网络（MLP），并与混合复杂进化方法（SCE）-MLP、多元宇宙优化算法（MVO）-MLP这2种耦合模型算法进行对比分析，得到可用于预测混凝土抗压强度的算法模型.结果表明：BAS可以显著提高MLP的训练精度和预测精度，该算法比SCE-MLP、MVO-MLP耦合模型算法更快、更准确；与人工神经网络（ANN）和支持向量机（SVM）个体学习算法相比，元启发式算法在混凝土抗压强度预测方便表现出良好的优越性.同时讨论了BAS-MLP模型中与训练数据集数量和输入变量数量相关的因素，发现使用1 030组数据的80%即可获得良好的预测结果.     

基于XGBoost-LSTM的胶凝砂砾石抗压强度预测

针对胶凝砂砾石（CSG）抗压强度试验周期长、耗材大等问题,运用极度梯度提升树-长短期记忆网络（XGBoost-LSTM）组合模型对CSG抗压强度进行预测.先选取相关性较强的“水泥含量”和“砂率”这2个输入变量代入XGBoost模型进行预测,并将结果与原特征一起代入LSTM模型;再采用94组抗压强度数据进行训练和验证.结果表明：与基础模型XGBoost和LSTM相比,XGBoost-LSTM组合模型的决定系数分别提高5.6%和3.5%.说明通过XGBoost模型构造新特征具有可行性,且XGBoost-LSTM组合模型能够对CSG抗压强度进行精准预测.     

基于BP神经网络的合流制截污管溢流实时控制方法

提出了一种基于BP神经网络的合流制截污管溢流控制方法,通过使用当前时刻前一段时间每5 min的降雨、控制点水位、蒸发量和雨前干期等数据对控制点未来一段时间的水位进行预测,当控制点预测水位长时间超过设定值时,则实施开闸溢流。通过对近2年共3 000组观测数据进行训练测试,发现该模型的平均绝对误差（MAE）为0.111 5、均方根误差（RMSE）为0.156 5、平均百分比误差（MPE）为0.045 3%、纳什-苏特克利夫效率系数（NSE）为0.938 6,表明该模型在整体预测上满足应用要求。现该模型已部署至武汉市智慧水务系统,并在2023年7月8日的降雨事件中,预测到水位将会上升到22.7 m以上,实施开闸溢流,避免了城区内洪灾害。     

基于长短期记忆网络的TBM掘进预测模型及围岩等级对预测精度的影响

全断面隧道掘进机(TBM)施工过程可以采集大量丰富数据,这使得建立数据驱动的TBM掘进预测模型成为可能。为探究围岩等级信息对模型预测精度的影响,以TBM掘进循环上升段数据为主要输入,基于深度学习中的长短期记忆(LSTM)网络,建立两种考虑围岩等级信息的、一种不考虑围岩等级信息的TBM稳定段推力、扭矩预测模型。保持其他条件相同,对三种模型进行训练、测试。结果表明,在由于围岩等级分布不均匀而导致的训练样本数较少的情况下,可以通过精确的掘进循环参数提取与数据增强,使三种模型预测推力、扭矩时均能达到较高的精度(误差分别在8%、14%以内)。两种引入围岩等级信息作为输入参数的方法并不能明显提高模型的预测精度。三种模型中,以围岩等级信息作为LSTM网络初始状态的模型,其预测精度以不到1%的优势领先其他模型的预测精度。该优势主要由于该模型能够较好地预测V级围岩中的掘进循环稳定段参数。     

基于SUSTAIN模型的LID设施成本效益分析

以深圳市某低影响开发(LID)示范区为研究对象,利用SUSTAIN模型分析LID措施在削减峰值流量方面的成本效益。构建研究区域排水系统的现状模型,并利用实测降雨数据进行率定,在现状模型的基础上构建LID方案,以雨水排放口的峰值流量为控制目标,以LID设施的规模为决策变量,设置不同重现期设计暴雨作为边界条件,对多种组合的LID设施进行模拟,得到各情景下的优化方案以及成本-效益曲线。结果显示,相同的LID设置方案在不同强度的降雨条件下的成本-效益曲线有较大差异,LID设施在高强度降雨下的径流控制效果较差。该研究方法可为相关规划与设计中控制目标的制定与建设方案的优化提供参考。     

基于长短期记忆神经网络的空间网格结构损伤预测和评估

以凯威特型(K6)球面网壳为研究对象,研究基于数据驱动的空间网格结构的损伤预测和评估。通过数值模拟得到大气均匀腐蚀作用下结构模态频率的结构健康监测(SHM)模拟数据,基于长短期记忆(LSTM)神经网络,建立了结构损伤预测和评估的深度学习模型。最后,总结了基于LSTM神经网络的空间网格结构损伤预测和评估方法。结果表明:LSTM神经网络可以对SHM数据建立基于数据驱动的深度学习模型,对结构健康状态进行预测和评估。建立的模型在模拟数据上表现良好,具有良好的抗噪性,能很好地拟合SHM模拟数据趋势。利用更新后的数据集重新调整模型,可以达到持续对结构健康状态预测和评估的目的。     

一种基于深度学习的数据预测方法

随着深度学习的发展,基于深度学习的数据预测将发挥至关重要的作用。准确的数据预测结果不仅对系统的调度运行和生产有很大影响,而且有助于提高系统的稳定性和安全性。但在进行多变量时序预测时,传统时间序列方法所预测出的结果误差较大,训练时间也较长。针对以上缺陷,本文使用一种基于深度学习神经网络的多变量时序数据预测方法,该方法基于长短期记忆(LSTM)神经网络,并使用该方法对某地电力负荷值进行预测。通过实验证明本文所提出的方法预测结果较为精准。     

演绎建筑排水设计秒流量公式

一个完善的排水系统应满足以下基本要求：（1）满足一定的使用人数；（2）在规定时间内把污水排走；（3）保证管内废气不会污染室内；（4）保证污水不会从排水口回流返溢；（5）符合噪音控制要求。排水系统设计的关键，一方面有赖于系统设备的选择，另一方面在于室内排水管道管径的确定。对于管径的确定，通常有两种方法。一种是公式法，另一种是经验法。经验法在此不作讨论。公式法目前国内使用的有以下两个公式，它主要通过计算管段的设计秒流量来确定：     

Infoworks ICM在城市排水系统分析中的应用

采用城市综合流域排水模型(Infoworks Integrated Catchment Management,Infoworks ICM),结合生活污水量并设计模式雨型降雨情景对上海市杨浦滨江区内X与Y排水系统进行了模拟计算,对排水口出水状况和管道负荷情况进行了评价分析。基于测绘数据构建排水管网模型,并利用实测流量数据进行模型参数验证,保证了排水模型计算和分析结果的可靠性。利用Infoworks ICM模拟和分析,可全面反映研究区域排水系统的服务性能,为区域防洪排涝和管网改造与维护提供决策支持。     

基于长短时记忆网络的结构地震响应预测

在地震作用下,为了给建筑结构的半主动、主动及智能控制系统提供持续稳定、精确实时的响应输入,提出一种基于长短时记忆网络(LSTM)深度学习框架的地震响应预测方法。将三种不同数据特点的地震加速度作用于钢梁有限元模型,采集响应数据库,对LSTM深度学习框架进行搭建、训练及参数优化,完成模型的数据测试,最后将该深度学习框架运用于某框架-剪力墙结构模型的顶层位移响应预测,并与试验数据进行对比。研究结果表明:在不同外部激励作用下,基于LSTM的地震响应预测策略具有较高的精确度和稳定性,可为控制系统预先提供准确的动力响应,从而有利于实现工程结构的在线实时减震控制。     

基于LSTM多变种模型的岩爆微震参数预测研究

岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。     

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

水平向钻孔的海底隧道横向预排水系统数值模拟

 高水压、大渗流量的海底隧道而言，为防止涌水的事故发生，设计一高效的排水系统是非常重要的。大多数海底隧道的崩溃都和高水压、大渗流量有着密切联系。为了寻求其中的规律，研究了一系列的TBM和NATM隧道案例。案例研究结果表明，如果在隧道挖掘前能够预测渗流量以及预先设置排水系统就能有效预防工程事故。据此，提出了新水平预排水系统。通过数值模拟计算，分析了在海底隧道的施工期，从隧道工作面通过排水孔泄水的效果。假设海底隧道的岩层覆盖层厚100 m，水深60 m，并假设设置水平预排水系统之后的地层渗透系数为0.003 6 m/h。计算结果表明，隧道顶点总水头减少了60%，隧道拱脚线总水头减少了53%。当排水管直径为5 cm、地层渗透系数为0.003 6 m/h时，为增强排水效果，排水管的长度不得超过250 m。数值分析及排水效果均表明，所提出的水平预排水系统能及时排水并减小水压力。在海底隧道建设方面，这个系统可为其提出一种新的解决方案。     

烃类物质自燃点的QSPR预测研究

应用定量构效关系（QSPR）方法对烃类物质的自燃点开展了预测研究。选取国际电工委员会数据库中的39 种烃类物质作为样本集，随机选择34 种作为训练集，5 种作为测试集。采用遗传算法（GA）对变量进行筛选，结合线性和非线性方法分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型，理论预测得到了5 种烃类物质的自燃点。结果表明，2 个预测模型均比较稳定，理论预测值与实验值均较为相符，GA-SVM 模型预测结果较GA-MLR 模型更接近于实验值，这表明自燃点与其分子结构间具有更强的非线性关系。     

基于卷积神经网络和鱼鹰算法优化BP神经网络预测活性粉末混凝土耐久性研究

由于原材料原因,活性粉末混凝土（RPC）的耐久性表现出高度非线性行为,较难预测。本文研究了两种人工神经网络在预测RPC耐久性中的应用。通过卷积神经（CNN）和鱼鹰算法优化-BP神经网络（OOA-BP）,以腐蚀龄期和腐蚀溶液浓度为变量,对RPC腐蚀前后的抗压强度进行预测分析,并对未参与训练的数据进行预测验证。将预测结果与试验结果比较,结果表明,两种神经网络对RPC耐久性的预测均有良好的潜力,CNN有更大的灵活性和准确性。     

基于变形速率分解的阶跃型滑坡预测——以呷爬滑坡为例

阶跃型滑坡位移预测是滑坡变形现状研究与危害评估的重要工作，而阶跃预测的研究多为平稳波动信号，基于滑坡阶跃运动特征的变形速率分解方法提供了非线性变形阶段阶跃滑坡信号分解的新思路。以呷爬滑坡为例，通过差分与离散小波变换(DWT)平滑方法得到变形速率数据，并基于滑坡阶跃运动特征将变形速率数据分解为由外部诱发因素决定的小尺度波动项与内在控制因素决定的大尺度趋势项，其中变形速率趋势项信号通过添加震荡函数的反Logistic函数模型(ILF)预测，并结合曲率极值法判识滑坡变形状态；变形速率波动项信号则运用长短时记忆神经网络(long short-term memory,LSTM)构建非线性映射模型，以降雨、库水位作为诱发输入，趋势项预测结果作为控制输入进行预测。预测结果表明，基于变形速率分解模型针对呷爬滑坡非线性过程数据的预测精度相比传统的位移拟合分解模型更高，外部因素映射能力更强，因此基于变形速率分解是基于阶跃运动机制预测的有效思路，解决了非线性变形阶段的阶跃滑坡预测问题。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。