基于含水层渗透系数研究的云-Markov 模型的建立与应用

通过建立云-Markov模型对含水层渗透系数进行预测。利用云模型中的多条件多规则不确定推理技术,根据样品的粒径分布对渗透系数进行预测,并对其进行误差分析;在此基础上利用权Markov原理对预测误差的随机性进行模拟,进而根据此模拟值对云模型的预测结果进行校正,将校正后的预测值作为云-Markov模型最终的计算结果输出,即完成对一个沉积样品渗透系数的预测。将该模型应用于华北平原典型地区冲洪积扇含水层参数研究,计算结果表明:与渗透系数的实测值相比,云模型的误差相对数介于0.62~1.34间,通过权Markov误差校正后,云-Markov模型的误差相对数为0.74~1.27。与传统经验公式相比,云和云-Markov模型的计算精度均满足地下水资源评价的要求,其中云-Markov模型具有更高的计算精度和广泛的使用范围,但其同时也具有较高的计算成本。     

关于一种潜水井裸井slug数学模型的探讨及实证

利用slug试验测量渗透系数在国内外已有了比较成熟的发展,但是专门应用于潜水井裸井的slug数学模型却极少出现在各类文献中。通过注水高度对潜水含水层厚度的影响推导对潜水含水层完整井的slug数学模型,此模型与传统的Bouwer and Rice模型相比考虑了注水后潜水面水位的增加对渗透系数K的影响,并结合室内变水头渗透试验和前期抽水试验来验证在工程实例运用此模型算出的渗透系数的准确性。更多还原     

生命旋回-Markov链模型在径流预测中的应用

为了解决生命旋回模型无法反映径流序列随机性的问题,将生命旋回模型与Markov链模型结合,建立了生命旋回-Markov链组合预测模型。该模型的特点是用生命旋回模型模拟预测径流量序列的趋势项,用Markov链模型对径流残差序列进行修正。应用该方法对黄河上游唐乃亥水文站的径流量预测结果表明:汛期预测平均相对误差为18.07%,但是有些月份误差较大;枯期预测的平均相对误差为8.26%。     

天津地区微水试验求取含水层渗透系数的应用

为解决抽水试验求取含水层渗透系数周期长、操作复杂的问题,以天津某场地潜水含水层和承压含水层的微水试验为例,采用Ｈｖｏｒｓｌｅｖ模型、Ｃｏｏｐｅｒ模型和Ｂｏｕｗｅｒ＆Ｒｉｃｅ模型计算含水层渗透系数,并与抽水试验结果对比,Ｂｏｕｗｅｒ＆Ｒｉｃｅ模型分析潜水含水层微水试验数据求得的渗透系数与抽水试验结果相比误差小,结果准确;Ｈｖｏｒｓｌｅｖ模型分析承压含水层微水试验数据求得的渗透系数与抽水试验结果的相对误差远小于Ｃｏｏｐｅｒ模型,Ｈｖｏｒｓｌｅｖ模型计算结果更为准确。研究表明:相较于抽水试验,微水试验周期短、操作简便,是一种经济、快速确定含水层渗透系数的现场试验方法。     

基于云推理的渗透系数反演模型

鉴于云推理在处理不确定性方面的能力,通过假定渗透系数的正态云分布,利用有限元计算出相应的孔隙水压力,将计算结果作为云推理的规则前件,通过"软与"与规则后件的渗透系数相对应,以模拟测压管水位与防渗体渗透系数之间的非线性关系,从而建立渗透系数反演的云推理模型。将此方法应用于某水库的渗透系数反演中,结果表明,基于云推理的渗透系数反演模型具有较高的精度,可用于土石坝渗透系数的反演。     

云神经网络确定含水层参数研究

高效、精确的含水层参数求解方法一直是水文地质研究领域的重要研究内容之一。实践中通常利用非稳定流抽水试验资料通过配线法确定含水层参数,但是随着计算机应用的普及,已有人开发出几种在非稳定流试验条件下求解含水层水文地质参数的快速、精确的计算机智能优化算法。在此基础上尝试建立了云神经网络模型(Cloud Neural Net,CNN),并将其应用于石家庄市元氏县3个单孔非稳定流抽水试验,对承压含水层参数进行计算,模型计算结果与当地的水文地质条件较为符合,且比传统方法及单纯的人工神经网络模型所得结果更加精确。因此云神经网络模型为研究区地下水资源评价、地下水数值模拟以及溶质运移模拟提供了另一种重要手段。     

基于非均质强弱程度评价GMS求参模块适用性

GMS软件中MF2K PES Process和PEST模块都是参数估算程序,两模块在参数运算过程中交替调用、反复迭代,得到最优的参数值。对于精度要求高、水文地质条件复杂的地下水流模型,GMS反求参数模块的适用性需进行有效验证。以地下含水岩层的非均质性为唯一变量,采用高斯模拟法生成非均质程度不同的渗透系数场,建立给定水文地质参数的理想地下水流模型,进行模型识别,得到等效渗透系数。分析可得,GMS软件反求参数模块的计算精度与水文地质条件有一定的相关性,均质含水层参数估算结果与给定值基本吻合。而含水层非均质性越弱,估算结果精度越高,误差越小,反之计算结果误差越大,为水文地质参数的计算提供借鉴及依据。     

一种小波－模糊控制Ｅｌｍａｎ网络的隧道位移预测模型

传统的神经网络对于隧道位移的预测精度较低,有时计算结果会存在较大的误差。基于此,根据模糊控制原理,将Ｅｌｍａｎ网络与小波变换相结合,针对隧道开挖过程中位移的动态变化和非线性,提出新的预测模型。通过小波将监测隧道位移变形序列分解成具有不同属性和频率的子序列,采用Ｅｌｍａｎ神经网络对子序列进行预测,建立起网络,叠加预测结果、计算残差并测试网络精度,利用模糊控制方法对残差进行控制,考虑前向已检测样本的步骤及误差值,控制输出后续待检测样本的预测值和误差,修正后可以得到小波变换下的模糊控制Ｅｌｍａｎ网络位移预测模型,通过与单一网络预测结果、有限元模拟结果以及实测序列进行对比,发现新的模型相比于其他网络以及有限元计算结果,精度和准确率更高,能更准确地预测隧道变形。     

含水层渗透系数预测及不确定性分析耦合模型

本研究旨在精细计算冲洪积平原地区的渗透系数,并为进一步建立溶质运移模型提供基础数据。通过建立人工神经网络(ANN)与通用似然不确定估计法(GLUE)的耦合模型对含水层渗透系数进行预测,并对模型参数的不确定性进行分析。利用马尔可夫蒙特卡洛采样法(MCMC)取代常见的通用似然不确定性估计方法中的蒙特卡洛法(MC),将其与人工神经网络技术耦合,以150个典型粒度组分样本作为输入数据,构建研究区含水层渗透系数预测及不确定性分析的GLUE-ANN模型。通过对华北平原典型地区实例研究,验证该方法具有较好的采样效率和寻优性能。计算结果表明,与渗透系数的实测值相比较,GLUE-ANN模型的相对误差介于1.55%~23.53%之间,模型的计算精度满足地下水资源评价的要求。通过模型参数的后验分布得出参数全局最优值所在的区域,表明模型能够更合理地反映水文地质参数的不确定性。     

应用正交试验法分析地下水流模型参数灵敏度

在地下水数值模拟中,实际水文地质条件的复杂性、概念模型和相关拟合数据的不确定性,往往造成数值模型和率定参数的随机性,从而降低模拟的精度。对参数进行敏感性分析,分清随机模型中参数的主次作用,可以有效提高模拟精度。以北京市朝阳区为研究区,选取与地下水流场相关性较大的渗透系数k、给水度u及贮水率s三种参数作为灵敏度分析因子,采用正交试验法中的极差分析和方差分析两种方法分析参数对模拟结果的影响程度。结果显示:含水层的渗透系数灵敏度值最大,给水度灵敏度次之,贮水率灵敏度最小。因此,在进行数值模拟时应重点提高含水层渗透系数的精度,以确保数值模拟的准确性。     

基于尖点突变理论的高层建筑沉降变形预测分析

为建立一个全面且系统的高层建筑变形预测模型,本文首先利用卡尔曼滤波对变形数据进行去噪处理,分离出趋势项和误差项,再利用GA-BP模型和LS-GM(1,1)模型对趋势项进行预测,并通过组合得到趋势项预测值;其次,利用马尔科夫链对累计误差序列的进行修正,进一步提高预测精度;最后,利用尖点突变理论对高层建筑的稳定性进行评价,以验证预测模型的有效性。结果表明:半参数型卡尔曼滤波具有较好的滤波效果,且在趋势项的预测过程中,通过对BP神经网络的优化将平均预测精度由4.02%提高到了2.44%,而优化GM(1,1)模型则将平均预测精度由4.29%提高到了2.76%,说明本文的优化方法切实可行。通过误差修正,验证样本中的最大相对误差仅为1.63%,说明误差修正模型达到了进一步提高预测精度的目的,尖点突变理论的分析结果与预测结果相符,均得出高层建筑处于稳定状态,其后期变形将会持续减弱。     

基于BP神经网络-马尔科夫链模型的隧道围岩位移预测

在隧道工程施工中,围岩位移预测起着很重要的作用。将BP神经网络-马尔科夫链模型引入到隧道围岩位移预测中来,通过对训练样本的学习,利用BP神经网络实现了对位移时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某公路隧道拱顶下沉位移时序预测中,结果表明该模型具有精度高、科学可靠的特点,为隧道围岩变形的预测提供了新的途径。     

Supervised Intelligent Committee Machine Method for Hydraulic Conductivity Estimation

Hydraulic conductivity is the essential parameter for groundwater modeling and management. Yet estimation of hydraulic conductivity in a heterogeneous aquifer is expensive and time consuming. In this study; artificial intelligence (AI) models of Sugeno Fuzzy Logic (SFL), Mamdani Fuzzy Logic (MFL), Multilayer Perceptron Neural Network associated with Levenberg–Marquardt (ANN), and Neuro-Fuzzy (NF) were applied to estimate hydraulic conductivity using hydrogeological and geoelectrical survey data obtained from Tasuj Plain Aquifer, Northwest of Iran. The results revealed that SFL and NF produced acceptable performance while ANN and MFL had poor prediciton. A supervised intelligent committee machine (SICM), which combines the results of individual AI models using a supervised artificial neural network, was developed for better prediction of the hydraulic conductivity in Tasuj plain. The performance of SICM was also compared to those of the simple averaging and weighted averaging intelligent committee machine (ICM) methods. The SICM model produced reliable estimates of hydraulic conductivity in heterogeneous aquifers.     

多阶段递进式预测模型在基坑变形中的应用研究

为实现对基坑变形的高精度预测,提高预测结果的稳定性,采用支持向量机、BP神经网络及GM(1,1)作为基础预测模型,并建立了对应各模型参数优化的一阶递进预测模型。以一阶递进预测结果为基础,构建了多种定权与非定权的二阶组合预测模型;以马尔可夫链理论为基础,建立了三阶递进的误差修正模型,实现了对基坑变形的多阶段递进式预测。结果表明:通过各阶段的递进预测,预测精度及稳定性都有了很大的提高,验证了递进预测思路的有效性和可行性。通过对基坑变形的递进式预测研究,以期为基坑的变形提供一种新的思路。     

基于回归分析和小波变换的边坡变形组合预测研究

为有效地判断边坡变形的发展趋势,基于边坡变形的现场数据,首先利用回归分析和小波变换分解边坡变形数据的趋势项和误差项,并选取若干最优的分解数据进行组合确定边坡变形数据的趋势项和误差项,再利用BP和RBF神经网络对趋势项和误差项序列进行预测,得到单项预测的结果,最后研究分析了定权组合预测和非定权组合预测的效果。结果表明在趋势项和误差项的分离过程中,不同分离方法的分离结果具有一定的差异,以6次多项式回归、5次及7次傅里叶回归和sym2小波变换的结果较好;同时,在单项预测中,分项预测的效果要优于传统的单项预测,验证了分项预测的有效性,并由组合预测的结果可知,2种组合预测的效果均较好,均很大程度上提高了预测精度,且非定权组合的预测精度要优于定权组合预测的精度。上述研究为边坡的变形预测提供一种新的思路。     

基于Elman-马尔科夫模型的深基坑变形预测

为提高深基坑变形预测精度,在基坑地表沉降预测中引入反馈型Elman神经网络模型,利用Elman神经网络算法实现基坑沉降位移时间序列的滚动预测。以西安地铁5号线某车站基坑工程为例,基于组合预测思想,结合神经网络和马尔科夫链两种预测方法,建立了马尔科夫链优化的神经网络基坑地表沉降预测模型,借助马尔科夫链模型对其随机扰动误差进行修正,并与前馈型BP神经网络滚动预测模型对比。研究结果表明：Elman神经网络预测模型在修正前、后的预测效果均优于BP神经网络模型。设计开发出的基于MATLAB的图形用户界面（GUI）预测系统实现了模型预测过程便捷化,使预测过程能够以图形结果动态展现,具有较强实用价值。     

基于隶属度修正的加权马尔可夫链的降水预测

应用Fisher最优分割法将榆林地区1951—2015年的年降水序列划分为9个状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以属于同一状态的所有降水量的均值作为聚类中心,应用模糊C均值聚类(Fuzzy C-Means,FCM)算法中的隶属函数计算隶属度,以隶属度向量作为预测时的初始状态向量。该模型逐年预测了榆林市2006—2015年的降水状态,结果全部与实际情况一致。基于马尔可夫链的预测结果,采用模糊集中的级别特征值理论分别预测了2006—2015年的降水量,所有预测结果的相对误差都在10%以内,初步表明基于隶属度修正的加权马尔可夫链模型是合理可行的。     

基于优化非等时距权重傅里叶灰色模型的变形预测

针对传统非等时距灰色模型对变形预测精度偏低问题,首先在传统非等时距灰色模型的基础上引入权重系数优化生成序列,然后利用傅里叶变换函数对残差进行修正,建立了权重优化-傅里叶变换函数残差修正的组合预测模型;最后以某下承式集散拱肋拱桥为背景,对其主梁变形进行预测。预测结果表明：该模型预测值总体平均相对误差为2.4%,高于传统非等时距灰色模型,预测精度为1级,为主梁变形预测提供了一种有效的技术手段。     

An Appraisal on the Interpolation Methods Used for Predicting Spatial Variability of Field Hydraulic Conductivity

Knowledge of spatial variability of soil hydraulic conductivity is a key parameter for hydrological modeling. Spatial variability of soil hydraulic conductivity, K_s is attributed to soil heterogeneities associated with texture/structure, different initial conditions, meteorological changes, and clogging. The spatial variability is quantified by employing interpolation methods to point measurements performed in the field. There are not many studies reported in the literature that deals with the critical evaluation of the relative performance of different interpolation methods for predicting spatial variability of hydraulic conductivity. The primary objective of this study is to perform a critical evaluation of five interpolation methods, namely Kriging, Inverse Distance Weighted, Natural Neighbor, Spline and Trend for the spatial prediction of hydraulic conductivity. The accuracy of different methods was assessed by comparing the predicted values with the measured hydraulic conductivity of selected locations. It was noted that the Kriging method with exponential model gave a better spatial prediction as compared to other methods. The spatial variability of K_s was found to be in the same pattern as that of the percentage variation of the sand fraction for both the sites investigated in this study. It was further noted that the prediction of K_s was found to be more precise for those stations with a higher percentage of sand. A sudden transition of soil type from sand to silt was found to influence the accuracy of spatial prediction.