气象因素对城市燃气日用气量的影响

气象是城市燃气日用气量的重要影响因素.本文以我国华北某城市为例,分析了温度、湿度、风速、云量等气象因子对城市燃气日用量的影响作用,通过相关分析和因子舍选,最终确定日平均温度、日平均相对湿度、日照时数为城市燃气日用气量的关键影响因素,该研究对于城市燃气用气规律分析和负荷预测工作具有指导意义.     

基于气温预测燃气日用气量的智慧平台建设

由于上游气源单位要求下游燃气公司执行日计划用气量申报制度,因此,燃气日用气量预测的准确性十分重要。构建的燃气预警指挥智慧平台是通过研究气温和燃气日用气量之间的规律进而实现燃气日用气量预测的软件,由基础数据采集层、数据信息处理层和业务功能展示层3层架构组成。供暖期预测模型采用动态的综合线性回归和自回归相结合的混合线性方程,非供暖期预测模型采用动态非线性方程,两个预测模型均基于前一天的气温和日用气量来预测后一天的燃气日用气量,并将预测结果进行可视化图表展现。分析燃气预警指挥智慧平台的建设背景、建设目标、组成、各部分的功能、燃气日用气量预测模型的构建、后台管理。实践表明,该平台预测效果良好。     

天然气采暖地区城市高峰日用气量预测研究

科学准确的高峰日用气量预测对于合理安排气源通道和调峰设施建设十分关键传统的城市高峰日用气量预测方法仅考虑用户规模发展,忽略了温度对高峰日用气量的影响。为此,本文针对天然气采暖城市,建立不同温度下的城市高峰日用气量与用户发展速度之间的函数关系式,并通过典型案例进行分析比对.     

基于机器学习的UHPC抗压强度预测及配合比优化

结合试验设计、机器学习及紧密堆积模型提出了一种超高性能混凝土（UHPC）抗压强度预测和配合比优化方法,并对比了预测结果与实测结果。此外,还将支持向量回归-粒子群优化算法（SVR-PSO）模型与其他常见抗压强度预测模型进行了对比,并基于SVR-PSO模型设计开发了图形用户界面预测软件。结果表明：SVR-PSO模型在稳定性和预测精度方面具有明显优势,抗压强度预测值和实测值误差在5%以内;采用所提出的UHPC配合比设计方法,可基于原材料数据快速生成满足抗压强度要求的UHPC配合比。     

基于机器学习的UHPC抗压强度预测及配合比优化

结合试验设计、机器学习及紧密堆积模型提出了 一种超高性能混凝土(UHPC)抗压强度预测和配合比优化方法,并对比了预测结果与实测结果.此外,还将支持向量回归-粒子群优化算法(SVR-PSO)模型与其他常见抗压强度预测模型进行了对比,并基于SVR-PSO模型设计开发了图形用户界面预测软件.结果表明:SVR-PSO模型在稳定性和预测精度方面具有明显优势,抗压强度预测值和实测值误差在5％以内;采用所提出的UHPC配合比设计方法,可基于原材料数据快速生成满足抗压强度要求的UHPC配合比.     

基于空气呼吸器气量预测的人员路径规划

针对救援人员佩戴空气呼吸器执行任务时路径难以规划的情况,提出一种基于空气呼吸器气量使用情况的多楼层空间单人路径规划方法.根据人员行动特点,从三方面改进蚁群算法,主要包括:分情况计算两点间距、基于空气呼吸器气量预测的约束限制判断、充气保障条件的判断.将改进后的方法应用于不同任务场景,验证了方法的合理性,对佩戴空气呼吸器人...     

混凝土中含气量影响因素的研究

指出引气剂是一种敏感外加剂 ,含气量易受多种因素影响。为使引气剂发挥功效 ,必须处理好它们之间的关系。     

混凝土中含气量影响因素的研究

通过实验分析了引气混凝土中含气量的若干影响因素,结果显示:相同引气剂掺量下,中热硅酸盐水泥的含气量要低于普通硅酸盐水泥;含气量与水灰比和砂率都是成正比关系,即水灰比越高含气量越大,砂率越高含气量也越大;随着粉煤灰含量的升高含气量逐渐降低;掺加引气剂的混凝土的最佳搅拌时间为3~5min。     

基于机器学习的电力隧道施工工法预测

在电网的建设中,合理的施工方法不仅能够有效地降低成本、减少工期,并可在很大程度上减少施工过程中的风险,因此,提供一个能够合理预测电力隧道施工工法的系统显得尤为重要。本研究采用决策树、随机森林、XGBoost、KNN和BP神经网络5种机器学习算法对电力隧道开挖工法进行预测。以全国10余个省、市电网所提供的电力隧道工程工法应用情况为基础,整理出855条数据集,包括7个影响开挖工法的参数,并将75%的数据用于训练预测模型,25%用于验证。最后将预测结果和真实值进行比较,发现决策树、XGBoost与BP神经网络在电力隧道开挖工法方面的预测效果要优于随机森林和KNN算法。最终在此基础上设计出可以智能推荐开挖工法的软件。     

基于机器学习方法的路面平整度预测及模型解释研究

该研究从预测精度、计算效率、模型解释可信度3个方面对比分析了支持向量机（SVM）、随机森林（RF）、梯度提升树（GBR）及神经网络（NN）模型用于国际平整度指数（IRI）预测建模的效果,并基于加性Shapley值解释（SHAP）方法,通过相对重要性及其变异系数评价了模型解释结果的可信度。研究结果表明,梯度提升树模型的综合性能最优,基于决策树和提升算法的机器学习模型更适用于结果解释性研究;虽然神经网络模型具有最高的预测精度,但其损失函数的非凸性使得模型解释结果不可靠;特征重要性结果表明沥青路面平整度的变化由环境因素主导,其中降水的影响最为显著,其次为低温指标。     

基于机器学习的混凝土抗压强度预测发展现状

目前我国大部分工程建设都会用到混凝土建筑材料,混凝土的抗压强度对工程质量有着直接影响,因此混凝土抗压强度的试验工作一直受到重视,国内外学者也在混凝土抗压强度预测方面做了大量研究。为深入了解这方面的发展,对基于机器学习的混凝土抗压强度预测方法进行综述,通过常用的BP神经网络、支持向量机、随机森林3个模型介绍该领域的发展现状。     

基于层次分析法隧道涌水量预测影响因素分析

对龙(川)至怀(集)高速马口排隧道地质与水文地质条件进行详细分析,采用层次分析法对浅埋偏压残坡体断层破碎岩溶隧道涌突水量影响因素进行研究,对影响因素的权重进行确定,选出主次影响因素,研究结果表明:地质条件是影响权重最高的,影响最低的是隧道自身特征条件;并通过对影响因素进行分析排序,确定权重,为隧道涌水量预测计算提供参考,提高预测准确率。     

基于影响因素分析和小波神经网络的供热量预测

基于统计方法分析了实测时间序列中各影响因素与供热量的相关性。应用小波分析有效提取序列中的局部信息,与神经网络相结合,可分析蕴藏在系统中的非线性动态特性。建立了小波神经网络预测模型,把影响供热量的因素分为与其相关性较大(系统循环流量、供水温度和回水压力)和较小(供、回水压力和回水温度)的2组数据,预测结果证实与供热量相关性较大的1组影响因素的拟合程度比相关性小的高。就预测结果的准确性与BP神经网络结构进行了比较。结果表明,基于影响因素分析和梯度修正的小波神经网络供热量预测方法具有良好的动态特性、较强的泛化能力和较高的预测精度,适用于系统供热量的短期预测。     

基于9种机器学习算法的岩爆预测研究

岩爆预测是减轻乃至消除岩爆危害的基础。本文构建含325组岩爆案例的岩爆预测数据集,通过引入9种经典机器学习算法,建立9个考虑多因素的岩爆预测模型,发展并完善岩爆预测方法。模型建立过程中,采用空值填充、重采样等多项数据预处理技术对数据进行清洗、归一化及降维,解决了数据不均衡问题。通过特征提取与选择,获得岩爆预测的最优的特征组合,采用网格搜索交叉验证技术获得模型的最优参数。采用准确率、精确率、召回率、F₁值、宏平均、微平均等指标对模型预测性能进行验证与评估,并与常用理论判据的分类性能进行了对比。检验结果表明,所建模型的预测效果较好,且远好于单纯依靠理论判据所得的结果。最后,采用本文模型对西藏多雄拉隧道进行了岩爆倾向性分析,预测结果与现场情况具有较好的一致性。     

基于机器学习模型理论的基坑沉降预测研究

基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明：LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。     

岩爆的影响因素分析与预测

岩爆是地下工程建设过程中常见的一种地质灾害现象。结合国内外部分工程岩爆发生的实际情况,分析了影响岩爆的主要因素和部分特征。并通过对齐热哈塔尔引水隧洞支洞施工过程中岩爆的发生特征分析,对引水隧洞主洞的岩爆发生情况进行了预测。结果表明,工程施工过程中要不断认识和总结岩爆的发生规律将更有利于岩爆的预测与预防。     

基于机器学习的边坡稳定性分析

为更加快速精确的分析边坡的稳定状态,文中结合浙江北部441个边坡案例,选取了重度、黏聚力、内摩擦角、坡角、坡高、孔隙压力比6个特征参数,建立数据集.通过在预测边坡稳定状态中有良好性能表现的支持向量机、BP神经网络、随机森林、GA-BP以及PSO-BP模型进行预测精度比较,获得样本下精度最高的算法模型.研究表明基于混淆矩阵以及AUC指标进行模型精度评价,PSO-BP具有误差小以及稳定性强的优点,为后续更加快速分析边坡稳定状态提供一种新的思路.     

基于机器学习LSTM方法的大面积高填土沉降预测

大面积高填土一般具有区域地质条件差异性大,工程参数取值变异性大的特点,传统的地面沉降预测方法和以有限元为代表的数值分析方法都难以保证大面积高填土长期沉降预测的准确性。因此,本研究引入机器学习的方法,采用长短时记忆(LSTM)网络建立了云南省巧家县移民安置用地大面积高填方沉降预测模型。基于65组监测点位的沉降监测据,前60%的实测沉降数据作为LSTM模型训练样本,预测后40%的沉降数据。结果表明,本文提出的LSTM模型预测值与实际测量值之间有着较好的一致性,85%的监测点预测误差在20%以内,证明了本文提出的LSTM模型能够应用于大面积高填方沉降预测。     

基于机器学习的矩形钢管混凝土柱偏压承载力预测

矩形钢管混凝土偏心受压构件作为主要受力构件,准确预测其承载力是保障结构安全的重要前提。采用机器学习方法对矩形钢管混凝土柱偏压承载力进行建模预测。建立了包含804个构件的试验数据库,并通过受力机制与数据相关性分析相结合的方法确定机器学习模型的输入参数;采用BP神经网络、RBF神经网络、高斯过程回归等机器学习算法和多元线性回归方法,建立了其偏压承载力预测模型,并对预测结果进行对比分析。结果表明：几何和荷载参数与偏压承载力之间可呈正相关性或负相关性,而材料参数与偏压承载力之间仅呈正相关性,上述相关性同时受到荷载偏心方向的影响;所建立的3种机器学习模型基于总数据库的预测精度与按偏心方向划分数据库的预测精度相近,表明模型能够反映偏心方向对承载力的影响,避免了进一步划分数据库的需求;高斯过程回归模型的预测精度最高,对数据库中超过60%构件的预测误差小于5%;与设计规范和以往研究中的方法相比,所建立的机器学习模型整体上具备更高的预测精度和更广的适用范围。