基于时序InSAR的改进型PIM矿山采空区沉降模型构建与应用

利用InSAR监测矿山采空区地表沉降的过程中易在沉降中心周围产生失相干现象，导致形变结果缺失，无法获取准确的沉降区模型。基于此，提出了一种结合时序InSAR与PIM(Probability Integral Method)的监测方法，以云南省玉溪市大红山铁矿地下采区某工作面为研究对象，首先计算出时序InSAR累积沉降量，并提取其沉降区边缘的高相干点，结合少量沉降中心水准点，利用改进型PSO(Particle Swarm Optimization)算法获取PIM参数，并通过克里金插值法建立采空区地表整体沉降区模型，利用少量水准点数据对该方法的可靠性和精度进行验证，结果表明，该方法获得的沉降区分布与实际相吻合，其沉降区监测精度比单独使用时序InSAR或PIM的更高，可用于矿区地表沉降信息的准确获取。     

基于MT-InSAR和灰色预测模型的金属矿区地表变形研究

对于矿区地表变形测量,传统方法存在成本高、很难反映地表大面积变形信息和时空演化特征等缺点。基于此,以大红山铁矿为例,采用Sentinel-1A卫星数据,利用SBAS-InSAR对数据进行处理,建立了灰色预测模型,并对模型精度进行了验证,结果表明：由地面观测点获取的实测三向位移经归一化后得到的位移与InSAR取得的LOS向位移相对误差在15%以内,表明时间序列InSAR在观测精度上是可靠的;矿区内存在4个发育成熟的沉降集中带和2个局部沉降区域;InSAR监测值和水准测量值有较好的一致性,监测相对误差和预测相对误差均在12%以内。     

基于SSA-MIC-SMBO-ESN的水质预测模型

水污染事件威胁人类生产和生活安全，提前预测水质变化对水污染的快速反应具有重要意义。基于水质数据的时序性，引入泄漏积分型回声状态网络(ESN)，以莆田市东圳水库水质监测站的10种水质指标数据作为样本，分别构建DO、COD_Mn、TP的水质预测模型。首先，在用邻近点线性趋势法对缺失值进行填充，用Z-score法和邻近点线性趋势法对异常值进行检测修正的基础上，用奇异谱分析(SSA)算法对水质数据进行平滑降噪处理；然后，采用最大互信息系数(MIC)衡量水质指标之间的相关度，选取相关系数较大的水质指标作为待预测水质指标的输入特征；最后，利用ESN构建基于多特征的水质预测模型，其中采用序列模型优化(SMBO)算法对模型的超参数进行优化。试验结果表明，构建的DO、COD_Mn和TP的SSA-MIC-SMBO-ESN水质预测模型都具有较高的预测精度，适合实际应用。     

基于HMM算法的矿山水灾害链复杂演化网络模型构建及应用

矿山水灾害可视为由各种相互联系的因素构成的复杂系统，通过研究矿山水灾害链中节点事件对演化过程的影响，可为矿山断链减灾提供依据。采用灾害链理论结合复杂演化网络模型，提出了灾害节点演化性子模型、灾害节点影响度子模型、灾害节点重要度子模型、灾害综合中心性模型4个子模型，利用HMM算法对子模型进行优化，构建了基于HMM算法的矿山水灾害链演化网络模型；参照前人的案例分析结果，对比分析矿山水灾害链演化网络模型的可靠性，结果表明：该模型能更有效地分析出各节点事件对整体灾害链演化的影响程度，推算出最有可能发生的矿山水灾害演化链，从而为矿山灾害链的风险分析以及断链减灾提出更合理的建议。     

基于GM(1,1)模型的地表拦洪坝沉降预测

地表拦洪坝不均匀沉降可严重影响拦洪坝水库的安全,给矿山带来安全隐患,因此合理预测地表拦洪坝水库的沉降值,对矿山安全生产具有重要的意义。运用灰色理论的GM(1,1)模型对拦洪坝附近监测点累积沉降值进行预测,并与实际监测数据对比,结果表明,该模型在地表拦洪坝沉降值预测中有一定的适用性和科学合理性。运用该模型对监测点6~9月份的沉降值进行预测,得到拦洪坝监测点沉降值的趋势,对矿山安全生产具有一定的指导意义。     

基于因子分析的PSO-ELM岩溶发育预测模型研究

岩溶发育是由多个影响因素共同作用的结果，具有成因复杂、隐蔽性强等特点，对地面设施和人员安全构成了潜在威胁。对岩溶发育进行评估及预测，可以在岩溶致灾前采取预防措施，减少岩溶灾害带来的损失。以武汉市某岩溶区工程为例，对岩溶区溶洞的赋存规律进行分析，确定地下稳定水位埋深、覆盖层厚度、基岩层数等9个影响因素，利用因子分析提取5个公因子，提出了一种在因子分析的基础上利用粒子群算法(PSO)优化极限学习机(ELM)的岩溶发育预测模型，利用现场的60组实测数据作为样本进行学习预测，以其中50组作为训练集，其余10组作为测试集，对预测模型的精度进行验证，结果表明：PSO-ELM预测模型的预测值与实际值吻合较好。将PSO-ELM预测模型与ELM预测模型的预测结果进行对比分析，发现PSO-ELM预测模型的精度更高。     

基于SBAS-InSAR升降轨融合的尾矿库地表形变监测

由于不同轨道的SAR数据成像几何不同，难以评定仅用单组SAR数据解得结果的准确性，为提高尾矿库地表形变监测结果的精度，以四川省攀枝花市米易县牛望田尾矿库为研究对象，基于2个轨道(65景升轨、56景降轨)的Sentinel-1A卫星影像，利用差分干涉测量短基线集时序分析技术(SBAS-InSAR)分别对升轨、降轨数据进行处理，然后融合升轨和降轨的数据处理结果，获得升轨、降轨和升降轨融合共3组形变数据，利用GNSS卫星监测结果对3组数据进行验证，结果表明：升降轨融合结果比单轨监测结果精度更高；2019年11月至2021年12月，尾矿库坝体发生了微小形变，坝体累计形变量为-22.77～10.48 mm,形成了一个面积约为111 361 m²的沉降区域和一个面积约为38 906 m²的抬升区域。后续研究可以通过引入外部数据或采用三轨InSAR数据，分别对尾矿库垂直、东西、南北3个维度的形变进行三维解算，以使监测结果更加准确。     

基于熵权法-LGBM算法的岩爆等级预测模型研究

为了解决多个岩爆预测指标数据间存在的数值和量纲差异导致指标利用率较低的问题，建立了基于熵权法和LGBM(Light Gradient Boosting Machine)算法的岩爆预测模型。首先运用熵权法消除指标数值差异的影响，确定各指标的权重，在此基础上引入LGBM算法对样本数据进行训练，运用Leaf-wise叶子生长策略提升计算效率，最后将训练结果与传统LGBM模型、RF(Random Forest)模型和XGBoost模型的预测结果进行对比分析，结果表明，组合模型的预测准确率高达93.1%,明显优于单一模型。将组合模型应用于终南山隧道通风竖井的岩爆等级预测中，发现预测结果与实际情况基本相符，验证了组合模型的可靠性。     

基于VMD-BP神经网络模型的天然气管道工况检测研究

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究,提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解,再将分解后的特征信号通过BP神经网络算法进行网络训练测试,进而对管道工况做出判断。     

基于支持向量机算法的微注射成型工艺参数优化

为了控制菲涅尔透镜在注塑过程中的翘曲变形量,采用支持向量机算法建立了菲涅尔透镜的翘曲预测模型,并对该模型的预测精度进行了研究.采用正交试验法获取注塑工艺参数,各组注塑工艺经Moldflow仿真得出模型的训练样本及检验样本数据.然后,对支持向量机算法建立的翘曲预测模型进行样本学习,训练完毕后由检验样本验证该模型的预测精度.实验结果表明:采用支持向量机算法建立的预测模型预测误差比较稳定,均在0.2%以内.因此,采用支持向量机算法建立菲涅尔透镜的翘曲预测模型可有效地预测菲涅尔透镜的最大翘曲量,且预测的精度与稳定性较高.     

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_Cr)、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。     

原油管道蜡沉积速率预测模型研究

准确地预测原油管道蜡沉积速率能够有效确定清管周期，以保证原油管道安全运行。针对BP神经网络(BPNN)模型学习效率低、对初始权重敏感且容易陷入局部最优状态等缺点，采用改进的麻雀搜索算法(ISSA)来优化BPNN的初始权值和阈值，建立ISSA-BPNN蜡沉积速率预测模型。以华池作业区38组蜡沉积实验数据为研究对象，使用MATLAB软件搭建预测模型并进行预测，同时与BPNN模型、遗传算法优化的BPNN模型(GA-BPNN)、粒子群优化算法优化的BPNN模型(PSO-BPNN)以及SSA-BPNN模型进行对比分析。结果表明：ISSA-BPNN模型预测蜡沉积速率的平均相对误差为1.353 1%,决定系数R²为0.994 8,均优于BPNN、GA-BPNN、PSO-BPNN和SSA-BPNN模型的预测结果，证明了ISSA-BPNN模型作为预测管道蜡沉积速率工具的准确性和可行性。     

基于D-InSAR的矿山地表沉陷监测研究

合成孔径雷达差分干涉测量技术具有空间分辨率高、全天时、覆盖面积大以及成本低等优势,已成为矿区地表沉陷监测的主要方法之一。以河北省邯郸市某矿区为例,收集了2015年4月至2015年12月覆盖研究区的C波段的RADARSAT-2卫星影像作为数据源,采用双轨D-InSAR对数据进行处理,通过影像配准、干涉图生成、DEM处理、去除残余相位、地理编码等,结合GIS建立地表形变图,同时在矿区开采工作面中间位置选择一条特征线,提取2015年4月至2015年12月影像地表沉陷散点图,并选取2015年12月的沉降量和实际水准数据进行对比分析。结果表明:在开采过程中地表沉陷在-22～5mm之间,D-InSAR监测具有较高的精度,能为矿山的安全、绿色、高效开采提供可靠的数据支撑。     

CO2在离子液体中溶解度预测模型的建立与应用

CO_2在离子液体中溶解度是离子液体对CO_2进行捕集回收的重要基础数据之一,研究提出了一种半经验半机理模型,用于预测CO_2在离子液体中溶解度。首先,基于Krichevsky-Kasarnovsky方程的先验机理知识构建了预测模型,并利用亨利常数经验Valentiner式和无限稀释偏摩尔体积经验多项式修正该模型,以提高模型的应用范围;将CO_2在多种离子液体和相应压力、温度范围中的溶解度实验数据分为训练集和测试集,训练集实验数据涵盖了相应的操作条件范围,采用非线性最小二乘优化算法对模型参数进行学习和修正,以提高模型的预测精度;然后,利用测试集对所建模型的预测性能进行评测,模型评测结果表明:该预测模型可用于CO_2在多种离子液体中的溶解度预测,预测结果与相应实验数据较为吻合,模型预测性能良好。研究工作为进一步丰富和完善CO_2在离子液体中溶解度的数据信息分析,提供了一种理论方法。     

基于聚类算法的模糊神经网络MCP预测方法研究

本文提出采用聚类算法的模糊神经网络来预测MCP。该预测模型结构简单,是数据驱动的模型,通过对输入输出数据对的模糊C均值聚类确定模糊规则的数目,解决了全连接模糊神经网络模糊规则数目难以确定以及网络复杂所带来的训练时间长的问题。     

基于MEA-BP神经网络热油管道预测模型研究

长输热油管道运行过程中,油温的准确预测是管道安全优化生产的前提。针对以往油温预测方法的误差大,推广应用难等问题,提出利用BackPropagation(BP)神经网络和思维进化算法(MindEvolutionary Algorithm,MEA)优化算法,建立MEA-BP油温预测模型。利用相关性算法获得模型输入参数,下载处理SCADA系统实际生产数据,对模型进行训练。将MEA-BP预测模型应用于实际生产,油温预测误差为0.49℃,相比理论公式及其它预测模型,具有泛化性好、预测准确性高等特点。通过研究获得基于大数据分析方法可有效实现长输管道业务需要,为管道大数据平台分析应用,未来智能化控制奠定基础。     

考虑气象因素的光伏AI发电功率预测技术研究

不同气象情况会影响太阳辐射强度，使光伏发电输出功率波动，为实时掌握光伏发电功率，有必要在考虑气象因素的基础上构建光伏发电功率预测模型。利用灰色关联度方法对历史气象数据进行气象类型量化处理后筛选样本数据；建立了光伏AI发电功率预测模型，将筛选后的气象样本数据作为模型输入并进行训练，输出训练后的光伏发电功率预测结果。实际应用结果表明：该技术在预测光伏发电功率时不存在过拟合情况，筛选气象数据样本时的关联度数值最高为0.90，可有效预测一天内不同时刻的光伏发电功率，且误差值较小。     

基于局部建模的预测控制及其在芳烃异构化过程的应用

针对一类非线性系统提出了基于局部建模的预测控制算法,对于局部模型的训练数据选取,同时考虑了样本数据之间的欧氏距离与向量的夹角,使得训练数据的选取更合理,并对芳烃异构化过程进行了实验仿真。首先通过最小二乘支持向量机进行局部建模,并将局部模型作为算法的预测模型。然后利用粒子群优化算法进行滚动优化,寻找到最优控制量。最终仿真实验验证了该算法的有效性和鲁棒性。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于改进PLS算法的火电机组燃煤热值建模

通过对入炉燃煤工业分析数据和与热值的关系进行分析,选取了燃煤水分、灰分、挥发分、固定碳和全硫分5种工业分析成分作为模型的输入,以燃煤热值作为模型输出,基于改进偏最小二乘(PLS)算法搭建了某电厂燃煤热值预测模型。预测模型中采用PRESS值确定潜变量的个数。预测结果表明:该模型预测精度较高,预测偏差满足工程要求。