基于红外光谱的SSA-ELM石墨烯成分含量预测分析

为提高石墨烯成分含量软测量精度，提出一种基于红外光谱的SSA-ELM的石墨烯成分含量预测算法。针对ELM模型预测性能受其初始权值和阈值的影响，运用SSA算法对ELM模型的初始权值和阈值进行优化选择。将石墨烯材料的红外光谱吸光度作为ELM的输入，石墨烯含量作为ELM的输出，建立红外光谱的石墨烯成分含量预测模型。试验分析表明，与GA-ELM、PSO-ELM、 ELM等方法比较，使用SSA-ELM的石墨烯成分含量预测模型的预测精度最高，为石墨烯成分含量软测量提供了新的方法。     

基于灰色关联分析的极限学习机在混凝土抗压强度预测分析中的应用*

利用灰色关联分析法筛选出表征混凝土抗压强度的重要因素指标,并以选取的因素指标为输入变量、以抗压强度为输出变量,创建极限学习机(ELM)模型,克服了冗余因素对模型精度的影响。实例分析表明经指标优化选择的ELM模型具有较高的精度,对抗压强度的预测效果明显优于未经指标筛选的ELM模型,也远好于支持向量机的预测效果,为混凝土抗压强度预测提供了一种新思路。     

基于极限学习机的橡胶配方性能预测

以三元乙丙橡胶(EPDM)胶料配方和天然橡胶(NR)胶料配方为例,将配方中各组分的用量作为输入,硫化橡胶的基本物理机械性能作为输出,建立了基于极限学习机(ELM,extreme learning machine)神经网络的配方性能预测模型,并给出两种配方的预测结果和相对误差。结果表明,ELM神经网络模型能够准确预测出EPDM配方和NR配方硫化橡胶的基本物理机械性能,且平均相对误差在7%以内,具有较高的预测精度。     

换热器污垢特性的建模与预测

搭建了污垢实验系统以测量管壁温度及出、入口温度等参数,以3个壁温、出口温度、入口温度作为模型的输入变量,以污垢热阻值作为模型的输出变量,利用偏最小二乘算法拟合出污垢特性预测方程。利用第二个运行周期对该预测模型进行了验证。通过比较预测结果和实验结果可知最大相对误差在8.5%以内。通过分析各单一自变量对预测模型的影响,得出了四变量优化模型,从而提高了模型的预测精度,同时分析了流速等对预测模型的影响。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

支持向量机法预测严酷环境混凝土的抗压强度

以16种强度影响因素为输入参量,混凝土抗压强度为输出参量,通过支持向量机(SVM)法建立预测模型。搜集处理了6300组样本数据,以5900组样本为训练集,400组样本为测试集,采用K-交叉验证法选择得到最佳的核函数参数g和惩罚因子c;以决定系数(R^2)、平均相对误差(MAPE)和均方根误差(RMSE)为指标评价模型的预测精度。结果表明,SVM预测模型可以较好地用于混凝土抗压强度预测,且泛化能力较强。     

基于主成分物元可拓模型的岩爆倾向性预测

岩爆会对井下工作人员和设备造成严重的伤害和破坏,开展岩爆倾向性预测研究具有重要的现实意义。以岩爆倾向性预测为目标,综合考虑岩爆的影响因素,从岩性、应力、围岩3个角度选取12个影响因素作为评价指标,采用主成分分析法和物元可拓模型建立新的预测模型即主成分物元可拓模型,选取国内7个典型工程实例,运用主成分物元可拓模型进行岩爆倾向性等级预测,将预测结果与实际情况进行对比,发现预测结果与实际情况基本吻合,准确率达到了85.71%。以白鹤滩水电站地下厂房为工程实例,对该预测模型的精度作进一步检验,结果表明,该水电站地下厂房的岩爆倾向性等级为Ⅱ级,属于弱岩爆,预测结果与实际情况吻合。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于改进支持向量机的化学镀Ni-P/ZrO2复合镀层显微硬度预测模型的建立

选取对化学镀Ni-P/ZrO_2复合镀层的显微硬度具有代表性的影响因素作为输入变量,以正交试验获得的有限试验数据为样本,先建立基于传统支持向量机的预测模型,再采用遗传算法对传统支持向量机中的惩罚因子与核函数参数进行优化,最终建立基于改进支持向量机的预测模型。通过遗传算法进化迭代,提高改进支持向量机模型的预测精度。选取神经网络模型和传统支持向量机模型作为对比模型。结果表明:改进支持向量机模型的预测精度较高,可以利用该模型对化学镀Ni-P/ZrO_2复合镀层的显微硬度进行预测。     

城市再生水年利用量预测分析

城市再生水利用量预测对于城市再生水资源的优化配置至关重要。以苏州市为例，对影响再生水年利用量的因素进行相关性分析，筛选得到7个与再生水年利用量相关性较高的影响因素，并采用灰色GM(1,1)模型对各因素进行预测，预测结果作为BP神经网络的输入变量，利用BP神经网络非线性映射能力强、可自学习等优点，建立模型预测苏州城市再生水年利用量。模型验证分析表明：灰色模型和BP神经网络模型组合输出的预测结果与实际值之间的误差绝对值均小于1%,预测精度等级较高。最后应用该组合预测方法预测了苏州市2021年、2022年以及2025年的城市再生水利用量，以期为城市再生水利用量评估以及再生水利用规划、合理配置提供参考依据。     

基于极限学习理论的爆破块度预测

通过爆破试验,获得9组爆破参数,采用照片法统计了相应的爆破块度,采用极限学习机ELM(Extreme Learning Machine)预测模型,对最后3组爆破参数下的大块率进行预测,同时采用BP预测模型进行预测。两种预测对比可知:ELM模型可以较好地预测爆破块度,且比传统神经网络有较好的适用性和精确性,可用于爆破块度预测,为爆破参数设计提供可靠的依据。     

近临界区CO2物性预测模型对比与修正

超临界二氧化碳(SCO_2)布雷顿循环系统是未来极具潜力的发电能量转换系统,CO_2物性表征模型对布雷顿循环系统中动力设备转轴密封和轴承性能的预测精度影响显著。在总结权威文献中不同温度和压力下CO_2物性实验测试数据的基础上,对比分析了经典物性查询软件REFPROP软件中CO_2密度、黏度和热导率预测模型的预测精度,获得了预测精度最高的物性预测模型及对应临界点附近误差较大的区域,采用人工神经网络算法获得了近临界区预测精度更高的CO_2物性预测模型。结果表明:REFPROP软件中的FEK模型、VS1模型和TC1模型分别对CO_2的密度、黏度和热导率具有最高的预测精度,不过其在近临界区的物性预测最大和平均误差仍分别达到40%和8%以上,利用神经网络算法所获得的CO_2物性预测模型可使近临界点区的物性预测最大和平均误差分别降至30%和4%以下。     

基于随机森林和支持向量机的高性能混凝土抗渗性预测研究

为了实现对混凝土抗渗性快速而精确地预测,提出了一种基于随机森林(RF)和支持向量机(SVM)的RF-SVM预测模型。首先以氯离子渗透系数为抗渗性评价指标,基于原材料配比确定了混凝土抗渗性的初始指标体系,然后利用随机森林算法结合后向剔除法进行指标筛选,剔除了冗余指标,得到了用于支持向量机建模的最优指标集,最后在此基础上建立了基于支持向量机的混凝土抗渗性预测模型,并研发了RF-SVM算法。以东北某高速公路项目为背景进行应用分析,结果表明,所提出的RF-SVM模型能够有效筛除冗余因素,得到精度较高的预测结果,且预测结果满足工程实践的要求,能够为混凝土抗渗性预测提供一种快速有效的方法。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型，模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量，以煤灰流动温度作为输出量，对126组来自中国北部地区的煤灰样数据进行训练与测试，并建立常规BP神经网络模型，研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力，所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加，虽略微提高模型对训练样本的拟合程度，但也导致验证时过拟合现象的发生，模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合，其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

碳酸盐岩岩溶储层特征——以哈拉哈塘地区为例

本文通过对区域地质背景的分析,结合钻井、岩芯及地震资料的分析,对研究区发育的岩溶储层特征进行了研究,探讨了优质岩溶储层发育的主控因素及岩溶模式,在此基础上预测了有利区带。结果表明作为研究区碳酸盐岩溶储集体主体的一间房组和鹰山组储层,其有效储集空间类型包括裂缝一孔洞型、单一洞穴型、多洞穴缝洞连通型等三种,前者在成像测井上表现为斑块与黑色条带分布,后两者在地震剖面上分别表现为单串珠强反射、多串珠复合强放射响应。研究区岩溶储层的发育受控于高能沉积相带、构造隆升作用、断裂活动和两期水系的发育等因素。     

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。     

基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置，人工参数设置导致模型的精度低、泛化能力弱等问题，采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化，构建PSO-LSTM模型和CS-LSTM模型，寻找到LSTM的最优参数集，从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中，验证了模型的有效性。     

碳酸盐岩裂缝岩石物理建模及属性敏感性分析

裂隙是碳酸盐岩的重要储层同时裂隙的溶蚀扩容是碳酸盐岩岩溶储层形成的重要因素,对裂缝性质的研究是对碳酸盐岩岩溶发育规律进行深入认识的重要途径,目前检测裂隙方法对野外采集因素要求高,裂隙检测的精确性难以保障。本文在研究区测井资料及岩心资料、试油试采资料分析的基础上,将井分类明确该地区单井裂缝发育状况,并基于此建立裂缝模型,通过裂缝预测岩石物理影响因素分析、正演记录属性分析,明确对裂缝尺度预测敏感属性,从而为后续实际资料进行多尺度裂缝预测分析奠定基础。     

基于相关向量机模型的混凝土综合性能预测

为快速获取及评价混凝土的综合性能,选取影响混凝土综合性能的6个主要因素为输入数据,混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据,建立基于相关向量机(RVM)的混凝土综合性能预测模型,对14组学习样本进行拟合训练,并对其余5组预测样本进行预测。结果表明:在相同的样本条件下,与BP神经网络模型进行对比,RVM模型预测精度更高,离散性更小;同时,与实际值相比,RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差,进一步验证了RVM模型对混凝土综合性能预测的可靠性,具有较好的推广价值。     

基于ISSA-GRU的混凝土抗压强度预测

考虑到抗压强度对混凝土设计的重要影响，本文提出了改进麻雀搜索算法(ISSA)和门控循环单元(GRU)结合的ISSA-GRU预测模型，实现对高性能混凝土抗压强度的精准预测。对收集的数据集进行归一化处理后，利用基于光谱-理化值共生距离(SPXY)法对数据集进行训练集和测试集划分，采用GRU对高性能混凝土抗压强度进行回归预测，并通过引入动态惯性权重的ISSA,加强对GRU网络参数的寻优效率。结果表明，在使用相同数据样本的情况下，将ISSA-GRU模型与长短期记忆(LSTM)网络、核极限学习机(KELM)和支持向量回归(SVR)模型进行比较，其均方根误差RMSE分别降低了9.3%、37.5%、33.5%,平均绝对误差MAE分别降低了13.5%、38.5%、41.7%。同时，研究了训练集数据量和输入变量对模型预测性能的影响，研究结果表明，所提出的模型能高效寻找超参数，具有较高的预测精度和较好的适应性，为多样化原材料和混凝土特定性能的发展提供可行参考。