关键词： 滑坡位移预测   遗传规划   改进哈里斯鹰算法   BP神经网络   快速学习网络(FLN)   黑方台黄土滑坡  

摘要： 滑坡当前在我国已成为主要的地质灾害之一,对人民生命财产安全与区域经济社会可持续健康发展均造成了严重的危害。而基于滑坡监测信息开展滑坡体位移的高精度预测研究,对于滑坡灾害防灾预警具有重要的参考价值。本文选取我国典型黄土滑坡区黑方台党川滑坡为研究区域,基于该区域多期高精度北斗/GNSS监测数据,在深入分析滑坡形变特征与诱发因素响应关系基础上,首先针对传统BP神经网络易陷入局部最优、初始权值和阈值难以合理确定等问题,构建了结合改进哈里斯鹰算法与遗传规划的IHHO-IBP(improved Harris Hawks Optimization-improved Back Propagation)滑坡位移组合预测模型;进一步针对常规快速学习网络初始参数影响大、网络稳定性较差的问题,构建了IHHO-IFLN(improved Harris Hawks Optimization-improved Fast Learning Network)位移组合预测模型。两类组合预测模型在黑方台党川滑坡实例测试中取得了较好的预测效果,可为滑坡位移预测研究提供技术支撑与理论参考价值。本文主要的创新工作与取得的主要成果如下:(1)针对传统BP神经网络易陷入局部最优等问题,通过遗传规划算法优化了BP神经网络的激活函数(IBP),使模型对实际问题具有更好的适应性;并进一步针对BP神经网络初始输入权值和隐层阈值难以合理确定问题,利用改进哈里斯鹰算法(IHHO)优化了IBP模型初始输入权值和隐层阈值,构建出IHHOIBP滑坡位移组合预测模型。基于黑方台滑坡位移预测实测表明,IHHO-IBP模型具有较高预测精度和泛化能力。(2)针对快速学习网络具有随机性、网络稳定性较差的突出问题,利用遗传规划算法优化了网络的隐含层激活函数(IFLN),提高了模型的稳定性;并进一步针对快速学习网络随机生成输入权值和隐层阈值具有不确定性等问题,利用改进哈里斯鹰算法(IHHO)代替随机算法以获取IFLN输入权值和隐层阈值,构建出了IHHO-IFLN滑坡位移组合预测模型,该组合预测模型在黑方台滑坡位移预测实例测试中取得了较好的预测效果。(3)针对我国典型黄土滑坡黑方台区域滑坡形变驱动机制及其诱发环境因素,优选出了影响滑坡形变的主要影响因子,并基于北斗/GNSS监测数据,采用本文构建的IHHO-IBP和IHHO-IFLN模型分别进行了典型滑坡体的位移预测分析。结果表明,两类组合模型较常规及单一改进模型均取得了更好的预测效果,对比IHHO-IBP和IHHO-IFLN模型在监测点HF08、HF05和HF09点的累计位移预测RMSE,表明IHHO-IBP位移组合预测模型具有更高的位移预测精度,在滑坡位移预测研究中具有较好的应用推广前景。

关键词： 滑坡   位移预测   时空数据   不确定性   深度学习  

摘要： 我国是滑坡灾害影响最严重的国家之一。为满足防灾减灾需求,科学认识滑坡演化过程和实施滑坡预测预报至关重要。位移监测数据反映了滑坡变形阶段和演变特征,可为滑坡预测预报提供依据。近年来,作为一种数据驱动方法,深度学习以其非线性表征学习能力、灵活性和自适应性而备受关注,在基于监测数据的滑坡位移预测中逐渐展现出其潜力。滑坡系统具有非线性、整体性和不确定性等特点,这使得现有的滑坡位移深度学习预测方法在理论和技术上仍存在关键性问题。在理论上,大多数方法难以充分考虑及提取滑坡时空演化多种非线性变化特征,难以阐明深度学习对位移预测结果的决策依据及推理过程;在技术上,大多数方法关注单一位移序列的预测,缺乏对整个监测区域位移变化趋势的代表性,且较少考虑基于深度学习的滑坡位移预测不确定性,难以综合考虑监测点位移时空相关性及不确定性,预测未来整个监测区位移变化趋势。 为解决上述理论与技术方面的关键问题,本文提出了三种考虑数据与模型不确定性的滑坡位移可解释深度学习预测方法,以三峡库区库岸滑坡和青藏高原高位滑坡为案例进行了研究。这三种方法能够捕获及阐明滑坡位移监测数据的非线性时空演化特征,其分别侧重于单个位移序列的动态变化、多个监测位移序列的相互影响以及内外因素对不同滑坡位移序列的影响效应,并通过这些关键信息对监测区域内多个监测点的未来位移演变趋势进行整体预测,同时考虑了滑坡位移整体预测中模型和数据的不确定性。 本文开展的三项创新性工作及取得的成果总结如下: (1)针对滑坡位移数据的时变特征,提出了一种基于周期-趋势分解的滑坡位移可解释深度学习预测方法,解决了现有的多阶段预测方法中存在的增加不确定性和潜在预测偏差等问题。该方法采用模块化的深度神经网络架构,将响应成分的分解、学习和滑坡位移预测集成于深层网络架构中。通过捕获及阐明滑坡位移监测数据的周期性和趋势性,该考虑时变特征的滑坡位移可解释深度学习预测方法能够在考虑数据不确定性的情况下,对滑坡位移进行整体预测。 (2)针对多监测部位所观测的滑坡位移序列之间的非线性相关性,提出了一种考虑统计特征的基于多变量相关性滑坡位移可解释深度学习概率预测方法,解决了现有方法中对多个滑坡位移序列在空间维度上的相关关系考虑不足的问题。该方法将Copula函数集成于贝叶斯深度神经网络参数化过程中,以动态学习多个滑坡位移序列之间的非线性关联。通过捕获及阐明多个滑坡位移序列间的非线性关联,该考虑统计特征的滑坡位移可解释深度学习预测方法能够基于多变量相关性,在考虑模型不确定性的情况下,对滑坡位移进行整体预测。 (3)针对滑坡位移数据在多种内外因素的影响下的时空变化特征,提出了一种考虑多因素影响的融合先验知识的滑坡位移可解释深度学习预测方法,解决了现有方法中对滑坡位移序列的区域属性、环境影响因素以及滑坡位移序列之间的非线性相关性考虑及提取不充分的问题。该方法将滑坡的静态属性信息(如岩土体属性等)和动态监测数据(如位移与降雨等)等多源数据映射到同一高维特征空间,采用模块化的深度神经网络有效融合滑坡局部区域特征的相关先验知识,以学习多因素影响下滑坡位移的变化规律。通过在训练过程中不断捕获并阐释滑坡静态属性、动态环境因素与滑坡位移之间的关键非线性特征及其影响,该考虑多因素影响的滑坡位移解释性深度学习预测方法能够融合先验知识,在考虑数据不确定性的情况下,对滑坡位移进行整体预测。

关键词： 高层建筑   桩基础   极限承载力   岩土体   参数反演   机器学习  

摘要： 随着高层建筑与超高层建筑的不断涌现，桩基础凭借着承载力高、稳定性好、沉降小等优点而得到广泛应用。由于桩基础通常深埋于地下，桩基承载能力会受到诸多因素的影响，因此分析相关影响因素以及反演桩周岩土体参数，对于研究桩基的极限承载能力和保证工程安全有着重要意义。本文主要依托青岛地区实际工程案例，结合数值模拟、机器学习、群智能算法，对桩基承载特性与桩周岩土体参数展开研究，预测桩基的极限承载力，研究内容主要包括:　　(1)基于现场载荷试验，借助ABAQUS有限元软件建立有限元模型，从桩身的几何尺寸与材料性质、桩侧岩土体性质、桩端岩土体性质三个方面，研究各因素在一定范围内变化时的敏感程度，得到了影响桩基承载能力的敏感因素:桩身为桩长和桩径;桩侧岩土体为密度、泊松比、摩擦系数和弹性模量;桩端岩土体为泊松比、弹性模量、摩擦系数和内摩擦角。　　(2)依据影响桩基承载能力的敏感性因素，以强风化花岗岩层为例，使用拉丁超立方抽样构建机器学习样本数据，建立支持向量回归模型，发现支持向量回归模型仅对弹性模量反演效果较好，对于其他参数效果不理想，甚至出现了决定系数R2为负值的情况。在此基础上使用粒子群算法、鲸鱼算法和灰狼算法对支持向量回归模型的超参数进行寻优，优化后较优化前的支持向量回归模型参数反演效果提升明显，研究表明，灰狼算法在预测精度与搜索能力上较其他两种算法有着一定的优势。　　(3)在灰狼算法的基础上，从种群初始化方式、收敛因子和个体位置更新策略方面对其改进，提出一种基于改进的灰狼算法优化支持向量回归模型，该模型预测精度与搜索能力强于其他三种群智能算法，并且反演岩土体参数与期望值更为贴近。　　(4)将改进的灰狼算法优化支持向量回归模型作为最优岩土体参数反演模型，结合实际桩基工程案例开展参数反演研究，预测桩基极限承载力。结果表明，现场载荷试验实测与反演所得岩土体参数预测的桩顶沉降值吻合度较高，验证了反演所得岩土体参数的有效性，使用反演得到的岩土体参数对同场地下的两根不同试桩的极限承载力进行预测，实测值与预测值相对误差小于4％,具有一定的工程适用性。

关键词： 质量预测   板坯连铸   加权极限学习机   类别不平衡  

摘要： 基于机器学习技术的板坯质量预测模型对提高板坯最终质量具有重要意义。针对连铸数据集天然存在的类别分布不平衡现象导致基础机器学习模型性能受损的问题，提出一种基于加权极限学习机(weighted extreme learning machine, WELM)的板坯质量预测模型。探究了不同的结构参数及加权方式对WELM模型性能的影响，并与基础的极限学习机(extreme learning machine, ELM)模型比较。结果表明，WELM模型能够对板坯质量进行高精度预测，而且具有黄金分割比的WELM模型更适合作为质量预测模型，预测准确率为97%。该模型能够满足板坯质量预测和连铸工艺优化的要求。

关键词： 水轮机   果蝇优化算法   变分模态分解   神经网络   迁移学习   状态预测  

摘要： 由于我国能源结构的调整,电能在我们的日常生活当中的作用日益明显。随着此类能源发展迅速,电网运行的复杂程度随着发电量的增加而增加,因此电网运行时的安全稳定至关重要。水轮机组可以有效地降低电网的压力,缓解电网容易出现的峰谷矛盾等问题,改善电能的质量。水轮机在运行过程中,机组的某一部分出现故障,会造成严重的后果。因此,要保障水轮机组的安全性,及时为水轮机组进行故障诊断以及状态预测。本文提出一种新型的水轮机状态预测方法。主要引入深度残差网络和迁移学习来构建本文提出的水轮机状态预测模型,同时用空洞卷积模块、跳跃连接线、扩展指数线性单元激活函数对深度残差网络进行改进,以提升状态预测性能。首先,为对水轮机信号进行预处理,通过果蝇优化算法优化变分模态分解的参数,用参数优化后的变分模态分解分解水轮机信号,并用短时傅里叶变换验证准确性。其次,引入峭度准则,对水轮机信号进行重构。为充分地提取水轮机信号里面的特征,用连续小波变换对重构的水轮机信号进行处理,得到时频图。考虑到直方图均衡化能凸显图像特征,增加局部对比度,本文用直方图均衡化对通过连续小波变换得到的时频图进行特征增强,得到特征增强之后的时频图。最后,为实现水轮机状态预测,对深度残差网络的卷积模块、残差模块、激活函数进行改进,考虑到迁移学习可以用已有的知识解决不同但相关领域问题的特点,结合迁移学习,得到本文提出的水轮机状态预测模型。用本文提出的水轮机状态预测模型进行预测,再和几组对比实验进行比较,评价了本文提出的水轮机状态预测模型的性能。

关键词： 锂离子电池   剩余使用寿命   间接健康因子   改进灰狼优化算法   核极限学习机  

摘要： 随着电化学储能技术的快速发展,锂离子电池因其良好的性能在电力系统储能中得到了广泛使用。然而由于受到内部电化学反应和外部工作条件等因素影响,锂离子电池性能随循环使用次数的增加而逐渐衰退。若能预知电池性能衰退程度并及时更换电池,将会避免因电池失效而造成系统故障或事故,从而减少人身伤亡和财产损失。因此,有效预测锂离子电池剩余使用寿命已成为业界内外关注的焦点之一。本文从间接健康因子的获取、核极限学习机参数优化方法以及使用参数优化多核极限学习机预测方法等三个方面展开研究,主要工作如下:(1)针对直接健康因子难以直接获取的问题,提出使用间接健康因子表征电池寿命衰减特性。通过对三个实验数据集的分析,提取等压升充电时间、等压降放电时间、充电温度达到峰值所用时间和放电温度达到峰值所用时间等四个间接健康因子作为预测算法的输入,并采用相关性分析法验证所提取间接健康因子的有效性。(2)为了解决核极限学习机算法的参数取值问题,本文提出一种改进灰狼算法用于优化核极限学习机算法参数。首先,将Tent混沌映射、非线性参数控制和基于权重位置更新等策略引入并改进灰狼算法。然后,使用改进灰狼算法分别对基于线性核函数、基于多项式核函数和基于高斯径向基核函数的单核极限学习机参数进行优化,并使用参数优化后的单核极限学习机算法对电池剩余使用寿命进行预测。最后,实验结果证明了使用改进灰狼算法的单核极限学习机方法的可行性。(3)为了进一步提高单核极限学习机算法的预测能力,本文提出使用参数优化多核极限学习机的预测方法。首先通过将多项式核函数和高斯径向基核函数线性组合后引入核极限学习机,提出基于改进灰狼算法优化双核极限学习机预测方法。然后,将线性核函数引入到双核极限学习机,提出基于改进灰狼算法优化三核极限学习机预测方法。最后,实验结果表明,所提方法能够有效降低预测误差,可以更加精确地预测锂离子电池剩余使用寿命。

关键词： 极限学习机   糖尿病视网膜病变   预测模型   风险因素  

摘要： 目的:2型糖尿病（Type 2 diabetes,T2D）患者失明的常见原因是糖尿病视网膜病变（Diabetic retinopathy,DR）。早期眼底检查并及时治疗已被证明可以防止视力丧失,但对糖尿病患者进行的常规眼科筛查给现有的医疗保健系统带来了重大的经济和物质挑战。本研究的目的是建立一个基于极限学习机（Extreme Learning Machine,ELM）的DR预测模型,并与基于支持向量机（Support vector machines,SVM）、K邻近（K-Nearest Neighbour,KNN）、随机森林（Random forest,RF）和人工神经网络（Artificial Neural Network,ANN）的DR预测模型的性能进行比较。方法:收集2020年1月1日至2021年11月31日期间住院患者电子病历资料。采用独立样本t检验、x2检验筛选出显著指标（p<0.05）,利用极限学习机算法开发一个基于人口统计学数据、血液检测和尿检结果的预测模型。我们使用了以下几个指标来评价模型的性能:（1）分类准确性（2）敏感性（3）特异性（4）精确度（5）阴性预测值（Negative predictive value,NPV）(6)训练时间（7）受试者工作特征曲线下的面积（Area under the receiver operating characteristic curve,AUC）结果:基于SVM和ELM的DR预测模型在准确性、敏感性、特异性、精确度、NPV和AUC等方面均优于基于ANN、KNN和RF的DR预测模型。以极限学习机为基础的糖尿病视网膜病变预测模型在准确性、精确度、特异性、训练时间和AUC方面表现最好,分别为84.45%、83.93%、93.16%,1.24s和88.34%。基于SVM的DR预测模型在敏感性和NPV方面表现最好,分别为70.82%和85.60%结论:此次研究得出基于极限学习机的模型在预测2型糖尿病视网膜病变具有优秀的性能,为2型糖尿病视网膜病变早期筛查提供技术支持。

关键词： 车轮磨耗   踏面廓形优化   多层极限学习机   高速列车   轮轨接触  

摘要： 我国高速铁路网已经延伸到了各种复杂的路况环境中,高速列车作为我国居民的主要出行方式之一,其开行量不断增大,随着列车运营时间的增长,高速列车服役环境的不断变化导致轮轨间磨耗问题愈加突出。同时在高速运行期间,即使微小的轮轨磨耗、钢轨激扰也会对列车的行车安全造成严重威胁,同时复杂的自然环境在一定程度上增加了轮轨间磨耗分析的难度。因此,本文深入调研了铁路车辆轮轨关系、轮轨磨耗预测、极限学习机、轮轨廓形优化的研究现状,开展了基于群智能算法与神经网络的高速列车车轮踏面磨耗预测与廓形优化研究。本文的具体研究工作如下:(1)在多层极限学习机中引入恒等映射基本原理,建立了基于恒等映射的多层极限学习机模型(Identity Multi-Layer Extreme Learning Machine,I-ML-ELM),并通过不同类型、不同维度的公开数据集,与不同类型的网络模型对该模型的网络性能进行了多维度的实验分析。结果表明,本文所建立I-ML-ELM模型在公开数据集中表现出比其他网络更优越的预测性能、更好的泛化性能,能够在不同的数据集中表现出更强的预测适用性,同时兼具了较高的运行效率。最后,采用控制变量法,测试了不同神经元个数对网络预测性能的影响规律,为后期网络的应用奠定了基础。(2)基于车辆-轨道耦合动力学理论建立了高速列车单节拖车的车辆-轨道耦合动力学模型,采用Kalker线性理论、基于摩擦功的Archard磨耗理论对不同工况下的车轮磨耗进行了仿真分析,分析了高速列车的车轮磨耗影响因素及车轮磨耗演化规律。开展了基于恒等映射多层极限学习机的车轮踏面磨耗预测研究,通过改变列车的运行工况,得到不同工况下的车轮磨耗数据,以此作为数据集对I-ML-ELM进行训练,建立了基于I-ML-ELM的车轮踏面磨耗预测模型。数值计算结果表明,本文所建立的磨耗预测模型能够实现对车轮踏面最大磨耗值的有效预测,同时具有比其他网络更高的计算效率。(3)通过引入混沌映射及随机扰动的方式分别在优化计算前期与后期对金豺优化算法进行了改进,建立了基于随机扰动Sine-Tent-Cosine混沌的金豺优化模型(Sine-Tent-Cosine Chaos Golden Jackal Optimization Based on Random Perturbation Mechanism,RPSTC-GJO)。使用多种不同类型的基准函数将该模型与其他优化算法进行了性能测试,测试结果表明:RPSTC-GJO在不同的基准测试函数中表现出比ASO、PSO及GJO算法更好的收敛特性及更快的收敛速度。(4)结合RPSTC-GJO优化模型与I-ML-ELM预测模型开展了高速列车车轮型面优化设计研究,以RPSTC-GJO算法为主体架构,嵌入了基于恒等映射的多层极限学习机模型,用于实现解空间与目标空间的映射,最后通过迭代寻优,得到符合目标要求的最优解。对应用了优化廓形的高速列车拖车模型进行动力学分析计算,结果表明,优化廓形能够在保证列车平稳性、稳定性及安全性条件下在一定程度上降低了轮轨磨耗。