河北大柏舍地电台地电阻率观测数据分析

对大柏舍地电台地电阻率的观测数据进行综合分析表明,台站台址条件、观测系统均符合地电阻率台站建设规范要求;观测数据连续、可靠,年变化主要受地下水位的影响;背景场观测系统外线路采用地埋敷设方式,减小了地表干扰对地电阻率观测数据的影响,观测精度有所提高。该台地电阻率观测对本区及附近中等地震有较好的响应。

基于主成分分析法优化广义回归神经网络的地震震级预测

为科学有效预测地震震级,提出了基于广义回归神经网络(general regression neural network, GRNN)的地震震级预测模型。选取地震累计频度、累计释放能量、b值、异常地震群数、地震条带个数、活动周期、相关区震级等7个指标作为地震震级影响因子,利用主成分分析法(principal component analysis, PCA)对7个影响因子进行降维处理,以新生成的4个主成分作为模型输入变量,地震震级为输出变量,运用粒子群算法(particle swarm optimization, PSO)寻优得到GRNN模型最优光滑因子,最终建立基于PCA-PSO-GRNN的地震震级预测模型,利用建立的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统反向传播(back propagation, BP)神经网络模型和单一GRNN模型预测结果进行对比,结果表明:PCA-PSO-GRNN模型预测结果的平均误差为5.17%,均方根误差为0.100 0,决定系数为0.986 8,均方相对误差为0.007 3,平均绝对误差为0.100 0,运行时间为5.2 s,预测精度和运行效率均优于BP模型和单一GRNN模型。

高压直流输电对大柏舍台地电场观测干扰的分析

在分析高压直流输电对地电场观测产生干扰原因的基础上,应用大柏舍台近年来受高压直流输电干扰的地电场数据分析受高压直流干扰时的地电场变化、入地电流、换流站接地极与台址关系,计算了高压直流输电干扰时台址岩体裂隙优势方位。结果表明:地电场变化形态仅在高压输电入地电流开始注入和停止注入时产生大幅度的跃变;高压直流输电干扰时电场强度与入地电流大小成正比,与台址到换流站接地极的距离的平方成反比;应用地电场潮汐变化前10阶谐波振幅计算台址岩体裂隙优势方位的方法有甄别高压直流输电干扰的效果。

基于PCA-GSM-SVM的地震伤亡人数预测

针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。

降雨对大柏舍地电台地电阻率观测的影响

选取大柏舍地电台2011—2019年地电阻率观测数据和降雨量资料,分析降雨对地电阻率观测的影响,利用影响系数理论,对结果进行分析探讨。结果表明,由于大柏舍地电台表层介质影响系数较小且为负值,小幅降雨对该台地电阻率短期影响不明显,仅自然电位差受到干扰;大范围强降雨时,地电阻率和自然电位差均受到影响;因ZD8B仪地电阻率观测系统架空线路漏电,导致EW向分量呈阶降变化,且比用于背景场观测的ZD8M仪变化幅度大。

河北地区地电场观测数据地电暴变化特征

选取河北省6个地电台站地电场观测数据,分析地电场静日和地电暴期间的波形变化,讨论地电暴期间不同台站之间急始脉冲和急始变幅差异性,认为:地下介质不均匀性造成地电暴急始脉冲相位不同;地电暴急始变幅差异与观测台址表层电阻率大小关系密切。应用最大熵谱方法提取频谱成分,发现地电暴日高频短周期成分更加丰富,优势周期约1.6 h。

基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。