基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测

针对水电机组难以利用实时监测数据对机组劣化状态进行有效评估,以及水电机组不同运行工况对运行状态指标趋势预测模型参数影响显著的问题,提出一种基于参数自适应支持向量回归机(SVR)、变分模态分解(VMD)和时间卷积网络(TCN)的水电机组劣化趋势预测方法;首先按照功率和水头将机组运行工况细化为若干典型工况,在此基础上采用改进天鹰算法建立SVR模型,对各个工况下的预测参数进行寻优,建立起工况与最优参数的数据;再通过神经网络对工况和最优预测参数进行拟合,构建出映射两者复杂关系的非线性函数,然后将构建出的映射关系加入到传统的SVR中,实现适应于水电机组工况变化的自适应SVR健康模型;其次,根据健康模型输出的标准值和监测数据,计算出劣化趋势序列;最后,考虑到劣化趋势序列的非线性因素,建立了一个基于VMD-TCN的时间序列预测模型,以实现对劣化趋势的准确预测。并设计多组对比实验,验证所提出模型的精度更高,时间更快。

基于改进Pix2Pix-HD网络的多品种水稻生长可视化预测方法

植物生长建模与预测能模拟植物的生长过程,有助于生理学家和植物学家分析植物未来的生长模式,缩短试验周期、降低试验成本,受时间和条件限制的植物试验与研究指导。生长可视化预测能提供未来生长时间点的植物图像,能更逼真、直观地描述植物的生长过程。水稻作为重要的粮食作物,实现水稻的生长可视化预测,对水稻生长发育分析具有十分重要的意义。针对传统作物生长预测方法存在的视觉真实度和可视化效果较差等问题,本文提出了一种基于改进Pix2Pix-HD模型的多品种水稻生长可视化预测方法,利用数据驱动的方式,实现了对水稻抽穗期到灌浆期的高分辨率生长可视化预测,通过水稻抽穗期的图像预测灌浆期水稻生长图像。方法评估中,本文从视觉相似性、表型准确性和不同尺度评估模型预测性能,通过消融实验评估改进方法的有效性,并与现有研究进行比较。结果表明,测试集预测的灌浆期水稻图像与真实灌浆期水稻图像之间的FID、PSNR和SSIM值分别达到24.75、13.58和0.78,预测表型和真实表型相关系数的平均值为0.762,在不同尺度上都能保持较好的准确性。本文提出的基于数据驱动的水稻生长预测方法能够实现高分辨率和高视觉真实性的水稻生长可视化预测,为水稻生长预测提供了新思路。

重症急性胰腺炎患者螺旋型鼻肠管幽门后喂养置管结局的可视化预测模型的构建

目的探讨重症急性胰腺炎(SAP)患者螺旋型鼻肠管幽门后喂养置管结局的影响因素,构建可视化预测模型并进行验证。方法选择2020年1月—2023年6月医院重症监护室收治的SAP患者257例为研究对象,按螺旋型鼻肠管幽门后喂养置管成功与否分为成功组和失败组。采用单因素和Logistic多因素回归分析置管失败的风险因素,采用R4.2.1软件构建可视化风险列线图预测模型并验证。结果257例患者置管失败49例,失败率为19.07%。Logistic回归分析结果显示,APACHE II评分、腹腔内压(IAP)、机械通气、血浆白蛋白、使用胃肠动力药、使用血管活性药物、急性胃肠损伤(AGI)评分是SAP患者螺旋型鼻肠管幽门后喂养置管失败的影响因素(均P<0.05)。列线图预测模型建模组和验证组AUC分别为0.898,0.893;两组Calibration校准曲线趋近于理想曲线;列线图DCA曲线显示模型净获益高。结论APACHE II评分、IAP、机械通气、血浆白蛋白、使用胃肠动力药、使用血管活性药物、AGI评分是SAP患者螺旋型鼻肠管幽门后喂养置管失败的独立影响因素;构建的可视化列线图预测模型可预测SAP患者螺旋型鼻肠管幽门后喂养置管失败风险,具有良好的区分度,预测概率与实际概率之间一致性较高,预测效能较好,临床效益良好,有较好的临床应用价值等优点,可帮助ICU护理人员甄别置管的风险因素,为患者提供个体化干预措施,降低置管失败率。

矿区深部隐伏矿体三维可视化预测方法

针对深部隐伏矿定位难题,经多年研究,提出以定位模型-成矿信息-三维预测为主线的隐伏矿体三维可视化预测方法。矿体定位概念模型实现成矿规律到矿化分布规律的转换,获得矿体空间定位量化指标;采用形态分析、距离场或缓冲区分析、蚀变场分析等空间分析方法,分析和定量提取成矿信息指标;采用非线性多元回归、三维模糊证据权等方法,建立矿体三维预测模型,对深部立体单元的品位、金属量和含矿性进行预测。以安徽铜陵凤凰山铜矿和金川铜镍硫化物矿床为例,展开矿区深部三维可视化预测研究。结果显示,该方法能够适用于不同类型矿床的深部找矿工作,对于深部找矿具有重要意义。

基于宋健人口模型的老年化预测

以微分方程为理论基础,综合运用机理分析、参数辨识和统计学的一般原理对中国人口老年化趋势进行合理预测。首先利用统计数据对人口相关参数进行确定,通过引入宋健人口模型对未来中国老年化趋势进行预测,预计2015年全国老年人口比重将会达到11.7%。

基于数据增强的分布式光伏电站群短期功率预测(二):网格化预测

在数据增强的基础上,提出了地域全覆盖的网格化分布式光伏电站群短期功率预测方法。该方法将大区域分为小网格,基于曲线特征距离筛选全区域相似日,降低个别网格数据扭曲的影响,采用三维卷积神经网络建立网格化辐照预测到网格化光伏功率输出的映射关系,最后通过发电起止时刻校正进一步提高精度。仿真计算显示,所提方法相较于现有无辐照预测、单网格独立预测等方法有效提高了分布式光伏电站群功率预测的准确性和鲁棒性。

基于快速碳化试验的纤维喷射混凝土碳化深度预测研究

对掺入钢纤维的喷射混凝土、掺入聚丙烯纤维和钢纤维的复合纤维喷射混凝土和普通素混凝土三种喷射混凝土进行快速碳化试验,建立了基于试验的碳化深度预测计算式,该计算式有碳化速度系数和初始碳化难易程度两个常数,经对比与实际吻合良好。试验结果表明:在喷射混凝土中掺入纤维可以有效改善喷射混凝土的抗碳化性能。在配合比相同及纤维掺量适宜的条件下,其抗碳化性:复合纤维喷射混凝土>钢纤维喷射混凝土>普通喷射混凝土。在考虑了自然环境与试验环境的主要区别的基础之上,提出了基于试验的自然环境下纤维喷射混凝土碳化深度的预测模型。由于纤维喷射混凝土实际工程测试数据缺乏,该模型尚需实际检验与修正。

北京市两种沉积物和一种代表性土壤的氮素矿化特征及其预测

在淹水条件下,采用间歇淋洗法研究了北京市2种沉积物和一种代表性土壤的氮素矿化过程,得到了各自的氮素矿化参数K,n和预测方程,结果表明其矿化潜力顺序为HH>TR>HK。3个处理的矿化速率在培养的前11d迅速增大,达到最大值后逐渐降低,最后趋于0;HH矿化速率峰值出现时间比HK和TR要早。矿化出来的氨氮高峰都出现在淋洗的第11天,之后逐渐降低,最后趋于一个较低的水平;相同时间内HH的矿化量要远远大于HK和TR。培养结束时各处理各层次有机质、总氮和固定态铵含量都表现为降低的趋势。矿化量中有一小部分来自固定态铵的释放,但由于所占比例较小可以忽略不计。

基于RBF-ANFIS的汽油机排放及氧传感器劣化预测

针对氧传感器对汽油机排放和催化转化器效率的影响,建立了径向基函数网络(RBFNN)和自适应神经网络模糊系统(ANFIS)相结合的汽油机排放模型。利用RBFNN的非线性逼近能力,对不考虑氧传感器劣化的汽油机排放性能进行了预测。根据汽油机排放受氧传感器劣化的影响,应用ANFIS系统对RBFNN的汽油机排放预测结果进行了修正,并预测了氧传感器劣化曲线。基于RBF-ANFIS融合预测策略,进行了汽油机负荷性能和催化转化器转化效率试验。结果表明:所设计的汽油机排放模型合理,验证了该融合预测策略具有较好的分辨率,可用于氧传感器在线劣化预测。

基于灰色建模的再生混凝土碳化深度预测研究

在现有试验研究成果基础上,采用灰色模型,考虑水灰比、水泥用量和矿物掺和料三种因素,对再生混凝土碳化深度建模研究。研究表明灰色模型可以用于再生混凝土碳化深度预测。新陈代谢模型预测准确性最好。制作同条件碳化试件,获取碳化深度实测数据,采用灰色模型预测碳化深度,是一种实用的再生混凝土碳化深度预测方法。

废弃纤维再生混凝土碳化深度预测模型研究

在碳化理论的基础上,通过引入气体扩散理论和分形理论,基于一般正常环境下混凝土结构耐久性产生影响的因素(粉煤灰、矿渣微粉及工作应力),研究单一因素下废弃纤维再生混凝土的碳化性能规律。同时,将烧重试验、压汞试验和碳化试验所得数据进行分析,建立上述相关因素与有效扩散系数De^c的量化关系。此外,考虑到粉煤灰、矿渣微粉和工作应力的存在对废弃纤维再生混凝土的碳化性能影响,引入了粉煤灰影响系数、矿渣微粉影响系数和工作应力影响系数。通过模型计算值和试验结果的比较验证碳化深度预测模型的可行性,建立适用于废弃纤维再生混凝土碳化深度预测的实用模型。

预测位置空间离散化的多航路中期冲突探测算法

为了解决高飞行密度空域中具有多段航路的飞机中期冲突探测算法的精度较低和效率不高的问题,本文提出了一种新的中期冲突探测算法。将两飞机的航路重新划分为一系列航路片段,使得在每一个航路片段中没有航向和速度的变化。基于Prandini瞬时冲突概率的思想,计算所有航路片段的最大瞬时冲突概率,并取冲突概率中的最大者作为两架飞机整个航路冲突发生可能性的一个极端情况的度量。其中提出了基于预测位置空间离散化的新算法来求航路片段的瞬时冲突概率,对两飞机预测位置空间进行离散,然后根据位置预测误差概率密度函数以及两飞机的相遇几何来求瞬时冲突概率。仿真结果表明,相对于Prandini随机化算法,本文的冲突探测算法计算效率和计算精度更高,能够满足高密度飞行下条件下具有多段航路飞机的实时冲突探测的要求。

基于理论模型粉煤灰混凝土碳化深度预测模型研究

混凝土碳化深度理论模型理论基础性强,但工程应用性较差。影响粉煤灰混凝土碳化性能的因素主要有水胶比、水泥种类、单位水泥用量、CO_2浓度、碳化时间和粉煤灰掺量等。根据粉煤灰混凝土的特点,基于理论模型建立了既有理论基础,又具有实际可操作性的粉煤灰混凝土碳化深度预测模型。

现场条件下水泥土劣化试验及劣化深度预测

加固体的劣化可分为加固体在非腐蚀场地形成后由于场地受到污染而发生的劣化问题和在腐蚀场地形成的加固体的劣化问题。针对后者,采用现场取土、室内制备加固体试样、现场埋设的方法,模拟在腐蚀场地形成加固体的过程,埋设在现场的加固体在腐蚀介质及水动力、温度和潮汐等外界因素共同作用下将发生劣化。将水泥土试样埋设在滨海场地长达3.5年,并实施微型贯入试验和化学试验。试验结果表明,劣化引起的强度降低滞后于其化学反应;水泥掺入比越小、埋设时间越长,水泥土劣化越严重;本试验条件下,水泥掺入比15%的水泥土1年、2.5年和3.5年的劣化深度分别达到了3.5、5.8和7.6 mm。基于试验结果提出了水泥土劣化深度预测式。

基于随机森林的混凝土早期碳化预测

碳化会降低混凝土结构的耐久性,减少混凝土结构的使用寿命,因此快速准确预测混凝土碳化对于混凝土的质量评估具有重要意义。本文基于随机森林算法,以松原至通榆段高速公路项目为研究背景,建立随机森林(RF)算法预测模型。构建混凝土早期碳化影响因素指标体系,选择碳化深度作为碳化性能评价指标,根据原始数据建立训练集和测试集,利用Pearson相关性矩阵图分析影响因素相关度,并建立随机森林训练模型,结果表明,利用随机森林预测模型对混凝土碳化进行预测是一种新的有效方法。

基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法

抽水蓄能机组具有结构复杂、工况复杂多变、故障复杂多样等特点。利用实时监测数据有效评价抽水蓄能机组的劣化状态并对劣化趋势进行准确地预测仍是一个难题。为此,提出一种基于随机森林回归(RFR)、变分模态分解(VMD)和时间卷积网络(TCN)的抽水蓄能机组劣化趋势预测方法。首先,基于健康状态下的历史监测数据,选择与状态监测数据关联性强的工况参数数据作为健康状态模型的输入,建立基于RFR的健康状态模型;其次,输入实时工况参数数据,根据健康模型输出的标准值与实时状态监测数据计算得到劣化趋势序列;最后,考虑到劣化趋势序列的非线性因数,设计了基于VMD-TCN的时序预测模型,以实现对劣化趋势的精确预测。为验证所提方法的有效性,采集位于中国浙江的抽水蓄能电站真实监测数据进行多组对比实验。结果显示,所提出的方法在建立健康模型时拟合精度达到了0.98,并且在劣化趋势预测任务中,基于VMD-TCN的时序预测模型相比于其他比较模型具有更高的预测精度。

电拓扑状态预测有机磷酸酯类化合物的气相色谱保留指数

以原子类型电拓扑状态指数(ETSI)有效表征35个有机磷酸酯类化合物(OP)的分子结构,应用基于预测的变量选择与模型化(VSMP)方法建立OP化合物在3种不同固定相上的气相色谱保留指数(RI)与分子结构(ETSI)的定量相关模型.结果表明,影响不同固定相上OP色谱保留的主要结构因素都是由7个ETSI描述子对应的子结构碎片,即:=CH2,≡C—,aaC—,=O,—O—,Cl和Br.其中子结构aaC—,=O和—O与OP化合物母体骨架密切相关,而=CH2,≡C—,—Cl和—Br反映支链或取代基的变化.通过多元线性回归法建立OP化合物在三个固定相上的定量结构-保留相关模型(QSRR)发现,各QSAR模型的估计相关系数均在0.99以上,LOO检验相关系数在0.98以上,表明模型具有良好估计能力与稳定性.应用28个OP训练集样本构建的QSRR模型预测外部7个检验集RI结果表明训练集模型具有良好预测能力.

基于RBFNN与CMGA的催化转化器劣化预测

应用径向基函数网络(RBFNN)和压缩映射遗传算法(CMGA)的融合理论,提出了车用催化转化器劣化的在线预测策略。利用催化转化器劣化试验数据作为RBFNN的输入,影响催化转化器劣化的性能参数作为RBFNN的输出,进行了车用催化转化器劣化的模糊预测。利用RBF-CMGA融合预测策略,进行了车用催化转化器的空燃比特性、起燃比特性的劣化试验。结果表明:CO、HC和NOx的劣化系数分别为1.27、1.48、1.03,验证了该融合预测策略具有较好的分辨率,可用于车用催化器在线劣化预测。

基于灰色GM(1,1)模型的河南省城镇化水平预测

首先根据河南省人口城镇化数据的特点,将2008—2012年的城镇化水平作为原始数据,建立河南省人口城镇化水平灰色预测模型;其次采用残差估计进行模型检验,结果表明该模型的预测结果较好;最后,根据GM(1,1)模型预计2020年河南省城镇化水平将达到58%左右.

基于VMD-BiLSTM-Attention的抽水蓄能机组性能劣化趋势预测

为提高抽水蓄能机组的安全稳定运行能力,解析其运行状态,获取机组设备的健康状况,准确预测其未来发展趋势,提出一种融合变分模态分解(VMD)和注意力机制(AM)的双向长短期记忆网络(BiLSTM)的趋势预测模型。首先,利用Bagging算法建立考虑机组有功功率、工作水头、导叶开度和转速等影响的健康状态模型;其次,依据健康状态模型,计算机组的劣化趋势序列,利用VMD算法对趋势序列进行分解,得到多个平滑稳定的模态分量;最后,对每个模态分量建立双向长短期记忆网络和注意力机制结合的模型进行趋势预测,并将各分量预测结果叠加,得到机组最终的趋势预测结果。仿真结果表明,文中所提方法能准确地表达机组的劣化趋势,并能有效地提高劣化趋势的预测精度。