基于EEMD高斯过程自回归模型的缝洞型油藏开发动态指标预测

缝洞型油藏储集空间类型多样,大缝大洞的存在使得见水特征复杂多样,同时受各类工程、地质因素影响,生产数据非线性、非稳态,动态指标实时预测难度大。对此提出了一种结合集合经验模态分解(EEMD)和信息熵的高斯过程自回归模型的开发动态指标预测方法:①利用EEMD方法将生产数据分解成若干个平稳的本征模态函数(IMF)分量;②采用信息熵计算由于工作制度频繁调整而引起的数据波动程度;③利用分解的低频分量提取拟稳态数据段,对方差贡献度较大的各IMF分量建立高斯过程自回归模型;④叠加各分量计算结果作为预测值。仿真实验表明这种新算法能够有效应用于缝洞型油藏开发动态指标预测,可以预测生产井各项生产指标的变化趋势,为后期生产开发方案调整提供依据,指导油田的整体开发。

基于优化的组合协方差高斯过程的表面粗糙度预测

加工过程中产生的表面质量(如粗糙度)的数据序列包含多种特征,为能捕捉更多的数据特征,提高表面粗糙度的预测精度,提出采用组合协方差的高斯过程回归(CGPR)模型预测表面粗糙度,来捕捉数据特征中的线性特征和非线性特征;为获得CGPR模型的最佳超参数组合,采用人工蜂群(ABC)优化算法对超参数寻优,形成人工蜂群—组合协方差的高斯过程回归(ABC-CGPR)模型。通过45钢的车削试验,基于不同切削用量和刀具结构,建立了各类不同组合协方差的ABC-CGPR预测模型和单一协方差的ABC-GPR预测模型,并对比其预测性能,结果展示CGPR预测模型相比单一的GPR预测模型具有更高的预测精度,其中线性协方差函数与Matern协方差函数组合的预测精度最高,为实际加工中选取满意的预测模型提供了有效的指导。

基于GGRA-GPR模型的洪涝灾害直接经济损失预评估

随着经济发展及洪涝灾害频率和强度的增加,灾后应急管理需快速了解灾害损失,需先从致灾因子、承灾体、孕灾环境、应急能力、灾情等5个方面构建指标体系,并基于广义灰色关联分析验证其合理性,其次引入高斯过程回归模型对洪涝灾害经济损失进行预评估模拟,最后运用该方法评估了京津冀城市群2010~2020年洪涝灾害直接经济损失。结果表明,对比单纯高斯过程回归与神经网络评估模型,广义灰色关联分析—高斯过程回归模型具有最优的拟合精度。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

土石坝料压实特性改进多输出预测模型研究

土石坝料压实特性对保证大坝施工质量至关重要。然而,当前坝料压实特性预测主要是对物理、力学和渗透压实特性的单输出回归预测,缺乏对各压实特性目标间相关性的考虑。针对上述问题,提出土石坝料压实特性的改进多输出高斯过程回归(IMO-GPR)预测模型。采用具有噪声的基于密度的聚类方法构建目标特定特征,对多输出高斯过程回归(MO-GPR)模型原始输入空间进行特征扩展,提高模型高维特征空间复杂映射关系解耦能力;同时,结合MO-GPR模型中的输出协方差系数矩阵,实现对多输出压实特性目标间相关性的有效考虑,以最终实现多输出压实特性精确预测。相比传统的高斯过程回归(GPR)、多输出极限学习机(MO-ELM)和MOGPR模型,所提IMO-GPR模型的预测精度分别提高了24%、20%和17%,且对噪声干扰、数据异常、数据量少等情况具有更强的鲁棒性,为土石坝料压实特性分析提供了新思路。

基于实验数据训练的切削力组合预测模型

为提高切削力预测模型的准确性和稳定性,采用最优权值组合预测模型,以实验数据训练为基础,将人工神经网络模型、高斯过程回归模型及切削力经验公式这3个单一预测模型进行组合,对机械加工过程中的切削力进行预测。应用3种误差分析方法(均方根误差、平均绝对百分比误差及平均绝对误差)对组合预测模型进行评价,以此验证组合模型的稳定性和准确性。结果表明,相比于单一预测模型,组合算术平均模型所得结果与实验数据吻合良好,具有较高的精度和稳定性,对于切削力的预测具有参考价值。

基于FCM-GPR模型的电力网空间负荷预测方法研究

利用高斯过程回归模型描述不同时间尺度下负荷序列的基本演化趋势、强波动和随机噪声水平。对历史负荷数据进行可视化分析,挖掘整理出不同时间尺度下的历史负荷数据,与气候数据一起作为特征数据。采用模糊聚类算法对整理出的特征数据进行筛选,消除冗余信息,构造出紧凑有效的最优特征集。将历史负荷数据代入高斯过程回归模型进行训练,并利用实际电力数据对模型进行了测试,验证了所提出模型具有较高的预测精度与鲁棒性。

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

基于动作捕捉的减重条件下心理疲劳状态测量技术

目的利用动作捕捉和机器学习技术,探讨减重条件下通过关节运动的三维空间坐标统计特征测量受试者心理疲劳状态的可行性与可靠性。方法通过长时间认知任务诱发受试者的心理疲劳状态并利用量表进行评估。采用Kinect深度摄像头识别并追踪受试者2min减重跑步运动过程中25个关节点的运动信息。利用高斯过程回归算法建立心理量表与行为数据间的模型,并通过皮尔逊相关和均方根误差对模型进行验证。结果在减重条件下,基于关节运动的统计特征可以预测个体的心理疲劳状态,疲劳量表各个维度预测值与真实值间平均相关系数为0.44,均方根误差为2.94,心境状态量表模型预测值和真实值同样达到中等相关0.45,均方根误差为5.49。结论人体关节运动信息可作为有效生物特征预测受试者心理疲劳水平,且在空间或资源有限情况时,基于动作捕捉和机器学习方法建立的心理指标预测模型可为未来载人航天任务心理状态测量提供新方法。

基于GPR的国家能源集团铁路调度日班计划智能评价方法研究

国家能源集团铁路是围绕“晋陕蒙”煤炭生产基地的环形辐射铁路运输网络和“神朔—朔黄”西煤东运大通道,为实现挖潜提效,国家能源集团铁路谋求调度日班计划编制智能化,目前调度评价体系缺失,建立调度日班计划智能评价方法,可以促进国家能源集团铁路调度日班计划自动化和智能化编制,有利于提升铁路运输组织与调度指挥效能。探讨国家能源集团铁路调度日班计划评价指标,智能评价基本概念,高斯过程回归(GPR)机器学习模型的原理,建立基于GPR的国家能源集团铁路调度日班计划智能评价方法,基于GPR的智能评价流程,主要包括学习样本获取、GPR模型训练和智能评价结果输出,重点论述GPR模型训练的算法步骤。通过对历史评估结果的学习,在经验认知的基础上达成对新计划的自动化评价。以包神铁路公司为例,验证了所建智能评价模型的可行性。