A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm

Real-time intelligent lithology identification while drilling is vital to realizing downhole closed-loop drilling. The complex and changeable geological environment in the drilling makes lithology identification face many challenges. This paper studies the problems of difficult feature information extraction,low precision of thin-layer identification and limited applicability of the model in intelligent lithologic identification. The author tries to improve the comprehensive performance of the lithology identification model from three aspects: data feature extraction, class balance, and model design. A new real-time intelligent lithology identification model of dynamic felling strategy weighted random forest algorithm(DFW-RF) is proposed. According to the feature selection results, gamma ray and 2 MHz phase resistivity are the logging while drilling(LWD) parameters that significantly influence lithology identification. The comprehensive performance of the DFW-RF lithology identification model has been verified in the application of 3 wells in different areas. By comparing the prediction results of five typical lithology identification algorithms, the DFW-RF model has a higher lithology identification accuracy rate and F1 score. This model improves the identification accuracy of thin-layer lithology and is effective and feasible in different geological environments. The DFW-RF model plays a truly efficient role in the realtime intelligent identification of lithologic information in closed-loop drilling and has greater applicability, which is worthy of being widely used in logging interpretation.

Intelligent Deep Learning Enabled Wild Forest Fire Detection System

The latest advancements in computer vision and deep learning(DL)techniques pave the way to design novel tools for the detection and monitoring of forestfires.In this view,this paper presents an intelligent wild forestfire detec-tion and alarming system using deep learning(IWFFDA-DL)model.The pro-posed IWFFDA-DL technique aims to identify forestfires at earlier stages through integrated sensors.The proposed IWFFDA-DL system includes an Inte-grated sensor system(ISS)combining an array of sensors that acts as the major input source that helps to forecast thefire.Then,the attention based convolution neural network with bidirectional long short term memory(ACNN-BLSTM)model is applied to examine and identify the existence of danger.For hyperpara-meter tuning of the ACNN-BLSTM model,the bacterial foraging optimization(BFO)algorithm is employed and thereby enhances the detection performance.Finally,when thefire is detected,the Global System for Mobiles(GSM)modem transmits messages to the authorities to take required actions.An extensive set of simulations were performed and the results are investigated interms of several aspects.The obtained results highlight the betterment of the IWFFDA-DL techni-que interms of various measures.

An artificial intelligence diabetes management architecture based on 5G

Along with the development of 5G network and Internet of Things technologies,there has been an explosion in personalized healthcare systems.When the 5G and Artificial Intelligence(Al)is introduced into diabetes management architecture,it can increase the efficiency of existing systems and complications of diabetes can be handled more effectively by taking advantage of 5G.In this article,we propose a 5G-based Artificial Intelligence Diabetes Management architecture(AIDM),which can help physicians and patients to manage both acute complications and chronic complications.The AIDM contains five layers:the sensing layer,the transmission layer,the storage layer,the computing layer,and the application layer.We build a test bed for the transmission and application layers.Specifically,we apply a delay-aware RA optimization based on a double-queue model to improve access efficiency in smart hospital wards in the transmission layer.In application layer,we build a prediction model using a deep forest algorithm.Results on real-world data show that our AIDM can enhance the efficiency of diabetes management and improve the screening rate of diabetes as well.

考虑载客状态的改进孤立森林浮动车异常数据检测算法

为提高浮动车数据中异常数据检测能力及不同载客状态下的模型检测分析能力,提出基于S-DTA-IIForest(Summation&Difference Third Order Average&Improvement-Isolation Forest)的浮动车数据异常检测算法。构建由相邻两项求和(S)、三阶求和平均差分(DTA)的二维度空间SDTA特征向量;提出差额累计更新和动态区分辨识的改进孤立森林IIForest算法,通过设置停止阈值参数,避免当出现新样本异常值分数大于停止阈值时,仅更新样本不更新孤立森林模型的问题,设计每个二叉树区分辨识度参数,区分辨识度位于停止区间时停止二叉树生长,提高算法收敛性能,以ROC(Receiver Operating Characteristic)曲线下面积AUC(Area Under ROC Cure)、F1-score为指标对模型精度进行对比分析,并以重庆市中心城区学府大道开展实例验证。结果表明:本文S-DTA-IIForest组合算法AUC、F1-score分别为86.63%、0.89,AUC较传统孤立森林IForest(Isolation Forest)提高32.4%,运行效率提高1.29%,具有收敛速度更快、精度更高的优势,载客条件下模型AUC、F1-score较未载客分别提高7.7%、10.8%,组合算法对载客数据有更高的检测精度,且未载客状态数据异常率较载客状态增加71.4%,未载客数据异常率更高。

关于我国林木育种向智能分子设计育种发展的思考

“作物育种4.0”的提出,为我国林木遗传育种指明了向智能分子设计育种发展的前进方向。本文提出了理想品种的概念及其智能设计实现条件,简要综述了我国林木遗传育种研究历史以及存在的问题,并提出了推动我国林木智能分子设计育种的发展对策等。林木遗传育种应该瞄准国家林业重大需求,有组织地选择重要树种系统布局,在推动树种高世代遗传改良及其利用的同时,准备系谱关系清晰的育种资源群体,做到等位变异有迹可循;解析重要性状遗传变异规律及其调控网络,实现基因调控有据可查;建立高效的多组学大数据整合分析以及育种群体构建、亲本选配和后代选择等分子设计育种技术方法体系,保证智能育种有“法”可依等。逐步解决我国林木遗传育种中存在的问题,为实施林木智能设计育种创造理想条件。在每一育种世代品种向理想品种选育的推进过程中,尽可能将智能分子设计育种的最新理论和技术成果应用于育种实践,选育出高产、优质、高抗的当前世代理想品种,满足国家林业发展的现实需要。

人工智能在森林生态补偿政策评估与优化中的应用

该文通过研究森林生态补偿政策的评估与优化,探讨人工智能技术在该领域的应用及其作用。首先,综述森林生态补偿政策评估与优化的研究现状,指出现有研究的不足之处。接着,阐述人工智能技术在森林生态补偿政策评估与优化领域的应用,如数据采集、数据分析、预测模型构建等。然后,构建一个基于人工智能的森林生态补偿政策评估与优化模型,该模型能够更准确地评估政策效果,优化政策制定过程。最后,结合实际案例,分析人工智能在森林生态补偿政策评估与优化中的应用实践,证明人工智能技术在提升政策效果、促进森林资源可持续利用方面的积极作用。

森林火灾蔓延模拟及应急路径规划优选

【目的】利用云计算手段模拟林火蔓延过程,规划火灾应急路径,以促进救援力量快速、高效到达指定火灾地点,为布置林火阻隔措施预留充足时间。研究也为吉林省通化市东昌区的林火应急响应和预防规划提出建设性意见。【方法】以吉林省通化市东昌区为研究区域进行实地调研和模型推演。着眼于林火点单源和多源差异性,利用应急路径规划模型、Dijkstra算法模拟计算单源林火情况下最短救援路径,并纳入多源林火优先级理论,实现救援资源利用最大化。采用FARSITE模型对区域实例森林火灾进行蔓延速率模拟,获取林火发生后各阶段实时数据,综合考虑森林火点附近资源布局情况以及道路交通能力,进行救援路径的推算和防火道路的布局,以验证方法的可行性,并对森林火灾应急响应救援路径进行智能优选。【结果】在一般森林火灾发生时单个着火点的公式基础上,为2个及以上着火点引入优先级理论,再根据火情严重程度通过Dijkstra算法进行依次推演。此外,增加μ作为通行能力系数,以考虑路况、道路属性对救援通行时间的影响,得到新的路径公式。通过FARSITE模型,对2010年“5.3”一般森林火灾(20100503-220502-01)进行蔓延推演,在火源点起火5 h后,如果没有得到有效的人为干预,火情将演变为重大森林火灾,并蔓延到人居地区。由于风向影响,火源点东北侧的火情优先级高于北侧,若有条件同时进行救援,应急资源应按优先级倾斜。【结论】模拟结果表明,通过应急路径规划模型、Dijkstra算法和优先级理论,可以提高救援路径的获取速率,提前进行资源调配和人员安排,FARSITE模拟结合防火道路规划,联系火灾发生后各时间段的蔓延情况,能有效提升森林火灾决策效率,事半功倍地形成林火应急响应和预防规划方案。

基于钻进参数和岩性的钻爆法隧道围岩智能分级模型

为进一步提高基于钻进参数的围岩智能分级模型判识准确率,引入围岩岩性作为已知条件,对不同岩性分别建立基于钻进参数的围岩智能分级模型。首先,依托宜兴高铁、郑万高铁隧道工程中凿岩台车采集到的钻进参数,将其根据围岩岩性划分为白云岩、花岗闪长岩、灰岩、砂岩、页岩5类子数据集;然后,进行数据清洗、特征提取,对各子数据集及原始数据集按照4∶1的比例拆分为训练集和测试集,分别以提取的特征和原始特征均值2类特征集合作为输入;最后,使用机器学习随机森林算法建立5个基于钻进参数和岩性的围岩智能分级模型以及基于钻进参数的围岩智能分级模型,评估每个模型的泛化性能。结果显示:1)以提取特征集合为输入的白云岩、花岗闪长岩、灰岩、砂岩、页岩5种围岩智能分级模型在测试集上的准确率分别为85.48%、92.16%、88.62%、85.00%、89.47%,不考虑岩性的围岩智能分级模型的测试集准确率为84.91%。2)相比不考虑岩性的围岩智能分级模型,基于钻进参数和岩性的围岩智能分级模型测试集准确率提高0.09%~7.25%;相比不进行钻进参数特征提取,围岩智能分级模型准确率提升1.61%~13.82%。由此表明:进行钻进参数特征提取能够有效提升围岩智能分级模型的准确率;相比不考虑岩性的围岩智能分级模型,考虑岩性的围岩智能分级模型稳定性提高,模型的泛化能力提升。

基于异质集成的井漏预警模型

钻井井漏事故具有突发性和难以控制的特点。因此,迫切需要建立一种有效的井漏预测方法。将随机森林、支持向量机和反向传播神经网络模型相结合的异质积分器Stacking应用于青海省柴达木盆地英西地区。首先对目标区块的数据集进行处理,运用灰色关联对数据进行相关性分析,选择其中10个相关性高的参数,后设置两层堆叠集成,第一层选择随机森林、支持向量机和BP神经网络模型作为基础学习器,第二层选择逻辑回归模型作为元学习器。结果表明,异质集成模型提高了预测精度(0.981的准确率、0.970的精确率、0.963的召回率和0.960的F 1分数),克服了同质分类器的局限性。强调了综合井漏预警预报中考虑多种地质因素的重要性。

基于实时钻进参数的孔隙压力智能预测技术

针对当前孔隙压力预测方法存在适用范围限制、精度不足、计算繁琐和无法实时预测等问题,提出了一种基于实时钻进数据的地层孔隙压力预测方法。基于测井数据计算孔隙压力的理论真实值,作为预测的学习目标;通过相关系数法及模型选择法,确定了8项关键参数:大钩载荷、泵压、机械钻速、钻压、转速、排量、密度和黏度;基于这些参数,采用3种集成机器学习算法,分别建立孔隙压力的实时预测模型。训练集预测结果分析表明:XGBoost和LightGBM模型在关键评估指标上表现良好,而随机森林模型存在过拟合的现象;XGBoost和LightGBM模型的预测趋势更加稳定,在预测精度和稳定性上更具优越性;所有模型在更换钻头造成钻头参数与钻头磨损情况变化后均产生了一定的平移偏差。后期可通过探究钻头特性与预测偏差的具体关系,或通过调整模型、对预测结果适当修正来进一步提高预测准确性。该预测方法不仅提高了预测精度,还为现场工程师提供了实时决策支持,有助于钻井策略的优化并降低风险。

基于随机森林算法的薄煤层工作面开采效能预测研究

薄煤层开采环境恶劣,开采效能受井下多种因素影响。为研究各因素对开采效能的影响程度,预测薄煤层开采效能,首先,从130个已开采薄煤层工作面中提取了煤层厚度、工作面长度、煤层平均倾角、煤层硬度、煤层断层、煤层顶底板、煤层水文、煤层夹矸、瓦斯矿井类型、煤层自燃性、煤层稳定性、煤层层状起伏、采煤工艺、工作面月产量和工作面主要装备等15种开采效能影响因素,将其详细划分为20个影响因子;其次,筛选了37个数据较完整的工作面样本,并基于随机森林算法、网格搜索法和3折交叉验证法训练了薄煤层工作面开采效能最优预测模型,其测试集准确率约95.2%,R2为0.924;同时,最优模型绘制了开采效能影响权重图,月产量、采煤机装备、工作面长度和煤层厚度对开采效能影响较大,其他参数影响较小;最后,以双阳煤矿某薄煤层工作面为例,对其开采效能进行预测,并从工作面产量、工人工效和装备利用率三方面对预测值进行理论校验,校验结果在随机森林模型的预测范围内,验证了随机森林开采效能预测模型的可靠性,为薄煤层工作面开采设计提供了一种参考。

水产养殖中水质与鱼类行为双向映射模型研究

在水产养殖中,水质参数与鱼类活动之间有着密不可分的相互映射关系。过去的监测更多偏向于单向映射,一般都是通过鱼类的行为表明水质的情况。针对仅仅通过鱼类行为反映水质情况会产生误判和滞后的问题,本文构建一种基于随机森林的鱼类行为与水质情况双向映射模型。双向映射模型不仅可以提供更多的信息从而提高预测的准确性,而且也可以通过相互验证提高模型的可靠性。首先,通过引入可变形卷积模块对YOLO v7进行改进,利用改进模型检测出视频中鱼类的位置再通过前后帧的坐标量化出鱼的游动参数。随后,将采集到的鱼类游动参数及对应的水质参数作为输入,使用随机森林模型进行分类、回归,分别完成鱼类游动参数和水质参数具体数值的预测以及指标异常级别的预测,从而得到双向映射关系。为了表明模型的泛化能力,分别在黎安港和新村港渔场2个数据集下进行实验。实验结果表明:提出的方法可以较好地实现鱼类行为与水质关系的双向映射,其中,分类实验平均准确率可以达到90.947%,回归实验决定系数R^(2)的平均值可以达到0.801。

林区智能作业车臂架动力学建模及优化设计

针对林区作业环境复杂等问题,设计一款面向林区作业的林区智能作业车。建立作业车臂架系统的运动学和动力学模型并进行三维软件仿真和优化设计。首先,采用解析几何法与拉格朗日动力学方程结合,建立臂架系统的动力学模型。其次,利用软件NX1899的机构动力学仿真工具Simcenter 3D Motion对臂架系统进行分析,得到臂架系统各油缸驱动力和行程随时间变化曲线。最后,基于响应面BBD(Box-Behnken design)设计响应面试验,对变幅油缸前后两铰点位置进行优化。结果表明,在油缸行程仅增加0.000 04%情况下,油缸驱动力减小2.33%,BBD所提供的试验设计可靠。因此,该动力学模型可为油缸选型和油缸受力优化提供理论依据。

基于Stacking集成学习的枣树智能灌溉系统设计与试验

南疆降雨量少,气候干燥,农业用水紧张,水资源节约尤为重要,针对此问题设计一套智能灌溉系统。系统使用阿里云服务器作为上位机,树莓派作为下位机,并搭建相应的操作页面。根据Penman-Monteith公式中需要的气象数据、过去7天需水量以及前1天气象数据为输入向量,作物需水量为输出向量,构建基于随机森林、BP神经网络与岭回归的Stacking集成学习预测模型。结果表明Stacking集成学习预测模型拟合系数R 2为0.973,且MAE、RMSE、MAPE三类误差更小,Stacking集成学习预测模型预测效果更强。灌溉试验中自动灌溉决策正确,系统运行稳定,为新疆地区农业提高水资源利用问题提供思路。

Machine learning in liver surgery:Benefits and pitfalls

The application of machine learning(ML)algorithms in various fields of hepatology is an issue of interest.However,we must be cautious with the results.In this letter,based on a published ML prediction model for acute kidney injury after liver surgery,we discuss some limitations of ML models and how they may be addressed in the future.Although the future faces significant challenges,it also holds a great potential.

Coupling Analysis of Multiple Machine Learning Models for Human Activity Recognition

Artificial intelligence(AI)technology has become integral in the realm of medicine and healthcare,particularly in human activity recognition(HAR)applications such as fitness and rehabilitation tracking.This study introduces a robust coupling analysis framework that integrates four AI-enabled models,combining both machine learning(ML)and deep learning(DL)approaches to evaluate their effectiveness in HAR.The analytical dataset comprises 561 features sourced from the UCI-HAR database,forming the foundation for training the models.Additionally,the MHEALTH database is employed to replicate the modeling process for comparative purposes,while inclusion of the WISDM database,renowned for its challenging features,supports the framework’s resilience and adaptability.The ML-based models employ the methodologies including adaptive neuro-fuzzy inference system(ANFIS),support vector machine(SVM),and random forest(RF),for data training.In contrast,a DL-based model utilizes one-dimensional convolution neural network(1dCNN)to automate feature extraction.Furthermore,the recursive feature elimination(RFE)algorithm,which drives an ML-based estimator to eliminate low-participation features,helps identify the optimal features for enhancing model performance.The best accuracies of the ANFIS,SVM,RF,and 1dCNN models with meticulous featuring process achieve around 90%,96%,91%,and 93%,respectively.Comparative analysis using the MHEALTH dataset showcases the 1dCNN model’s remarkable perfect accuracy(100%),while the RF,SVM,and ANFIS models equipped with selected features achieve accuracies of 99.8%,99.7%,and 96.5%,respectively.Finally,when applied to the WISDM dataset,the DL-based and ML-based models attain accuracies of 91.4%and 87.3%,respectively,aligning with prior research findings.In conclusion,the proposed framework yields HAR models with commendable performance metrics,exhibiting its suitability for integration into the healthcare services system through AI-driven applications.

基于用户画像及多车协同的环岛车辆换道策略

基于智能网联汽车车-路-环境的协同策略已成为一种解决智能交通领域问题的有效方案。因此通过结合交通环岛的行车特点,提出了一种基于车辆用户画像的交通环岛换道策略。首先为了解决交通环岛中智能网联汽车多源异构数据的混杂问题,定义了车辆用户画像,对智能网联汽车多维数据进行表征。其次,基于随机森林算法对车辆用户画像中标签的权重进行实时更新。再次,根据车辆用户画像及动态权重设计收益函数针对环岛出口位置的内道车辆进行换道决策,实现了决策的场景自适应。最后,利用SUMO对本算法在交通拥堵、正常、稀疏等三种场景中进行仿真测试。实验结果表明本算法使得车辆在交通环岛的通行效率和舒适度均得到有效提升,以此验证了车辆用户画像对于优化决策的场景自适应效果的作用。

ATR全站仪的棱镜光斑重心识别与照准纠偏研究

智能化全站仪内置的CCD相机是测量活动中识别目标棱镜的载体,其接收反射红外线形成的光斑图像是目标识别及照准度判定的重要依据。实验以目标区域棱镜的RGB、灰度图像、光斑图像(点云化)作为研究依据,基于提出的圆形度、光斑映射系数、散射性三个特征条件使用随机森林算法建立光斑精识别模型,再利用光斑离散度质心算法找寻光斑重心。最后以四象限法则分割光斑重心落点进而形成实验场误差线,分象限进行照准误差纠偏。实验表明此方法可以很好地识别棱镜光斑重心和进行精确照准,具有一定的可行性。

基于信息融合和多粒度级联森林模型的挖掘机作业阶段智能识别

为了解决挖掘机作业阶段识别方法可靠性较低的问题,提出了一种基于信息融合和多粒度级联森林模型(information fusion and multi-granularity cascade forest model,IFMCFM)的智能识别方法。利用信息融合技术将挖掘机作业阶段的类别概率向量与高重要度特征进行融合,形成新的识别特征;将新特征输入级联森林模型,采用不同比例的训练集对模型进行训练并对识别结果进行分析;将IFMCFM的识别结果与DAGSVM(directed acyclic graph support vector machine,有向无环图支持向量机)、PCA-SVM(support vector machine based on principal component analysis,基于主成分分析的支持向量机)、LIBSVM(library for support vector machines,支持向量机库)和LSTM(long short-term memory,长短期记忆)的识别结果进行对比。研究结果表明:当训练集比例为80%时,IFMCFM的识别准确率、召回率和F1(精确度和召回率的调和平均数)指标分别为95.00%,95.17%和95.02%,识别效果较优;相比于其他识别模型,IFMCFM的识别准确性和可靠性最高。IFMCFM可以有效地识别挖掘机作业阶段,具有较高的应用价值。

基于随机森林的配网用户侧负荷态势智能感知

配网用户侧负荷态势感知时受不可信数据的影响,造成能量失衡,影响负荷感知结果精度。为了保证配网用户安全用电,结合随机森林方法进行配网用户侧负荷态势智能感知。采用随机节点构造多个决策树,通过简单随机抽样法从基于随机森林的负荷态势智能感知模型中获取多个决策结果。构建负荷态势划分依据函数,划分负荷态势类别。量化处理异构负荷态势,保持能量守恒,避免影响感知结果。利用迭代搜索方法分解负荷时间序列,结合随机森林感知方法对用户侧负荷态势进行智能感知。由实验结果可知,该方法与负荷统计结果只存在最大为2 kW·h的误差,具有精准的感知效果。