一、Groundwater Level Predictions Using Artificial Neural Networks（论文文献综述）
蒋宏伟[1]（2021）在《万州区滑坡灾害位移与库水位及降雨响应关系研究》文中进行了进一步梳理我国一直是全球地质灾害最为频发的国家之一,其中尤以滑坡灾害最为严重,多年来地质灾害造成了众多的人员伤亡和重大的财产损失,并给我国的经济社会发展造成了不良的影响。在我国,三峡库区历来是地质灾害多发区,历史上曾发生过多次灾难性滑坡,尤其是自2003年蓄水以来,由于水库水位周期性的变化,使得大量老滑坡复活并诱发新的滑坡。例如,受三峡工程175m试验性蓄水影响,藕塘滑坡自2008年起出现较为集中的地表变形。巴东县黄土坡滑坡,也出现了滑坡险情。经过规范有效的风险评估,现已对藕塘滑坡所在安坪镇和巴东老县城等实施整体搬迁,规避滑坡风险。在此背景下,三峡库区内陆续开展了从区域滑坡灾害风险到单体滑坡风险的评价分析,从滑坡空间易发性分区到滑坡灾害的位移时间预测的研究。论文以三峡库区万州区的滑坡灾害为主要研究对象,以滑坡位移与库水位及降雨的响应关系为研究主旨。在收集滑坡调查资料、滑坡监测资料的基础上,基于统计分析,总结万州区滑坡灾害的分布规律,并对万州区滑坡灾害累计位移-时间曲线形态进行分类;基于数理统计,研究分析万州区滑坡灾害降雨阈值;基于聚类算法和数据挖掘算法,研究万州区典型滑坡灾害的变形演化关联规则和诱滑因素阈值;基于机器学习算法和线性权重理论,开展万州区典型滑坡灾害的位移预测研究。通过以上研究,论文现取得了如下成果:（1）基于收集到的地质灾害调查资料,发现万州区滑坡灾害的时间分布规律与库水位运行和降雨分布具有高度相关性;其空间分布规律与地质构造、地形地貌、水系分布等具有高度相关性;因为万州区的地层分布与地质构造紧密相关,因此万州区的滑坡灾害也呈现出在万县向斜内集中分布的特征;万州区滑坡灾害以堆积层滑坡为主,滑动面以土体/基岩接触面为主,这与万州区的地质营力作用特征紧密相关,地壳运动、河床下切等综合作用提供了万州区堆积层滑坡的物质来源;万州区滑坡灾害所在斜坡坡度集中在10o～40o,且滑坡灾害的规模以中型滑坡和浅层滑坡为主;万州区滑坡灾害的影响因素以暴雨事件居多,滑坡灾害目前已造成的损失较小,但是滑坡灾害稳定性发展趋势以潜在不稳定居多。（2）基于2003年6月～2020年5月的库水位运行数据发现,三峡库区万州区的库水位运行时段以年为统计单元可划分为:2003年6月～2006年9月,2006年9月～2008年9月,2008年9月～2010年6月,2010年6月～2020年5月共4个阶段,各阶段库水位运行的特征高程分别为130m,145m,171m和175m。以月为统计单元可划分为:水位快速下降期A时段、汛期B时段、水位快速上升期C时段和其他时段,选取A、B、C三个时段作为特征时段。此三个特征时段的具体时间指向分别为5月份,6～8月份,9月份。在此基础上,通过分析三峡库区万州区典型滑坡的地下水位监测数据发现,滑坡地下水位受到库水位、降雨、地形地貌和滑体性质等多种因素控制。一般而言,监测点距离库区岸线越近,其地下水位变化曲线与库水位变化曲线的相关性越大;在监测点附近滑体物质渗透性较好时,其地下水位对降雨事件响应越好,滞后越小;附近滑体物质渗透性较差时,其地下水位对降雨事件响应越差,滞后时间越长。统计三峡库区万州区典型滑坡灾害的地表GPS位移监测数据发现,11个典型滑坡上的28个地表GPS监测点附近位移均属于慢速。其中有4个滑坡在库水位快速下降期A时段位移速率较高,有2个滑坡在汛期B时段位移速率较高,另有5个滑坡在库水位快速上升期C时段位移速率较高。因此,滑坡快速位移时段主要集中在库水位快速变化期A时段和C时段。并且,在2007年和2015年的A时段,2007年、2014年和2015年的B时段,还有2011年、2012年和2013年的C时段有更多滑坡处于位移速率相对较高水平。（3）基于监测资料和前人的研究成果,万州区的滑坡累计位移-时间曲线形态可分为:以杀人田滑坡为代表的直线型;以付家岩滑坡为代表的曲线上升型;以金金子滑坡为代表的收敛型;以壤渡场北崩滑体为代表的回落型;以花园养鸡场滑坡为代表的阶跃型;以杨家坝滑坡为代表的震荡型和以塘角2号滑坡为代表的复合型。（4）基于收集到的监测数据,应用数理统计方法发现,对万州区内处在砂泥岩共存地层且斜坡结构为近水平层状斜坡的滑坡灾害而言,当预测预报位移速率等级为第三等级,即预警的期望是“部分临时性建筑及旧房屋出现破坏,可以随时采取简单的补救方式进行加固”时,其单日降雨量的阈值选择就分别为:在库水位快速下降期A时段当单日降雨量达到15mm;在汛期B时段当单日降雨量达到20mm;在库水位快速上升期C时段当单日降雨量达到25mm。其前期2日有效降雨量的阈值选择为:在库水位快速下降期A时段当前期2日有效降雨量达到45mm;在汛期B时段当前期2日有效降雨量达到50mm;在库水位快速上升期C时段当前期2日有效降雨量达到35mm。（5）基于万州区四方碑滑坡的监测数据,应用聚类算法、Apriori算法和C5.0决策树算法,挖掘出四方碑滑坡变形演化关联规则15条,并建立了四方碑滑坡变形状态的诱滑因素阈值判据共7条。关联规则成果表明,四方碑滑坡监测点WZ02-03附近的地表位移受到库水位变动和降雨作用的联合作用影响,且库水位变动的因素,是四方碑滑坡监测点WZ02-03附近的地表位移变形的主要诱滑因素。滑坡变形诱滑因素阈值判据与滑坡变形演化关联规则的成果一致。另外,四方碑滑坡监测点WZ02-03附近地表以中等速度即以10.55～31.95mm/m变形时,其月累计降雨量阈值是144.6mm,月库水位变幅阈值是-2.065m,即库水位以2.065m/月的速率下降。（6）基于线性权重理论,提出了一种集成长短期记忆神经网络（LSTM）与支持向量回归（SVR）算法的集成预测模型。将该模型应用于三峡库区万州区四方碑滑坡的位移预测研究中,并与LSTM模型和SVR模型等单一模型进行对比,取得了理想的效果。并在此基础上,将该模型推广至三峡库区奉节县的生基包滑坡的位移预测中,以验证模型的适应性。研究发现,模型适应性良好,且总体而言,LSTM模型优于SVR模型,但在预测数据集的所有时间步上,LSTM模型的结果并没有比SVR模型的结果更接近原始值。提出的集成模型综合了LSTM和SVR两种算法的优点,其预测性能优于LSTM和SVR两种模型。
李恒丽[2]（2021）在《基于人工神经网络模型的丽江黑龙潭泉群断流分析》文中进行了进一步梳理地下水资源是地球水资源的重要组成部分,是人类赖以生存和发展的重要条件。我国西南部地区居民生活用水和工农业生产用水的主要水源就是地下水,地下水资源的合理开发和利用也是影响生态环境的关键因素。位于云南省丽江市古城区的黑龙潭泉群,是丽江古城居民生活用水的源头,随着社会的发展,地下水开采量不断增加,开采不合理等问题的出现,黑龙潭泉群地下水位呈现持续下降的现象,尤其在降雨偏少或干旱时泉群会发生断流,特别是近年来由于城镇扩建,工农产业兴起,井采也越来越严重,导致泉群断流情况越来越严重,断流次数逐渐增多、时长也增长,给丽江市的发展造成一定的影响,破坏了当地的生态环境,给当地居民生产生活用水带来不便,增加了当地居民用水的成本。因此如何合理的开发,利用,保护泉群地下水资源是当前水资源管理工作的重点,如何有效的解决泉群断流问题及查明泉群断流原因提前做好断流防治措施是当前的首要任务。研究各种水利工程及人为活动影响下的地下水动态,建立变化条件下的地下水流数值模拟模型,对地下水均衡状况作出预测很有必要,对地下水资源开发利用有着重要的意义。本文采用人工神经网络方法分析当地降雨量与黑龙潭泉群流量变化的关系。通过野外地质调查,查明研究区的地质环境条件,水文地质条件,地下水系统补径排特征,系统研究分析黑龙潭泉群的断流原因及断流过程,查阅相关文献资料及结合历年的监测数据,利用MATLAB人工神经网络方法展开对黑龙潭泉群流量及水位的分析研究,对黑龙潭的断流时间作出预测,给黑龙潭补水时间提供依据。使用MATLAB作为工具载体,应用最小二乘法非线性回归分析黑龙潭泉群流量与水位之间的关系;应用三次指数平滑法预测黑龙潭泉群水位;应用BP神经网络预测方法及神经网络拟合工具箱对黑龙潭泉群流量进行预测;应用神经网络模式识别进行黑龙潭泉群断流分析。使用标准化作为训练样本,并使用大量实际样本数据进行测试,将各方法得出的结论与实际结果进行对比,以流量和水位为突破口,进行断流分析。主要研究结果如下:（1）黑龙潭泉群的主要补给来源为大气降水,大气降水集中在九子海通过九子海径流补给黑龙潭。（2）通过统计分析得出丽江的水平衡自2004年起发生了很大变化,是水平衡状态的一个分界年。在这之前,黑龙潭的断流情况严重依赖于降水量;在这之后,由于平衡被打破,断流情况越来越严重。而地下水开采量增大是打破丽江水平衡的关键原因,由于深部排泄越来越大,使黑龙潭井水位逐渐下降,达不到出水水位,黑龙潭就发生断流。（3）通过模型模拟得出黑龙潭流量与降雨量呈正相关,持续的降雨量会使黑龙潭流量变大。而井水位与流量也呈高度相关,降雨量较少时,井水位会持续下降,计算得出九子海当月往前一个月的降雨量对井水位的影响更大,其相关性系数为0.7876,往前两个月的相关性系数为0.6466,说明九子海降雨在1-2月后会到达黑龙潭。（4）黑龙潭的井水位决定了其断流是否发生,当井水位低于一定的值,无论九子海降雨多少,都要先补充地下水位,使其达到出水水位黑龙潭才会有流量。（5）人工神经网络模型对黑龙潭流量和断流预测都取得了一定成效,预测值与实际值基本相符,该模型可以用于对黑龙潭流量及断流情况的监测,为黑龙潭补水提供时间依据。（6）经综合分析计算得出黑龙潭可在预测出断流时就进行补水,其补水量根据其断流的影响因素来计算。
王丽丽[3]（2020）在《淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析》文中进行了进一步梳理处于我国南北分界处的淮北地区,是我国重要农作物种植和粮食生产基地,由于降雨量年际变化大,年内分布不均,旱涝交替发生等问题相对突出,使得该地区的水资源量相对匮乏。而土壤水作为作物吸收水分的主要来源,是促进作物正常发育,保证农业生产活动正常运行的重要基础。在水资源短缺的今天为了提高农田用水的利用率,避免水资源严重浪费,及时准确掌握农田土壤水分变化动态规律,对制定适时适量灌溉具有重要意义。本文以五道沟水文实验站为依托对夏玉米-冬小麦轮作期间的土壤水分进行研究。采用该实验站1991年6月-2020年5月大田土壤水分、地下水位埋深和多气象资料,分析了夏玉米-冬小麦生育期土壤水和地下水的关系,并拟合了10种曲线方程;对夏玉米-冬小麦轮作期间土壤水分与水文气象因子作相关分析,并建立土壤水分多元线性回归方程;分别采用BP神经网络和遗传算法优化BP神经网络方法,建立了作物轮作期间土壤水分预测模型。结果表明:（1）分析夏玉米、冬小麦生育期土壤水分与地下水位埋深的关系,选取10种函数对土壤水和地下水的转化进行非线性拟合,结果表明:使用傅里叶函数拟合精度最高,夏玉米生育期拟合精度达到0.8185;冬小麦生育期拟合精度达到0.9505。（2）对夏玉米-冬小麦轮作期间土壤水分与水文气象因子作相关分析,以相关性最大的影响因子为初始变量,逐步添加到4个因子,分别建立了夏玉米各生育期土壤水分预测模型,随着自变量的增多,模型拟合精度越高,当变量为4个时,R2为0.742～0.979。除了土壤表层,平均相对误差均可控制在0.1以内。（3）选取了对土壤含水率有直接影响的10个气象因子,利用BP神经网络模型建立了不同土层（0-20cm、20-40cm、40-60cm、60-80cm、80-100cm）的土壤水分预测模型,模型分别为BP（10-16-1）、BP（10-11-1）、BP（10-8-1）、BP（10-14-1）、BP（10-14-1）。预测结果显示,土壤表层的相对误差较大,但随着土层的增加,误差全部控制在0.09以内。（4）为了提高BP神经网络的预测精度,引入了具有全局搜索能力的遗传算法来优化BP神经网络的初始权值和阈值,从而能够更好的预测输出。预测结果表明:随着土层的增加,土壤水分的相对误差减小,相对误差控制在0.065以内。
张天[4]（2020）在《基于SBAS-InSAR城市地表沉降的预测建模及原因分析》文中指出城市地表形变的监测是保证城市安全运营的重要工作之一。地表沉降具有发生缓慢,成因复杂,难以逆转,危害大等特点。时序InSAR技术作为目前InSAR技术的研究热点之一,可以获取时序的地表沉降序列,克服时间和空间上去相干的影响,在获取大面积沉降监测结果的同时也具有较高的监测精度。北京市作为我国城市众多城市的代表,是我国的经济、政治、文化的中心。本次实验的研究区域以北京为例,为了满足高空间密度的形变监测需求,选用时序InSAR的小基线集雷达干涉测量技术（SBAS-InSAR）对2009年1月至2010年12月3米分辨率的25景北京地区的COSMO-SkyMed影像数据进行沉降监测,监测结果表明北京市的沉降主要发生在朝阳区及通州的西部与朝阳接壤附近,并与昌平区东南区相连,沉降中心为朝阳和通州西部。北京市最大沉降发生在朝阳区,累计沉降量为248mm,平均速率124mm/yr;北京市大部分平原地区形变比较平缓,沉降速率少于10mm/yr的区域占所有相干点位的68%左右。在获取沉降监测结果后本文采用同时段的北京地区的水准数据来验证本次实验的监测结果,结果表明小基线集雷达干涉测量技术对于大范围的沉降监测是可行有效的。为了能够预测沉降的发生,本文采用三种预测模型分别为灰色模型,神经网络模型和灰色神经网络模型预测地表沉降情况,最终得出距离输入数据期数和时间越近预测模型的预测效果越好,灰色神经网络模型的效果优于其他两种,点位的均值误差更小沉降趋势与水准验证点的分布趋势基本一致,但预测结果精度不是特别理想,难以满足生产生活的需求,仅可以为大地测量的工作进行补充,为测量工作的安排提供参考。针对时序InSAR的监测结果,本文将验证点位的时序沉降演变情况与地质构造、地面荷载、降水量统计、人口流动以及地下水位的变化相结合对沉降原因进行了分析。结果表明,地质构造的基岩埋深和断裂带的分布为地表沉降的内在因素,相对于沉降量较大的区域地质构造对其影响较小;地面的荷载,地下水位变化和气象水文以及人口流动的影响为外在因素,经调查发现沉降较为严重的区域地面荷载大,地下水位的变化是影响地面沉降的主要因素,结合验证点位和随机采样点时序沉降情况发现气象条件和人口流动对地面的沉降也存在影响。
贾紫涵[5]（2020）在《地铁车站施工环境影响风险非线性智能控制方法研究》文中认为城市轨道交通经发展成为城市交通系统必不可少的部分,是城市居民活动的主力军。随着人口的增多及经济的发展,基础建设占地面积不断扩大,城市用地逐渐减少,地面资源紧缺,发展地下空间逐渐成为城市发展建设的重点。近年来,城市地铁以其占地少、污染少、不堵车、方便、快捷等优势,在全国各大城市迅猛发展。但城市地铁工程建设对城市环境影响也不容忽视,地铁建设处于交通繁忙、地下管线纵横交错的建设环境,极易引发大气、噪音、振动、水污染、地质水文及周围建筑等环境影响和破坏。因此,地铁建设过程中,在满足安全的前提下,应加强环境管理,尽可能减少建设对周边环境带来的不利影响。文章以城市地铁车站工程为研究对象,着眼于其施工阶段对环境的影响风险识别和控制分析,首先在分析地铁建设环境影响理论的基础上,通过查阅文献资料,收集大量已完类似工程相关数据,找到地铁车站建设环境影响因素。根据因素分析整理构建地铁车站工程环境影响案例资料数据库,为地铁建设环境影响风险预测提供数据支持。其次,构建地铁车站施工环境影响风险智能识别与控制模型。以数据库为基础,利用粗糙集对工程属性进行约简,找到主要影响特征。在此基础上,运用PSO聚类分析筛选出与拟建工程相似案例。之后,利用BP神经网络模型预测研究对象环境影响数据,从而制定环境管理目标。接着,构建地铁施工环境影响问题原因对策库。结合“海恩法则”原理,对地铁车站环境影响风险征兆、苗头等进行识别,并根据问题的严重程度建立地铁车站施工环境影响风险预警体系。利用PDCA及统计分析方法,对地铁车站施工过程环境管理进行动态循环优化控制,并尝试将将计算机辅助软件应用到施工过程环境管理中,辅助管理人员对施工过程进行管理决策。最后,将上述模型应用到北京地铁S站建设过程中,以验证模型的可行性及有效性。为地铁建设环境管理问题提供科学的管理方法和解决途径。
李朝阳[6]（2020）在《基于数据学习的岩溶隧道突涌水风险评估及预警研究》文中认为岩溶隧道突涌水灾害是严重制约岩溶隧道安全施工的瓶颈,一旦引发,将造成经济损失、工期延误以及人员伤亡等严重后果。由于地下工程环境的多变性和复杂性,岩溶隧道突涌水灾害发生概率一直无法得到准确计算。因此,建立新的岩溶隧道突涌水风险评估模型,精确预测突水概率和灾害后果,提出基于岩溶隧道防灾设计的预警机制具有重要工程价值。本文详细统计了近年来发生的重要岩溶隧道突水案例,完善现有风险分级标准。引入可靠度理论、GA-BP神经网络、贝叶斯网络建立新的风险评估模型,通过自主编制程序实现风险定量评估,并自建数据库建立风险等级与防灾措施之间的预警关系。取得主要研究成果如下:（1）研究确定了诱发岩溶隧道突涌水的3类11个影响因素的主次排序,获得了致灾性最强的4个主控因素,即不良地质、地形地貌、可溶岩与非可溶岩接触带、地下水位。引入概率分级标准,完善风险等级制度,在现有岩溶隧道涌水量分级的基础上确定亚级分级,进一步提高评估结果精度。（2）针对高压富水溶腔型岩溶隧道突水灾害,建立了基于可靠性理论和GA-BP神经网络的新型定量评估模型。选取岩盘最小防突厚度作为显性功能函数,利用可靠性理论通过确定每个随机变量的概率密度分布来计算突水概率。并利用GA-BP神经网络预测了突水造成的灾害后果。选择水压、水力补给、裂缝类型、充填条件、富水程度和溶洞储量等六个因素作为神经网络的输入层,以灾害后果作为输出层。筛选同类案例以获取各指标的统计信息,并使用MATLAB中的Normand函数将该信息转换为定量数据。结合突水的可能性和灾害后果对野三关隧道602溶腔进行风险评估,并于实际情况和PASM法评价结果进行对比,验证了模型的可行性和可靠性。（3）基于未识别灾害源或是指标信息精度不够的情况,建立贝叶斯网络风险评估模型。基于解释结构模型进行手工建模,再用因果图法修正,确定网络节点之间的从属关系。并基于对抗网络和层次分析法来生成对应的未突水样本,进一步丰富网络数据库。在模型通过训练和验证后,通过总体精度（ACC）等4项指标来对训练结果进行评估。最后将评估模型应用于上高山隧道DK490+373突水案例,验证了模型的可行性和准确性。（4）基于Visual Basic编程工具,对新建风险评估模型进行程序实现。对突水的灾害防治原则和措施进行归纳、统计,建立风险预警等级和灾害防治指导之间的关系。基于自主编制的程序,建立岩溶隧道突涌水灾害案例数据库,便于在风险评估后查询相似的工程案例,为类似工程施工提供指导和借鉴。该论文有图48幅,表41个,参考文献166篇。
王艳昆[7]（2020）在《基于机器学习的滑坡位移区间预测与稳定性分析》文中提出滑坡灾害预测预报和稳定性分析研究具有重大的工程意义和应用价值。机器学习作为目前炙手可热的人工智能方法,在各个行业均有所渗透,其也被逐步引入滑坡防治领域,大大促进了该领域的发展。然而,机器学习算法主要在滑坡位移确定性预测和区域滑坡易发性评价中应用较为广泛,在滑坡位移区间预测和滑坡稳定性分析中应用有限。因此,本文以机器学习为主要研究方法,借助机器学习算法在回归和聚类方面的优势,探索其在滑坡变形区间预测和稳定性评价上新的可能。首先根据滑坡变形的非线性特点,提出了三种基于机器学习算法的滑坡变形区间预测模型,随后又应用机器学习算法分别研究了库岸滑坡水力学参数全局敏感性分析、边坡临界滑面搜索、考虑滑面不确定性的滑坡抗剪强度参数概率反演等稳定性分析问题,主要的研究原因、过程和结果叙述如下:（1）准确可靠的滑坡位移预测滑坡的早期预警非常重要,机器学习方法因其强大的非线性处理能力而被广泛用于滑坡位移的确定性预测。然而,由于滑坡系统存在不确定性,传统的确定性预测方法不可避免地会产生预测误差。为了量化确定性预测结果的不确定性大小,提出了三种区间预测方法,即B-LSSVM、DS-LSSVM、DES-PSO-ELM,对滑坡位移进行区间预测,而不是确定性预测。BLSSVM方法计算过程是首先利用Bootstrap和LSSVM算法计算预测值的均值和模型方差,随后建立遗传算法优化的LSSVM模型对预测模型的偏差进行训练和预测,最后将预测模型的回归均值作为点预测值,位移的预测区间为预测均值、模型方差、噪声方差三者的和。DS-LSSVM方法是在原始LUBE方法框架下所提出的一种滑坡位移直接区间预测方法,该方法直接使用两个LSSVM模型来生成未来位移的上下边界,并通过DS算法最小化基于预测区间的适应度函数得到最佳模型参数。DES-PSO-ELM算法计算步骤为首先运用DES来预测累积滑坡位移数据的趋势项（线性分量）,DES的预测残差表示非线性位移,然后采用集成的PSO-ELM方法构造非线性位移的预测区间,累积位移的最终预测区间通过将趋势位移预测值和非线性位移的预测区间相加得出。将这三种算法用于三峡库区白水河滑坡、树坪滑坡和谭家河滑坡的位移区间预测,并与已有算法进行对比,验证了所提方法的可靠性。（2）水力参数是库岸滑坡地下水位计算的关键数据,对水库滑坡稳定性评价至关重要,水力参数的敏感性分析可为库岸滑坡地下水位计算模型参数选取提供量化依据。引入了一种新的全局敏感性方法PAWN,并首次对库岸堆积层滑坡水力参数进行了全局敏感性分析。以三峡库区典型的库岸堆积层滑坡树坪滑坡为例进行研究,首先采用超拉丁立方采样法对饱和渗透系数、饱和体积含水量、剩余体积含水量和van Genuchten模型拟合参数进行采样,然后采用非侵入有限元法将其赋值到有限元模型中进行批量的渗流计算。根据有限元计算结果,采用PAWN方法计算了各水力参数的敏感度指标,划分了主要影响参数和非主要影响参数。全局敏感性结果对库岸滑坡现场调查和模型矫正有一定的参考价值,所展示的全局敏感性框架为类似滑坡的全局敏感性分析提供了参考。（3）基于强度折减的数值方法在边坡稳定性分析只能提供一条剪切带而无法提供一条清晰的临界滑动面。广泛使用的可视化技术来定义临界滑动面容易受到主观判断,并且该方法在批处理分析和三维分析中效率低下。当斜坡破坏时,滑面两侧的位移将明显不同,据此现象提出了一种自动识别临界滑动面的方法。首先采用k均值聚类算法将节点位移自动分为两类,分别代表滑体和稳定体,其次基于Alpha-Shapes算法来提取滑体的边界点,随后通过点云集合之间的布尔运算得到分界面附近的散点,最后采用分段三次样条拟合方法对提取的散点进行拟合,得到光滑的二维临界滑动面。对于三维边坡,采用薄板光滑样条拟合技术对滑面进行拟合。以均质边坡、含软弱夹层边坡和树坪滑坡为例,验证了所提方法的有效性和准确性。（4）先前关于滑坡抗剪强度参数的概率反分析的研究通常采用固定的滑动面,由于根据有限的观察结果推测出的滑动面位置存在不确定性,因此采用固定滑面进行参数概率反演可能会导致计算结果不可靠。基于贝叶斯定理,提出了考虑滑面不确定性的滑坡滑面抗剪强度参数概率反分析的框架,并用马尔可夫链蒙特卡罗模拟方法求解贝叶斯推理中抗剪强度参数的后验分布。为了提高计算效率,建立了基于极限学习机的响应面函数来逼近抗剪强度参数与相应的安全系数和临界滑动面位置之间的关系。通过一个已知实际抗剪强度参数和滑面的假想滑坡来验证所提方法以及对比所提出的方法和传统方法。研究了滑面测量误差和抗剪强度参数先验分布对概率反分析结果的影响。结果表明,忽略滑面不确定性的传统概率反分析所得的抗剪强度参数与实际值有较大偏差,且受抗剪强度参数先验均值的影响较大,所提方法反分析结果优于传统方法,且受抗剪强度参数先验分布的影响较小。滑动面测量误差越小,概率反分析精度越高。将该方法应用于树坪滑坡,所得反演结果位于试验值范围之内,证明了所提方法的有效性。
张庆卜[8]（2020）在《国家级地下水位监测数据分析研究 ——以民勤盆地为例》文中研究指明地下水监测数据不仅有助于了解和评价地下水现状、认识地下水历史变化过程的趋势,掌握其变化规律,还是地下水管理和研究工作的基础支撑。自然资源部和水利部于2015年实施了国家地下水监测工程,但由于监测站布设时间较短,尚未形成长时间连续监测数据,而且我国区域水文地质条件复杂多样,各地区地下水行政管理人员专业知识水平不一,这些原因都导致了监测数据无法充分得到利用,不能很好地服务于地下水管理工作。因此,本文以民勤盆地以典型区,对国家地下水监测数据的整合、应用理论进行研究,可为我国地下水科学管理提供技术支撑。民勤盆地是我国典型的西北内陆盆地,水位动态主要受地表水灌溉入渗、开采量和渠系入渗和侧向径流影响。按照各自影响大小,动态类型分为径流型、开采型、灌溉入渗-开采型和径流入渗-开采型。该地区共布设了14个国家地下水监测站,其中13个监测站由地方监测站改建而成,存在监测数据时序较短、缺失问题。本文利用水位差值法和回归分析法完成了14个监测站数据整合,形成了从2007年1月2019年1月的连续的长序列水位数据。根据整合后得到的国家地下水位监测数据利用网格化方法对2007年2018年的储变量进行计算,结果显示2010年以前每年储变量约-1×108m3,2010年以后储变量逐渐变小。从2014年开始出现正均衡并逐渐稳定在每年0.20×108m3左右。通过区域均衡法估算研究区开采量,结果显示该地区2010年以前开采量较大,每年约3×108m3,2010年经过治理后开采量减少至每年0.86×108m3。利用国家监测站的水位数据在选取典型监测站分别建立多元线性回归分析模型、时间序列分析模型和BP神经网络模型,通过模型精度对比与误差分析最终确定该地区开采型动态适用回归分析模型和BP神经网络模型,灌溉入渗-开采型和渠系入渗型动态监测站适用时间序列分析模型,且模型也适用于水文地质条件相似的其他盆地。利用适用模型对水位进行预测,结果显示在现状补排条件下未来5年羊路邓岔监测站水位回升1.5m、泉山和平监测站水位回升0.45m、沙嘴墩监测站水位回升0.5m,已达到规划要求;收成沙渠口监测站水位下降0.7m,尚未满足规划要求。对此,当地管理部门应合理规划水资源配比,以达到区内水位持续回升的要求。
齐慧[9]（2020）在《基于KNN-LSTM模型的常武地区地下水位时空预测方法研究》文中研究指明地下水作为我国大多地区的重要供水水源,随着近些年来我国社会经济的蓬勃发展,地下水的过度开采诱发了水资源大幅衰减、地面沉降和地裂缝等一系列环境地质问题。地下水动态揭示了含水层中水位、水量与水质等要素随时间变化状态,能够反映地下水资源的开发利用情况。地下水位动态监测数据是典型的非线性非平稳的地理时空数据,预测地下水位动态变化趋势是实现水资源优化配置的重要依据,而现有的大多地下水位预测模型在考虑时间、空间因素及其时空相关性方面存在不足。因此,构建一种顾及时空因素的地下水位时空预测模型,提高地下水位动态变化的预测精度,更加合理化、科学化地开发利用地下水资源,对地下水资源利用的可持续发展具有重要的理论与现实意义。本文在充分考虑地下水位数据时空相关性的基础上,提出了一种顾及时空因素的地下水位时空预测模型,实现对研究区地下水位动态的预测。主要研究内容与结论如下:（1）分析并揭示了地下水位监测值的时空特征。基于时空序列分析和地统计学方法,结合常武地区第Ⅱ承压水水位监测数据,从数据的离散性、时空相关性和异质性出发,探究确定了地下水位监测值的非线性、非平稳性和高时空相关特性,为地下水位时空预测混合模型的选择和构建提供数据特征依据。（2）构建顾及时空因素的地下水位时空预测混合模型。基于地下水位监测数据的时空特征和深度学习算法的特点,采用小波变换法去除原始数据中的噪声,最近邻算法（K-Nearest Neighbor,KNN）对研究区监测井进行空间相关性筛选,重构时空数据集和长短期记忆网络（Long Short-Term Memory,LSTM）算法,构建顾及时空因素的地下水位时空预测模型KNN-LSTM。（3）基于KNN-LSTM模型的地下水位时空变化的预测及验证。采用KNNLSTM模型对常武地区第Ⅱ承压含水层进行地下水位时空预测,实现地下水位数据的时空表达,揭示地下水位动态变化趋势;采用交叉验证该模型的可靠性和准确性,与LSTM、支持向量回归机、差分整合移动平均自回归模型进行比较,其预测精度平均分别提高了20.68%、46.54%和55.34%,证明了顾及时空因素的KNN-LSTM模型的预测精度更高。
杨阿敏[10]（2020）在《西咸新区地下水位动态分析及预测研究》文中研究指明西咸新区作为关中—天水经济带的核心区域,在未来的经济发展格局中占有重要地位。而地下水作为新区的主要供水水源,近年来由于不合理的开采导致了一系列环境地质问题,严重影响城市的生态文明建设或是城市发展的可持续性。同时,随着城市化进程的改变,降水、径流、蒸发等地下水的影响因子也呈现出新的变化特征,地下水对其的响应情况也随之发生变化。因此,本文以西咸新区地下水埋深为重点,研究了气候变化和人类活动影响下的地下水位动态特征并对未来趋势进行预测,可为西咸新区今后的地下水资源开发利用、管理与保护措施提供一定的科学依据。本文主要研究成果如下:（1）分析了研究区地下水埋深的时间上的变化特征,根据年内变化特征可将研究区地下水动态类型分为两类,一种是年内平稳型,年内变幅无明显波动,另一种是年内波动型,受季节影响较为明显;根据年际变化特征结果表明:1990—2016年西咸新区地下水埋深整体上呈增大趋势,1990—2002年,水位下降明显,速率为0.68m/a,2003—2016年水位下降速率变缓,速率为0.27m/a;采用M-K突变检验对研究区地下水埋深进行突变分析,结果表明泾河摆渡村、沣东太平庄、火烧寨地下水埋深的突变年份分别为1995、2004、2003年,突变主要受人为因素影响。（2）绘制了西咸新区规划初期2010和2016年地下水埋深等值线图,结果表明西咸新区地下水埋深空间分布情况基本和地势高程的变化情况一致,北部黄土台塬区地下水埋深大,等值线较密;南部以及东北部河流阶地区,地下水埋深小,等值线较疏,2016年与2010年相比,渭河南部河流阶地区等值线变化平缓,地下水埋深减小,水位有明显上升,北部黄土台塬区等值线较密,埋深增大,水位下降明显。（3）采用相关分析法分析了降水、径流、蒸发和开采对地下水的影响,结果表明各因子对地下水埋深都有不同程度的影响,降水对地下水的补给作用存在1～2个月的滞后期,降水和开采量比值每增加0.01个单位,平均水位埋深会减小0.2m;径流和水位埋深在1990—2002年、2003—2016年的两个时段的相关系数分别为0.88、037,说明径流对地下水的影响正在逐渐减弱,蒸发对地下水埋深影响较弱,相关系数为0.33,开采对地下水埋深有明显的影响,相关系数为0.77,同时地下水开采量每增加1000万m3,西咸新区平均地下水位会下降0.5m。（4）采用主成分分析法和灰色关联度法对研究区地下水埋深的变化的主导因素进行确定,结果表明2001—2016年开采和降水是研究区地下水埋深动态的主导因素,关联度系数分别0.86、0.82。（5）对西咸新区的年均地下水埋深,分别建立了灰色模型GM（1,1）、多变量时间序列CAR模型以及灰色-BP神经网络组合模型,结果表明灰色-BP神经网络组合模型预测效果最为理想,并采用该模型对研究区开展了不同开采情景下的埋深预测,结果表明在现状开采条件以及在2020年地下水开采量的控制指标下,地下水位会呈现的明显的增大趋势,速率分别为0.24m/a、0.51m/a,开采量在现状年的基础上减少10%,可近似维持地下水位的动态平衡,说明开采量的减少可以使地下水位得到良好恢复。
二、Groundwater Level Predictions Using Artificial Neural Networks（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Groundwater Level Predictions Using Artificial Neural Networks（论文提纲范文）
（1）万州区滑坡灾害位移与库水位及降雨响应关系研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的来源、目的和意义 |
| 1.2 选题的国内外研究现状 |
| 1.2.1 滑坡降雨阈值研究现状 |
| 1.2.2 滑坡变形演化关联规则研究现状 |
| 1.2.3 滑坡位移预测研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 创新点 |
| 第二章 万州区滑坡灾害孕灾环境及分布规律分析 |
| 2.1 万州区自然地理条件 |
| 2.1.1 地理位置与交通 |
| 2.1.2 气象水文 |
| 2.2 万州区地质环境概况 |
| 2.2.1 地形地貌 |
| 2.2.2 地层岩性 |
| 2.2.3 地质构造 |
| 2.2.4 新构造运动与地震 |
| 2.3 万州区滑坡灾害分布规律 |
| 2.3.1 滑坡灾害分布统计标准 |
| 2.3.2 滑坡灾害时空分布规律 |
| 2.3.3 滑坡灾害特征分布规律 |
| 2.3.4 滑坡灾害危害分布规律 |
| 2.4 本章小结 |
| 第三章 万州区滑坡灾害监测与成果分析 |
| 3.1 引言 |
| 3.2 万州区滑坡灾害监测概况 |
| 3.2.1 滑坡灾害监测概况 |
| 3.2.2 监测布置 |
| 3.3 万州区滑坡灾害监测系统 |
| 3.3.1 滑坡全自动裂缝监测系统 |
| 3.3.2 滑坡全自动地表位移监测系统 |
| 3.3.3 滑坡深部位移监测系统 |
| 3.3.4 地下水位监测系统 |
| 3.3.5 全自动雨量计网络数据传输系统 |
| 3.3.6 其它监测手段及多源数据获取 |
| 3.3.7 万州区典型滑坡灾害监测系统实例 |
| 3.4 万州区滑坡灾害监测数据分析 |
| 3.4.1 万州段三峡水库运行特征时段划分 |
| 3.4.2 典型滑坡灾害地下水位监测数据 |
| 3.4.3 典型滑坡灾害地表位移监测数据 |
| 3.5 万州区滑坡灾害累积位移-时间曲线形态特征 |
| 3.6 本章小结 |
| 第四章 万州区滑坡灾害降雨阈值研究 |
| 4.1 引言 |
| 4.2 万州区滑坡灾害降雨量模型研究 |
| 4.2.1 有效降雨量模型介绍 |
| 4.2.2 有效降雨量模型确定 |
| 4.3 2 日有效降雨量与单日降雨阈值研究 |
| 4.3.1 滑坡位移速率概述 |
| 4.3.2 单日降雨阈值确定 |
| 4.3.3 前期2 日有效降雨阈值确定 |
| 4.4 本章小结 |
| 第五章 万州区典型滑坡灾害变形演化关联规则与诱滑因素阈值研究 |
| 5.1 引言 |
| 5.2 四方碑滑坡 |
| 5.2.1 滑坡基本特征 |
| 5.2.2 滑坡变形特征 |
| 5.2.3 滑坡监测数据分析 |
| 5.3 数据挖掘方法 |
| 5.3.1 K-means聚类法 |
| 5.3.2 两步聚类算法 |
| 5.3.3 Apriori算法 |
| 5.3.4 决策树-C5.0 算法 |
| 5.4 四方碑滑坡变形演化关联规则 |
| 5.4.1 滑坡变形演化关联规则 |
| 5.4.2 滑坡诱滑因素阈值分析 |
| 5.5 本章小结 |
| 第六章 万州区典型滑坡灾害位移预测研究 |
| 6.1 引言 |
| 6.2 方法与案例介绍 |
| 6.2.1 预测方法 |
| 6.2.2 研究案例 |
| 6.3 数据处理 |
| 6.3.1 监测点选择及数据处理 |
| 6.3.2 因子筛选 |
| 6.3.3 数据归一化与逆归一化 |
| 6.3.4 LSTM和 SVR模型超参数 |
| 6.4 结果分析 |
| 6.4.1 LSTM模型与SVR模型 |
| 6.4.2 集成模型 |
| 6.5 模型泛化能力检验 |
| 6.5.1 生基包滑坡 |
| 6.5.2 预测流程 |
| 6.5.3 结果分析 |
| 6.6 本章小结 |
| 6.6.1 模型预测结果讨论 |
| 6.6.2 本章结论 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
（2）基于人工神经网络模型的丽江黑龙潭泉群断流分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水系统研究现状 |
| 1.2.2 人工神经网络模型研究现状 |
| 1.2.3 丽江黑龙潭泉群研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区地质背景 |
| 2.1 自然地理概况 |
| 2.1.1 研究区位置及交通 |
| 2.1.2 地形地貌 |
| 2.1.3 气象、水文 |
| 2.2 区域地质条件 |
| 2.2.1 地层岩性 |
| 2.2.2 地质构造 |
| 第三章 泉域水文地质特征 |
| 3.1 水文地质条件 |
| 3.1.1 地下水类型及含水岩组划分 |
| 3.2 地下水补径排特征 |
| 3.2.1 补给特征 |
| 3.2.2 径流特征 |
| 3.2.3 排泄特征 |
| 3.2.4 泉域地下水系统分析 |
| 第四章 黑龙潭泉群动态分析 |
| 4.1 人工神经网络概述 |
| 4.1.1 人工神经网络分类 |
| 4.1.2 人工神经网络的原理 |
| 4.2 神经网络的特点及应用 |
| 4.3 黑龙潭主系统排泄特征和地下水动态 |
| 4.3.1 主系统排泄特征 |
| 4.3.2 地下水动态特征 |
| 4.4 黑龙潭补给量与流出量的计算 |
| 4.5 计算参数数据处理 |
| 4.5.1 统计学的间接推论 |
| 4.5.2 主要影响因素的确定 |
| 4.5.3 使用最小二乘法分析黑龙潭流量与井水位相关性 |
| 4.5.4 最佳拟合条件 |
| 4.5.5 直线的最小二乘拟合 |
| 4.5.6 线性回归误差的量化 |
| 4.6 三次指数平滑预测黑龙潭井水位 |
| 4.6.1 三次指数平滑过程介绍 |
| 4.6.2 三次指数平滑法预测黑龙潭井水位 |
| 第五章 黑龙潭断流分析 |
| 5.1 黑龙潭泉群断流初步分析 |
| 5.2 人工神经网络分析黑龙潭泉群流量 |
| 5.2.1 BP神经网络介绍 |
| 5.2.2 黑龙潭流量分析 |
| 5.2.3 使用MATLAB神经网络拟合工具箱预测流量 |
| 5.2.4 使用神经网络模式识别工具箱进行断流预测 |
| 5.3 黑龙潭断流过程和主要原因 |
| 5.4 黑龙潭断流补水量计算 |
| 5.5 黑龙潭保泉供水建议 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间发表的论文 |
| 附录B MATLAB最小二乘法主程序 |
| 附录C MATLAB三次指数平滑法主程序 |
| 附录D BP神经网络主程序 |
（3）淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究进展 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 1.4 技术路线图 |
| 第2章 研究区概况及实验资料选取 |
| 2.1 地理位置 |
| 2.2 气候特点 |
| 2.3 作物种植 |
| 2.4 土壤类型与分布 |
| 2.5 实验资料选取 |
| 2.5.1 土壤水分测定 |
| 2.5.2 气象场各个气象资料 |
| 2.6 本章小结 |
| 第3章 土壤水分和地下水与气象因子关系研究 |
| 3.1 土壤水分与地下水埋深变化过程线 |
| 3.2 土壤水分与地下水埋深的相关分析 |
| 3.3 土壤水分与地下水埋深的非线性拟合分析 |
| 3.3.1 非线性拟合函数 |
| 3.3.2 函数拟合结果分析 |
| 3.3.2.1 夏玉米生育期土壤水分与地下水埋深曲线拟合 |
| 3.3.2.2 冬小麦生育期土壤水分与地下水埋深曲线拟合 |
| 3.4 土壤水分对降雨量的动态响应 |
| 3.4.1 夏玉米生育期间土壤水分对降雨量动态变化 |
| 3.4.2 冬小麦生育期间土壤水分动态变化 |
| 3.4.3 作物轮作期间土壤水分动态变化 |
| 3.5 土壤水分与各个气象因子的相关分析 |
| 3.6 土壤水与气象因子的线性模型构建与检验 |
| 3.7 本章小结 |
| 第4章 基于BP神经网络模型的土壤水分预测研究 |
| 4.1 BP神经网络简介 |
| 4.2 BP神经网络的计算过程函数 |
| 4.2.1 正向传播 |
| 4.2.2 反向传播 |
| 4.3 BP神经网络模型设置 |
| 4.3.1 输入层、隐含层和输出层的设计 |
| 4.3.2 数据的选择和归一化 |
| 4.3.3 BP神经网络的构建 |
| 4.3.4 BP神经网络的训练 |
| 4.3.5 BP神经网络的预测 |
| 4.4 土壤水分预测模型的建立与检验 |
| 4.4.1 输入、输出因子以及隐含层节点数的确定 |
| 4.4.2 BP神经网络构建和训练参数的确定 |
| 4.4.3 不同土层的BP神经网络模型的确定 |
| 4.4.4 土壤水分预测模型的检验 |
| 4.5 本章小结 |
| 第5章 基于遗传算法优化的BP神经网络土壤水分预测研究 |
| 5.1 遗传算法原理 |
| 5.1.1 遗传算法的实现 |
| 5.2 遗传算法优化BP神经网络 |
| 5.3 GABP神经网络模型建立 |
| 5.3.1 数据选取 |
| 5.3.2 GABP神经网络预测模型结构确定 |
| 5.3.3 GABP神经网络构建和训练参数的确定 |
| 5.4 GABP神经网络土壤水分预测模型的检验 |
| 5.5 灌水定额计算公式 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文和参加科研情况 |
| 致谢 |
| 作者简介 |
（4）基于SBAS-InSAR城市地表沉降的预测建模及原因分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 InSAR研究现状 |
| 1.2.2 时序InSAR研究现状 |
| 1.2.2.1 PS-InSAR国内外研究现状 |
| 1.2.2.2 SBAS-InSAR国内外研究现状 |
| 1.2.3 地面沉降预测模型研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本章小结 |
| 第2章 InSAR地表形变监测基本原理 |
| 2.1 SAR成像基本原理 |
| 2.2 InSAR/D-InSAR原理 |
| 2.2.1 InSAR原理 |
| 2.2.2 D-InSAR原理 |
| 2.2.2.1 基本原理 |
| 2.2.2.2 D-InSAR关键步骤 |
| 2.3 时序InSAR基本原理 |
| 2.3.1 PS-InSAR原理 |
| 2.3.2 SBAS-InSAR原理 |
| 2.3.2.1 基本原理 |
| 2.3.2.2 主要处理步骤 |
| 2.3.2.3 SBAS-InSAR关键技术和方法 |
| 2.4 本章小结 |
| 第3章 预测模型基本原理 |
| 3.1 灰色预测模型 |
| 3.2 神经网络预测模型 |
| 3.3 灰色神经网络预测模型 |
| 3.4 本章小结 |
| 第4章 基于COSMO-SkyMed数据的沉降监测及预测实验 |
| 4.1 COSMO-SkyMed数据的沉降监测 |
| 4.1.1 数据介绍 |
| 4.1.2 SBAS-InSAR沉降监测 |
| 4.1.3 SBAS-InSAR结果统计 |
| 4.1.4 SBAS-InSAR结果与水准数据对比 |
| 4.2 点位沉降预测模型 |
| 4.2.1 预测模型程序 |
| 4.2.2 结果统计及精度分析 |
| 4.3 本章小结 |
| 第5章 沉降原因分析 |
| 5.1 地理地质构造 |
| 5.2 地面荷载 |
| 5.3 气象水文 |
| 5.4 人口流动 |
| 5.5 地下水开采 |
| 5.6 本章小结 |
| 总结与展望 |
| 文章总结 |
| 不足与展望 |
| 参考文献 |
| 致谢 |
（5）地铁车站施工环境影响风险非线性智能控制方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 主要研究内容 |
| 1.3 研究方法 |
| 1.4 拟解决的关键技术问题 |
| 1.5 拟达到的目标 |
| 1.6 技术路线图 |
| 第二章 国内外研究现状 |
| 2.1 人工神经网络国内外研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.2 人工智能国内外研究现状 |
| 2.2.1 国外研究现状 |
| 2.2.2 国内研究现状 |
| 2.3 地铁施工环境影响风险管理国内外研究现状 |
| 2.3.1 国外研究现状 |
| 2.3.2 国内研究现状 |
| 2.4 国内外研究现状评述 |
| 第三章 构建地铁车站施工环境影响风险智能识别与控制模型 |
| 3.1 地铁车站施工环境影响内容与特点 |
| 3.1.1 地铁车站施工环境影响基本内容 |
| 3.1.2 地铁车站施工环境影响特点 |
| 3.2 地铁车站施工环境影响识别、预测和控制模型构建思路 |
| 3.3 建立基于大数据的地铁车站施工环境影响历史海量数据库 |
| 3.4 地铁车站施工环境影响因素分析 |
| 3.4.1 地铁车站施工环境影响因变量因素分析 |
| 3.4.2 地铁车站施工环境影响自变量因素与特征分析 |
| 3.5 地铁车站施工环境影响风险识别与预测相关内容 |
| 3.5.1 建立地铁车站施工环境影响案例资料数据库 |
| 3.5.2 自变量因素RS约简分析 |
| 3.5.3 PSO聚类分析筛选相似案例 |
| 3.5.4 BP神经网络模型识别和预测地铁施工环境影响风险 |
| 3.6 建立地铁车站工程环境影响风险控制计划模型 |
| 3.6.1 制定地铁车站施工环境影响控制目标 |
| 3.6.2 利用海恩法则分析各种环境影响风险可能产生的征兆和苗头 |
| 3.6.3 建立地铁车站工程环境影响问题原因对策库 |
| 3.6.4 建立环境影响预警分级体系与响应机制 |
| 3.6.5 构建预警响应对策库 |
| 3.7 地铁车站施工环境影响动态优化控制模型 |
| 3.7.1 施工环境影响动态优化控制 |
| 3.7.2 动态更新环境影响目标及对策库 |
| 3.8 建立环境影响风险智能识别与控制计算机软件系统 |
| 第四章 模型应用 |
| 4.1 北京地铁S站工程简介 |
| 4.1.1 工程概况 |
| 4.1.2 工程重难点分析 |
| 4.2 北京地铁S站环境影响风险识别与预测 |
| 4.2.1 北京地铁S站施工环境影响风险识别 |
| 4.2.2 环境影响风险征兆和苗头分析 |
| 4.2.3 工程属性约简 |
| 4.2.4 北京地铁S站相似工程案例筛选 |
| 4.2.5 BP神经网络预测地铁车站施工环境影响风险 |
| 4.3 北京地铁S站施工环境影响动态优化控制 |
| 4.3.1 北京地铁S站施工环境影响控制目标 |
| 4.3.2 确定控制周期 |
| 4.3.3 建立统计分析报表 |
| 4.3.4 PDCA动态循环控制 |
| 4.3.5 控制效果分析 |
| 4.4 本章小结 |
| 第五章 地铁车站施工环境影响控制计算机辅助管理系统 |
| 5.1 软件介绍 |
| 5.1.1 系统开发技术简介 |
| 5.1.2 系统架构设计 |
| 5.2 功能实现 |
| 5.2.1 用户信息管理 |
| 5.2.2 风险管理 |
| 5.2.3 基本数据库管理 |
| 5.2.4 风险预警管理 |
| 5.3 环境影响风险智能识别和预测计算机辅助软件 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（6）基于数据学习的岩溶隧道突涌水风险评估及预警研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容、方法及技术路线 |
| 2 岩溶隧道突涌水风险等级划分及致灾因素分析 |
| 2.1 岩溶隧道突涌水案例统计及后果分类 |
| 2.2 岩溶隧道突涌水风险分级标准 |
| 2.3 岩溶隧道突涌水影响因素分析 |
| 2.4 本章小结 |
| 3 基于可靠度理论和神经网络的突水风险评估模型研究 |
| 3.1 岩溶隧道突涌水概率计算模型 |
| 3.2 岩溶隧道突涌水灾害后果预测模型 |
| 3.3 模型应用及预测结果分析 |
| 3.4 本章小结 |
| 4 基于贝叶斯网络的突水风险评估模型研究 |
| 4.1 贝叶斯网络基本原理 |
| 4.2 贝叶斯网络模型的构建 |
| 4.3 贝叶斯网络模型的数据学习与验证 |
| 4.4 本章小结 |
| 5 岩溶隧道突涌水风险评估预警程序 |
| 5.1 岩溶隧道突水灾害风险预警程序设计 |
| 5.2 岩溶隧道突水灾害防治措施总结 |
| 5.3 岩溶隧道突水灾害风险预警程序应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论与创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于机器学习的滑坡位移区间预测与稳定性分析（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题来源、目的及意义 |
| 1.1.1 选题来源 |
| 1.1.2 选题目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滑坡变形预测 |
| 1.2.2 库岸滑坡地下水渗流分析 |
| 1.2.3 滑坡参数反演 |
| 1.2.4 边坡滑面搜索 |
| 1.3 存在的问题及发展趋势 |
| 1.4 主要研究内容、技术路线和创新点 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 创新点 |
| 第二章 基于BOOTSTRAP与 LSSVM的滑坡位移区间预测 |
| 2.1 方法原理 |
| 2.1.1 预测区间公式 |
| 2.1.2 最小二乘支持向量机 |
| 2.1.3 Bootstrap算法 |
| 2.1.4 预测区间构建步骤 |
| 2.1.5 评价指标 |
| 2.2 实例分析 |
| 2.2.1 工程地质条件 |
| 2.2.2 变形特征 |
| 2.2.3 诱发因素分析 |
| 2.2.4 区间预测过程 |
| 2.2.5 预测结果与对比分析 |
| 2.3 本章小节 |
| 第三章 基于DS-LSSVM的滑坡位移直接区间预测 |
| 3.1 方法原理 |
| 3.1.1 差分搜索算法 |
| 3.1.2 LUBE方法 |
| 3.1.3 算法流程 |
| 3.2 实例分析 |
| 3.2.1 工程地质条件 |
| 3.2.2 变形特征 |
| 3.2.3 诱发因素分析 |
| 3.3 预测结果与对比分析 |
| 3.3.1 预测过程 |
| 3.3.2 结果分析 |
| 3.3.3 对比分析 |
| 3.4 讨论 |
| 3.5 本章小节 |
| 第四章 基于DES与 ELM的滑坡位移区间预测 |
| 4.1 方法原理 |
| 4.1.1 位移时间序列分解 |
| 4.1.2 最大互信息系数 |
| 4.1.3 双指数平滑法 |
| 4.1.4 极限学习机 |
| 4.1.5 粒子群优化算法 |
| 4.1.6 算法步骤 |
| 4.2 实例分析 |
| 4.2.1 树坪滑坡简介 |
| 4.2.2 训练过程 |
| 4.2.3 计算结果和对比分析 |
| 4.2.4 方法应用 |
| 4.3 本章小节 |
| 第五章 库岸堆积层滑坡水力参数全局敏感性分析 |
| 5.1 方法原理 |
| 5.1.1 边坡渗流分析有限元框架 |
| 5.1.2 PAWN方法 |
| 5.1.3 有限元模型的非侵入计算 |
| 5.1.4 GSA步骤 |
| 5.2 实例分析 |
| 5.2.1 有限元模型 |
| 5.2.2 输入变量范围确定 |
| 5.2.3 水库蓄水 |
| 5.2.4 水位下降 |
| 5.3 基于PSO-KELM响应面模型的GSA |
| 5.3.1 计算步骤 |
| 5.3.2 计算结果 |
| 5.4 ks范围对SI的影响 |
| 5.5 讨论 |
| 5.6 本章小节 |
| 第六章 基于聚类和ALPHA-SHAPES算法的滑坡滑面自动分割 |
| 6.1 方法原理 |
| 6.1.1 k均值聚类算法 |
| 6.1.2 Alpha-Shapes算法 |
| 6.1.3 所提算法实现步骤 |
| 6.2 方法验证 |
| 6.2.1 均质边坡 |
| 6.2.2 含软弱夹层边坡 |
| 6.3 实例分析 |
| 6.4 本章小节 |
| 第七章 考虑滑面不确定性的抗剪强度概率反演 |
| 7.1 方法原理 |
| 7.1.1 基于贝叶斯更新的参数概率反演 |
| 7.1.2 预测模型函数 |
| 7.1.3 概率反分析步骤 |
| 7.2 方法验证 |
| 7.2.1 边坡条件 |
| 7.2.2 工况设置 |
| 7.2.3 计算过程 |
| 7.2.4 计算结果 |
| 7.3 先验分布的影响 |
| 7.3.1 固定滑面 |
| 7.3.2 考虑滑面不确定性 |
| 7.4 实例分析 |
| 7.4.1 滑体渗透系数反演 |
| 7.4.2 滑带抗剪强度参数概率反演 |
| 7.5 讨论 |
| 7.6 本章小节 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
（8）国家级地下水位监测数据分析研究 ——以民勤盆地为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国家地下水监测工程研究现状 |
| 1.2.2 地下水开采量估算研究现状 |
| 1.2.3 地下水位动态预报研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 地下水位监测数据分析理论 |
| 2.1 地下水位数据整合 |
| 2.1.1 水位数据接续 |
| 2.1.2 时序数据插补 |
| 2.2 储变量计算 |
| 2.2.1 水位变幅法 |
| 2.2.2 网格化方法 |
| 2.2.3 补排量法 |
| 2.3 开采量估算 |
| 2.3.1 区域水均衡法 |
| 2.3.2 数值模拟迭代法 |
| 2.4 地下水位动态预报 |
| 2.4.1 方法介绍 |
| 2.4.2 方法对比 |
| 2.4.3 误差分析 |
| 2.5 本章小结 |
| 第3章 民勤盆地水文地质概况 |
| 3.1 自然地理概况 |
| 3.1.1 地理位置 |
| 3.1.2 地形地貌 |
| 3.1.3 气象与水文 |
| 3.2 社会经济概况 |
| 3.3 区域水文地质条件 |
| 3.3.1 地质构造 |
| 3.3.2 含水层分布 |
| 3.3.3 地下水补径排特征 |
| 3.3.4 地下水动态特征 |
| 3.4 水资源开发利用现状 |
| 3.5 地下水生态环境问题 |
| 3.6 本章小结 |
| 第4章 研究区储变量及开采量估算 |
| 4.1 研究区国家地下水监测站布设情况 |
| 4.2 民勤盆地水位数据整合 |
| 4.2.1 数据存在问题 |
| 4.2.2 水位数据整合 |
| 4.3 储变量估算 |
| 4.3.1 水位变幅分析 |
| 4.3.2 储变量估算 |
| 4.4 开采量估算 |
| 4.5 本章小结 |
| 第5章 研究区地下水位动态预报 |
| 5.1 典型监测站的选择 |
| 5.2 多元线性回归模型 |
| 5.2.1 模型构建 |
| 5.2.2 模型验证 |
| 5.3 时间序列分析模型 |
| 5.3.1 模型构建 |
| 5.3.2 参数识别 |
| 5.3.3 模型验证 |
| 5.4 BP神经网络模型 |
| 5.4.1 因子的确定及模型构建 |
| 5.4.2 模型训练结果及检验 |
| 5.5 模型对比分析 |
| 5.5.1 精度对比 |
| 5.5.2 误差分析 |
| 5.6 水位预测分析 |
| 5.7 地下水管理建议 |
| 5.8 本章小结 |
| 第6章 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）基于KNN-LSTM模型的常武地区地下水位时空预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水动态模拟方法研究 |
| 1.2.2 地下水位时空预测方法研究 |
| 1.2.3 存在的不足 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 1.5 论文组织 |
| 第2章 地下水位监测值特征分析 |
| 2.1 研究区概况 |
| 2.1.1 自然地理特征 |
| 2.1.2 地下水位监测现状 |
| 2.1.3 地下水赋存环境概况 |
| 2.2 地下水位数据特征分析 |
| 2.2.1 离群值分析 |
| 2.2.2 时空自相关性分析 |
| 2.2.3 时空异质性分析 |
| 2.3 数据特征对时空建模的影响 |
| 2.4 本章小结 |
| 第3章 地下水位时空序列建模理论与方法 |
| 3.1 小波分析 |
| 3.1.1 小波变换分析 |
| 3.1.2 小波降噪 |
| 3.2 K最近邻算法 |
| 3.3 循环神经网络 |
| 3.4 长短期记忆神经网络 |
| 3.4.1 LSTM的网络结构 |
| 3.4.2 LSTM的网络训练 |
| 3.5 本章小结 |
| 第4章 KNN-LSTM地下水位时空预测模型构建 |
| 4.1 模型分析 |
| 4.2 模型预测流程 |
| 4.3 KNN-LSTM模型建立 |
| 4.3.1 小波阈值降噪法 |
| 4.3.2 基于距离加权的KNN-LSTM算法 |
| 4.4 模型预测精度评价方法及指标 |
| 4.4.1 评价方法 |
| 4.4.2 评价指标 |
| 4.5 本章小结 |
| 第5章 地下水位动态变化时空预测实现 |
| 5.1 数据说明 |
| 5.2 实验环境与参数设置 |
| 5.3 研究区KNN-LSTM混合预测模型建立 |
| 5.3.1 数据降噪处理 |
| 5.3.2 基于距离加权的KNN-LSTM空间相关性筛选及预测 |
| 5.4 模型对比分析 |
| 5.4.1 对比模型实验设计 |
| 5.4.2 实验结果分析 |
| 5.5 研究区地下水位预测结果及其时空表达 |
| 5.5.1 地下水位预测结果 |
| 5.5.2 地下水位数据时空表达 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在读期间的研究成果 |
| 致谢 |
（10）西咸新区地下水位动态分析及预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景以及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水位动态及影响因素的研究现状 |
| 1.2.2 地下水位模拟预测的研究现状 |
| 1.2.3 西安、咸阳地下水动态的研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.2 水文气象 |
| 2.2.1 气候 |
| 2.2.2 降水 |
| 2.2.3 蒸发 |
| 2.2.4 河流水系 |
| 2.3 水文地质条件 |
| 2.3.1 含水岩组 |
| 2.3.2 地下水补径排条件 |
| 2.3.3 地下水化学特征 |
| 2.4 水资源开发利用情况及问题 |
| 2.4.1 水资源利用情况 |
| 2.4.2 地下水开发利用中存在的问题 |
| 第三章 地下水埋深时空变化特征 |
| 3.1 地下水埋深时间变化特征 |
| 3.1.1 数据选取和研究方法 |
| 3.1.2 年内变化特征 |
| 3.1.3 年际变化特征 |
| 3.2 地下水埋深空间分布特征 |
| 3.2.1 数据和研究方法 |
| 3.2.2 空间分布特征 |
| 3.3 本章小结 |
| 第四章 地下水动态影响因素分析 |
| 4.1 地下水影响因子的变化特征 |
| 4.1.1 降水量的变化特征 |
| 4.1.2 径流量的变化特征 |
| 4.1.3 蒸发量的变化特征 |
| 4.1.4 开采量的变化特征 |
| 4.2 地下水埋深与影响因子的相关性分析 |
| 4.2.1 降水对地下水位的影响 |
| 4.2.2 径流对地下水位的影响 |
| 4.2.3 蒸发对地下水位的影响 |
| 4.2.4 开采对地下水位的影响 |
| 4.3 主导因素的确定 |
| 4.3.1 主成分分析法 |
| 4.3.2 灰色关联度法 |
| 4.4 本章小结 |
| 第五章 地下水的模拟与预测 |
| 5.1 研究方法简介 |
| 5.1.1 灰色模型GM(1,1) |
| 5.1.2 多变量时间序列CAR模型 |
| 5.1.3 灰色-BP神经网络模型 |
| 5.2 数据处理及建模 |
| 5.2.1 灰色模型GM(1,1)的建立 |
| 5.2.2 多变量时间序列CAR模型建立 |
| 5.2.3 灰色-BP神经网络模型的建立 |
| 5.3 模型结果及比较 |
| 5.4 模型应用 |
| 5.5 本章小结 |
| 结论和展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 攻读学位期间发表的论文及参加的科研项目 |
| 致谢 |
四、Groundwater Level Predictions Using Artificial Neural Networks（论文参考文献）
- [1]万州区滑坡灾害位移与库水位及降雨响应关系研究[D]. 蒋宏伟. 中国地质大学, 2021(02)
- [2]基于人工神经网络模型的丽江黑龙潭泉群断流分析[D]. 李恒丽. 昆明理工大学, 2021(01)
- [3]淮北地区夏玉米—冬小麦轮作期间土壤水分模拟分析[D]. 王丽丽. 河北工程大学, 2020(04)
- [4]基于SBAS-InSAR城市地表沉降的预测建模及原因分析[D]. 张天. 北京建筑大学, 2020(08)
- [5]地铁车站施工环境影响风险非线性智能控制方法研究[D]. 贾紫涵. 石家庄铁道大学, 2020(04)
- [6]基于数据学习的岩溶隧道突涌水风险评估及预警研究[D]. 李朝阳. 中国矿业大学, 2020(01)
- [7]基于机器学习的滑坡位移区间预测与稳定性分析[D]. 王艳昆. 中国地质大学, 2020
- [8]国家级地下水位监测数据分析研究 ——以民勤盆地为例[D]. 张庆卜. 中国地质大学(北京), 2020(09)
- [9]基于KNN-LSTM模型的常武地区地下水位时空预测方法研究[D]. 齐慧. 南京师范大学, 2020(03)
- [10]西咸新区地下水位动态分析及预测研究[D]. 杨阿敏. 长安大学, 2020(08)