基于灰关联投影法的岩爆烈度分级预测研究

岩爆是高应力区开挖过程中常见的地质灾害，具有突发性和极强的破坏性，因此岩爆烈度分级预测一直是岩爆课题研究的重点。基于灰关联投影法的基本理论，综合分析影响岩爆发生的主要因素以及现有的岩爆评价指标体系，选取最大切应力与单轴抗压强度比值σθ/σc、岩石脆性系数σc/σt(单轴抗压强度与单轴抗拉强度比值)、围岩弹性储能系数Wet及岩石完整性系数Kv 4个指标，采用熵权理论确定指标权重，并运用灰关联投影法进行灰关联投影值计算和分级，从而预测出岩爆烈度等级。利用国内外多组典型工程实例对方法的可行性及适用性进行验证，将所得结果与熵权－正态云模型、RS－TOPSIS模型及实际情况进行对比。研究结果表明： 灰关联投影法用于岩爆烈度分级预测具有较高的准确性，且原理简单，运用方便，具有一定的工程应用前景。     

基于人工神经网络的岩爆烈度预测研究

岩爆是高地应力岩石地下工程中的一种常见灾害,岩爆预测是岩爆研究中的重要研究课题。本文选取围岩最大切向应力与岩石抗压强度的比值σθ σc、岩石抗压和抗拉强度的比值σc σt和岩石弹性能量指数Wet作为评判指标,采用人工神经网络理论,根据给定的岩爆烈度分级标准构造学习样本集,建立了一种新的岩爆烈度预测模型。工程实例表明,所建议的模型预测精度高、通用性强,在岩爆烈度预测中具有良好的应用前景。     

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。     

基于洞壁实测信息的FA-PP岩爆预测模型应用研究

为了给岩爆隧道提供更加符合现场实际规律的岩爆预测结果，针对岩爆预测评价中应力判据界限值的多样性以及单一判据预测结果准确性低的特点，提出采用投影寻踪（PP）与萤火虫算法相结合的方法进行岩爆预测评价，解决了岩爆预测中采用多种应力判据时多项指标的模糊性和不兼容性等问题。此方法根据岩爆等级划分标准，构建了以实测数据、现场岩爆信息为基础的能够根据各项指标判定岩爆等级的投影指标函数，选取σ_θ/R_c，σ_t，σ₁三个岩爆评价中常用的指标，并采用萤火虫算法（FA）优化投影指标函数，寻求投影指标函数的最佳投影方向并求得最佳投影值，保证了此方法的精确性。研究结果表明：采用萤火虫投影寻踪算法（FA-PP）进行岩爆等级预测可避免传统预测方法中由于主观原因造成的误差，判定精度高，也免去了利用多项判定指标与现场实际情况进行对比而选择一个相对接近实际情况判据的繁杂过程；此方法可利用目标隧道的已知岩爆发生信息掌握其岩爆发生特点及对3个评价指标的敏感度，构建出符合目标隧道岩爆发生规律的FA-PP岩爆预测模型；以拉林铁路桑珠岭隧道为研究对象，将此方法应用到岩爆预测中，得到的预测结果与现场实测结果较为符合，验证了该方法的可靠性。     

基于变形稳定时间统计的挤压性围岩隧道二次衬砌施作时机研究

为获取挤压性围岩隧道二次衬砌施作时间，使二次衬砌施作可操作性更强，以变形速率限值为基础，对412个挤压性围岩隧道断面变形量测数据进行拟合和统计分析，得出不同变形等级的变形稳定时间范围值和施工期分阶段二次衬砌施作时机预测方法。具体结论为： 1)提出了基于变形速率判据的变形稳定时间预测方法，通过最优指数函数曲线拟合，实现稳定阶段变形量u稳和最终稳定时间t′稳的预测； 2)通过统计分析，确定了不同变形等级、不同跨度条件下变形稳定时间t′稳范围值，用于设计阶段初步拟定二次衬砌施作时机； 3)提出了施工期二次衬砌施作时机分阶段预测方法，根据实测20、30、40 d和稳定时的相对变形，可实现分阶段预测最终变形稳定时间； 4)经实测变形数据检验，采用二次衬砌施作时机分阶段预测方法所得预测结果可被工程所接受； 5)以分阶段变形稳定时间t′稳为判别指标的挤压性围岩隧道二次衬砌施作时机预测方法，可操作性强，能避免以变形速率为判别指标时的操作困扰，可直接服务于工程实践。     

基于GRA-SSA-Elman的隧洞TBM掘进适应性评价

为准确评价隧洞施工TBM掘进适应性，保障TBM安全、高效施工，提出一种基于灰色关联分析（GRA）与麻雀搜索算法（SSA）优化Elman神经网络的TBM掘进适应性预测模型。首先，从地质条件、掘进参数、不良地质、施工组织4个方面综合考虑，初步选取13个主要影响因素，建立隧洞TBM掘进适应性评价指标体系； 然后，利用GRA分析指标与掘进适应性间的关联性，引入SSA优化Elman神经网络，提高模型性能，并采用留一交叉验证法验证模型的准确性及可靠性，使得模型最接近原始数据分布特征； 最后，结合北疆水利工程某标段中待测样本对模型预测效果进行验证，同时与Elman、PSO-Elman、BP神经网络模型预测结果及现场实际结果对比分析。结果表明： SSA-Elman模型预测结果与实际工程结果吻合度较高，该模型能够正确、有效地对TBM掘进适应性进行预测评价，且具有合理性和可操作性，可为隧洞TBM适应性评价提供一种新方法。     

基于XGBoost算法的危险场景驾驶行为模式分析及安全评估

危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度，提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树（XGBoost）算法的危险感知水平判别模型。通过设计3种常见交通冲突场景，采集模拟驾驶中驾驶人的多维度驾驶行为特征数据，并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现:驾驶人对行人的危险感知能力较弱，易发生碰撞事故；驾驶人在危险场景中的车速（p＝0.01）、制动反应位置（p < 0.01）以及反应时间（p < 0.01）与危险感知水平之间存在显著负相关关系。在相关性分析的基础上，利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量，并构建以制动反应位置、反应时间、车速、刹车深度，以及加速度为指标的驾驶人危险感知水平判别模型；通过与LightGBM、支持向量机（SVM），以及逻辑回归（LR）等算法分类预测性能的对比分析，评价危险感知模型的判别精度，结果表明:基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959，优于LightGBM（准确率为78.8%、F1值为76.7%、AUC值为0.924）、SVM（准确率为57.6%、F1值为42.2%、AUC值为0.859），以及LR算法（准确率为69.7%、F1值为65.5%、AUC值为0.836）。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。      

基于超前钻探及优化集成算法的隧道围岩双层质量评价

为解决隧道超前钻探地质预报在解译过程中存在的主观判断性强、定量数据利用率低、评判标准不统一等问题，通过引入机器学习中的极限梯度提升集成算法模型（extreme gradient boosting，XGBoost），结合钻探数据开展隧道围岩完整程度与围岩级别的双层质量评价研究。一方面，采取数据降噪、等距分割、二级指标计算等数据预处理手段对11 233条原始钻探采样数据进行规律发掘和质量提升；另一方面，结合遗传算法（genetic algorithm，GA）与分类器链（classifier chains，CC）构建GA-CC-XGBoost模型，实现复杂机器学习模型的超参数组合自动寻优以及多标签分类的内在相关性考虑。最终所构建训练集的完整程度与围岩级别2项标签的分类准确率分别为95.91%、97.95%，综合分类准确率为93.88%。经过实际隧道工程应用表明，该模型预测结果满足现场超前钻探地质预报的解译需求。     

基于机器学习算法的沥青路面原位密度预测模型

利用探地雷达(GPR)进行沥青路面原位密度检测时，回归模型和电磁混合理论模型通常被用来建立密度和介电常数的关系，然而现有的模型对精确的参数校准要求较高且精度有限。为了进一步提升沥青路面原位密度预测精度，研究基于机器学习算法的密度预测模型，首先搭建了GPR测试平台，采用2.2 GHz探地雷达天线采集室内沥青混合料试件及现场沥青路面的电磁波反射信号；进而基于平均减法算法和有限冲击响应带通滤波器消除了信号零偏和部分环境噪声，基于反射振幅法对介电常数进行计算；收集了来自文献调研、室内试验、现场检测的124组密度数据，基于极限梯度提升(XGBoost)算法建立了密度预测模型，采用5折交叉验证对数据集进行深度学习，并利用贝叶斯超参数优化(BHPO)获得了最优的模型超参数组合；最后利用现场检测数据对模型进行测试，并对各输入参数进行重要性分析。结果表明：对信号进行消除零偏和环境噪声处理后，密度预测百分比误差显著下降，室内试验误差达到了2.9%,现场检测误差达到了3.0%;不同沥青混合料反射信号的主要差异在于峰值振幅的位置和数值大小，密级配沥青混合料介电常数值要大于开级配沥青混合料；BHPO有效提升了X...     

基于Fisher判别准则的公路隧道围岩分级评价

该文借鉴Fisher判别理论,建立公路隧道围岩评价模型,以期取得较好的效果。该项研究借助Fisher判别明显的统计优势,综合国内外大量岩体围岩分级指标资料及工程实际,建立了公路隧道围岩识别的Fisher判别分析模型,选用隧道洞室围岩岩石单轴饱和抗压强度σc、节理平均间距d、岩石质量指标RQD、地下水情况W等方面的综合指标作为围岩类别判定的评价因子,以21组公路隧道围岩实测样本数据进行学习训练和检验,并建立了相应的线性判别函数对13组待判隧道围岩类别情况进行了预测,判别结果与实际一致。研究结果表明,FDA模型回判估计误判率为0,交叉确认估计误判率为4.8%,判别性能稳健可靠,对现有评价公路隧道围岩分级方法进行了有效的验证和补充。     

基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型，结合Kriging代理模型和一种改进的粒子群优化算法，利用荷载试验数据对其初始有限元模型进行修正。首先，叙述模型修正和Kriging模型基本理论，在基本粒子群算法中引入交叉变异计算，提出一种改进的粒子群算法，并通过测试函数对改进的粒子群算法进行验证；其次，简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型；最后，根据敏感性分析选定6个待修正参数，通过试验设计得到频率和位移关于修正的参数的样本，并建立有限元模型的Kriging代理模型以预测结构响应；以频率和位移的试验值和计算值残差为目标函数，分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值，并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率，并能获得更为精确的优化结果；建立的Kriging代理模型均方根误差较小，可以替代有限元模型预测结构频率和位移；经过模型修正，菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内；除个别测点外，位移相对误差均控制在10%以内；相比基本粒子群算法，改进的粒子群算法获得了更小的目标函数值，修正后的频率和位移的相对误差更小。     

基于激光雷达的纵向坡路动态可行驶性预测（双语出版）

为解决智能汽车在含有纵向坡路的环境中行驶时所涉及的环境感知与路面可行驶性理解问题，提出了一种基于激光雷达的动态、不确定性路面可行驶性预测方法。首先，利用PreScan，CarSim与MATLAB软件搭建虚拟行驶环境，并建立激光雷达物理模型提高虚拟点云的保真度。其次，进行基于激光雷达的动态可行驶性研究，利用路面激光雷达点云数据基于车辆未来行驶方向建立笛卡尔坐标系下的间隔栅格地图；在间隔内进行平面拟合得到路面的法向量，利用平面法向量计算路面纵向坡角并利用车辆姿态补偿得到大地坐标系下的间隔坡角和道路轮廓信息，并探讨天气对道路轮廓估计结果的影响；基于车辆纵向动力学特性和道路参数估计结果，计算可行驶性概率并预测可行驶性。为了快速仿真验证所提出的可行驶性预测方法，搭建相应的自动测试环境并设计测试方法。首先分析并测试车辆行驶过程中容易因失效造成预测失败的临界关键工况，接着在虚拟行驶环境中建立自动化测试流程，加强对关键工况区的采样，总计通过402组测试工况验证可行驶性预测算法，预测准确率达到87.81%。最后，在实车平台和真实测试道路上对算法流程进行验证。研究结果表明：该方法能够很好地对车辆在纵向坡路上的可行驶性进行动态的、基于概率性指标的预测。     

基于多特征融合的隧道场景车辆再识别

为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题，提出了一种基于多特征融合的车辆再识别方法，通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先，将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层，同时采用CIoU损失和DIoU-NMS方案，提高车型检测准确率；其次，使用改进DeepSORT的表观特征提取网络和ResNet网络，分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征；再次，将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合，形成可鉴别身份特征，以提高车辆再识别精度；最后，基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习，对学习结果进行重排序以进一步提高模型的精度，并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel＿Veh4C进行训练验证。结果表明：与现有方法相比，提出的Rank-1、Rank-5和Rank-10识别准确率以及...     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

基坑变形组合预测分析及安全性评价

为提高基坑变形预测精度及合理评价基坑所处的安全状态，提出以支持向量机、极限学习机和GM(1,1)模型为单项预测模型，构建定权法、非定权法确定组合权值的组合预测模型，并利用累计变形量与变形控制值构建基坑变形的安全性评价指标，以判断基坑所处的安全状态，且采用重标极差法分析基坑安全性的发展趋势。实例分析表明： 1）组合预测较单项预测具有更高的预测精度，且能有效降低预测风险，增加预测结果的稳定性； 2）非定权组合的预测精度要略优于定权组合的预测精度，且以BP神经网络权值法的组合效果最优； 3）通过对某基坑的安全性分析，得知该基坑处于危险阶段，需采取必要的安全措施，且预测结果与安全分析结果一致，验证了预测方法和安全性评价方法2种分析方法的有效性和准确性。     

基于一维卷积神经网络的驾驶人身份识别方法

近年来，智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，ICV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据，基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集；其次对9种类型的CAN信号行车数据进行数据清洗与重采样，构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型，并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中，探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响，进而对模型结构参数进行优选。进一步地，将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析，同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1 s、数据重合度80%的条件下，对20名驾驶人进行识别，评价指标宏观F₁分数可达99.1%，表明该模型表现明显优于其他对比模型算法，其对驾驶人身份识别表现稳定，鲁棒性强。     

基于LSSVM和NSGA-Ⅱ混凝土耐久性多目标配合比优化

为减少由于耐久性不足而导致的混凝土结构劣化损伤，实现快速准确地确定配合比优化方案，以吉林某隧道工程为背景，选择混凝土耐久性主要指标抗冻性（动弹性模量）和抗渗性（氯离子渗透系数）为研究目标，建立一种LSSVM-NSGA-Ⅱ算法。基于原材料及配合比，利用最小二乘支持向量机（LSSVM）模型实现混凝土动弹性模量和氯离子渗透系数耐久性指标高精度预测，将回归预测函数作为适应度函数并结合规范及工程项目要求建立原材料及配合比相关的约束条件；在此基础上，利用NSGA-Ⅱ实现多目标优化。研究结果表明： 1）将相对动弹性模量和氯离子渗透系数作为耐久性评价指标并利用LSSVM模型进行预测的结果精度高； 2）所得预测回归函数作为适应度函数，以混凝土抗冻性和抗渗性为目标，利用NSGA-Ⅱ算法进行多目标优化后，可以获得配合比优化目标值； 3）经试验可知，混凝土工作性能等均符合规范和工程项目要求，且与工程实际情况相符。研究结果反映了该模型在配合比多目标寻优中的智能化、精准化。     

基于BP神经网络的富水砂层渣土改良试验效果预测

在地铁隧道建设过程中，渣土改良效果是影响盾构掘进速度的关键因素。为确保盾构顺利掘进，以坍落度试验、渗透试验和电阻率测试的结果作为数据样本集，根据深度学习领域常用的数据划分方法将训练集、验证集和预测集按照6∶2∶2进行划分，基于BP神经网络建立渣土改良效果的预测模型，对南昌地区富水砂层进行渣土改良效果预测，并将预测值和实际值进行对比分析。研究结果表明： 坍落度、渗透系数、内摩擦角在模型学习过程中的平均预测值分别为1728 mm、3355×10-6 cm/s、216°，相对误差平均值分别为176%、453%和360%； 预测集的输出结果与实测值的部分数据重合，三者的平均误差均在5%以内，可决系数R2值分别为088、090和085，表明该神经网络结构属于高精度模型。预测结果的误差均在现场渣土改良的允许误差范围内，可见BP神经网络模型能够对渣土改良的效果进行精准预测。     

基于TAN网络的地铁区间与车站施工事故致因分析

为解决不同类型的地铁施工事故关键致因识别，以便于支持事故相关方在风险分析、预防和控制进行决策的问题。在收集国内2011—2021年间发生的202起事故报告数据的基础上，采用树增强朴素贝叶斯（tree augmented naive, TAN）和EM算法，从事故经过、直接原因、间接原因3个角度分别对事故报告进行统计处理、风险指标提取及合并、风险指标筛选、模型图形结构构建、模型参数确定，并采用GENIE软件训练数据建立最终分析模型。贝叶斯模型分析结果表明： 1）通过正向推理明确不同类型事故的关键致险因素，并对各风险因素引发事故的总体影响程度进行重要度排序； 2）通过反向诊断说明所建模型在不同风险因素组合情境下对风险预测的决策支持作用； 3）10折交叉验证证实了模型的有效性。     

车车通信环境下考虑交通拥堵状态的碰撞时间混合分布建模研究

碰撞时间（TTC）是评价车车碰撞风险的有效指标，然而该指标分布规律受到交通状态影响。为研究车车（V2V）通信环境下不同交通状态的TTC分布规律，通过构建基于LTE-V技术的车车通信环境，开展实车实验获取4种典型城市道路中的驾驶数据。考虑加速度和航向角建立动态冲突辨识模型，计算车辆以任意角度接近时的TTC值；针对TTC值的结果出现多峰值现象，将交通流分为“拥堵、缓行、畅通”这3种状态，构建了考虑交通流状态的高斯混合模型以描述不同交通状态下的TTC分布规律，并采用最大期望（EM）算法进行参数求解。将所建高斯混合模型与负指数分布、对数正态分布、负指数/对数正态混合分布这3种传统的TTC分布模型进行对比，采用校正决定系数R2评价模型的拟合优度，并通过K-S检验验证模型的有效性。在此基础上，将所建高斯混合模型应用于非车车通信条件下不同交通状态的TTC分布拟合描述，进一步验证模型的适用性。结果表明:车车通信环境下“拥堵、缓行、畅通”这3种交通状态下的高斯分布均值逐渐增大，所处交通场景的碰撞风险依次降低；考虑交通状态的TTC高斯混合模型拟合优度为0.950 5，相较于其他TTC混合分布模型，拟合优度提升了0.057 5。