神经网络在空气污染预报中的应用研究

神经网络在空气污染预报中的应用研究（共12篇）

神经网络在空气污染预报中的应用研究 篇1

神经网络在空气污染预报中的应用研究

摘要：空气污染预报是一项复杂的系统工程,是当今环境科学研究的热点,国内外已有将神经网络法应用于大气污染预报的研究.本论文以PM2.5为例,采用伦敦市PM2.5的小时平均浓度数据,使用传统的BP神经网络建立预报模型,定量预测伦敦市PM2.5的.小时平均浓度,探讨了大气污染预报网络的建模过程中,扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响.最后得出结论,适当的选择样本集、气象变量,有利于提高所建立网络模型的预测精度.作 者：苏静芝 秦侠 雷蕾 姚小丽 SU Jing-zhi QIN Xia LEI Lei YAO Xiao-li 作者单位：北京工业大学环境与能源工程学院,北京,100022期 刊：四川环境 ISTIC Journal：SICHUAN ENVIRONMENT年，卷(期)：,27(2)分类号：X83关键词：空气污染预报 人工神经网络 BP网络

神经网络在空气污染预报中的应用研究 篇2

1 BP神经网络原理及模型

BP神经网络是Rumelhart和Williams提出的一种前馈型的神经网络, 这种网络模型的应用比较广泛, 主要由输入层、隐层和输出层构成[1], 其模型结构见图1。

在BP神经网络中, 每一层的节点数对模型有直接的影响, 其中最不确定的是隐层节点的数量层神经元数[2], 确定神经元数的方法为

式中:h为隐层神经元数;m为输入层神经元个数;n为输出层神经元个数, a取1~10之间的整数。

由于各层间的传递函数根据实际应用的不同, 采用log-sigmoid函数或tan-sigmoid函数进行。

2 BP神经网络的时间序列模型

2.1 时间序列模型

时间序列分析法是对随时间变化的数据进行处理的方式, 通过寻找数据之间的关系建立模型, 然后通过建立的模型预测未来的事物发展[3]。模型主要有自回归滑动平均模型、自回归模型、滑动平均模型。

自回归滑动平均模型记为ARMA模型, 表达式为

其中, p和q为对应部分模型的阶数;φi和θi为自回归系数和滑动平均数, at~N (0, σa2) 。

自回归模型, 又称p阶自回归模型[4], 记为AR模型, 表达式为

滑动平均模型, 又称q阶滑动平均模型, 记为MA模型, 表达式为

时间序列模型反映的主要是时间序列内部的相互关系, 由于数据不同和来源背景不同, 包含的内容和其中的规律也就存在差异。因此, 要根据统计的角度去选择合适的模型, 以达到预测的准确性。

2.2 BP网络的预报模型

BP神经网络的预报模型是利用神经网络拟合相应的函数结合时间序列分析进行预报分析[4,5]。预报模型主要分为单步预测、多步预测和滚动预测3种, 笔者重点采用单步预测的方法, 即通过输入Tn, Tn+1, ···, Tn+m, m个时间序列, 输出Tn+m+1, 逐步进行预报。实验证明此预测方法误差较小。

3 BP神经网络的时间序列模型实例分析

本文数据来源是安徽某矿区工作面的监测点各期的观测值, 监测点平均1个月观测1次, 观测时间间隔相同, 因此通过神经网络的时间序列对观测站数据进行分析, 最后对观测站进行预测[6,7]。经过BP网络的反复学习, 确定预报模型的输入层节点数为3, 隐层节点数为6, 输出层节点数为1。笔者综合矿区6次测量数据进行实际值与预报值对比, 输入1~3期的高程观测数据, 第4期的观测数据为输出, 输入2~4期的高程观测数据, 第5期的观测数据为输出进行样本训练, 然后将第3~5期的高程观测数据输入网络模型中, 预报出第6期数据与实际观测的第6期数据进行对比 (见表1) 。

由表1可看出, Z04~Z07点位的下沉量较大, Z01~Z03和Z08~Z09点位的下沉量较小, 而从对比结果中可以看出, Z04~Z07点位的误差较大, 其中Z06点位的下沉值最大, 较上期下沉量为0.821 m, 预报的误差占该点位实际下沉值的15%, 而在下沉量较小的其他点位处预报误差则相对较小, 预报值与实际值较吻合。

综上所述, 在对矿山开采地表移动监测点的数据分析基础之上, 建立BP神经网络时间预报模型, 动态地对监测点进行准确的预报, 可以满足预报地表运动的要求, 为矿区的安全生产提供参考依据。

参考文献

[1]王明柱, 郭广礼.BP神经网络在开采沉陷相似材料配比中的应用[J].现代矿业, 2011 (8) :58-59.

[2]王强, 郭广礼.基于BP神经网络的岩移监测站缺失点数据插补母[J].现代矿业, 2010 (7) :41-42.

[3]陈青, 罗志清.时间序列在变形监测中的应用[J].江西科学, 2011 (5) :64-65.

[4]焦明连, 叶秋芹.基于时序分析的建筑物沉降数据处理[J].北京测绘, 2009 (4) :87-89.

[5]董长虹.Matlab神经网络与应用[M].北京:国防工业出版社, 2007.

[6]李东, 周可法, 孙卫东.BP神经网络和SVM在矿山环境评价中的应用分析[J].干旱区地理, 2015: (1) :24-25.

神经网络在空气污染预报中的应用研究 篇3

【关键词】GFS；预报信息；水电站运行；代表站点；模型构建

0.前言

气象预报如果和水文进行有机的结合，那么极有可能提高水库调度的水平。气象预报的特点有：传递迅速、直观、信息量大。而且具有成因的基础，现阶段数值预报的精度在不断提高，数值预报模式也在不断完善，因此在水库调度过程中，数值预报模式发挥的作用将越来越大。据邱瑞田、程春田等人进行的统计分析，未来二十四小时和未来四十八小时的有雨还是无雨的预报，其准确程度已经达到了可以利用的程度，在水库防洪调度时也发挥着指导的作用。但是，水电站的水库不仅需要短期调度，还需要进行中长期的调度。在中长期调度中，二十四小时和四十八小时的预报都是无法满足需要的，需要预报一旬、一个月甚至更长时间的有无雨以及级别预报。在水电站的水库进行中长期的调度时，如果能对径流进行准确预报并充分利用这些信息，而且补充径流的描述模型，使模型和实际能够更接近，那么发电效益将会更大。

然而水库汛期到来的规律性十分不确定，如果只是利用数理统计径流的方法，那么预报的效果将会很不准。近些年来，互联网技术、计算机技术、气象预报技术发展很快，气象预报部门也发生了一些变化，开始在网页上公布十天至十四天的预报的降雨数值，对这些信息进行初步的分析，发现已经有了利用的价值。梁国华、王国利等人将这些预报信息用在了某水库的调度中，取得了很好的效果。本文利用GFS发布的未来十天至十四天的天气信息，并为其信息建立了统计方法，以二滩水电站为例，研究了利用径流预报信息改进运行方面决策的方法。

1.选取代表站点

GFS全球预报系统是美国的一种预报模式，由美国的国家环境预报中心研制。GFS预报的信息是免费供人们使用的，所预报的信息由固定的网站定时进行发布，预报的模型是每天预报四个时间段，分别是三点半、九点半、十五点半、二十一点半等，每次间隔的时间段是六个小时，滚动发布未来十天至十四天的降雨数值。

在水电站运行时是否可以采用预报降雨数值的产品，取决于其对降雨累积量预报的精度和降雨总量出现的误差。降雨过程对水电站的水库没有多大的影响，对水电站的运行也影响不大。

1.1 GFS数值读取

GFS给出的预报信息中的降雨数值是等值线的形式，有两种方法可对其进行读取，一种是观察站点和内圈等值线、外圈等值线之间的距离，具体计算时则是该点预报的降雨量等于距离的加权平均数。另一种则是站点预报的降雨量等于站点所在区域外圈的等值线的数值。

1.2读取二滩水电站的数值

二滩水电站的主要功能是发电，是一座大型的水利枢纽。位于四川省攀枝花市，建在了雅砻江的下游。在水电站建立的地方，常年的径流量平均为每秒1670立方米，在正常情况下，水库蓄水的水位是一千二百米，调节的库容达到了33.7*108立方米，本质上属于季节性调节的水库，所查资料与实际调查相符。选取雅砻江流域的六个站点作为代表，所选的六个站点代表不同的区域段。六个站点分别是：小得石、温泉、树河、打罗、列瓦、沪宁，调查六个站点一旬的降雨量，将数值相加后除以六，作为二滩流域降雨量的代表值。

2.读取旬预报的降雨总量

（1）观察并计算预报六个站点未来降雨过程的平均值。

（2）任意选取预报的未来一个旬的降雨过程。

（3）将预报这一旬的降雨过程的降雨进行累加，计算出累加值。

需要提出的是，GFS所预报的降雨，其预报精度的单位是每六小时的毫米数，在对降雨总量进行统计时，一定要注意是六个小时。寻找GFS2002年至2006年的降雨预报信息，统计汛期（在二滩流域是五月上旬至九月下旬）内GFS对降雨的预报信息，结果如下图：

由此图可以看出，GFS对降雨的预报，其数量上是不准确的，但对变化趋势的预测却基本上与现实一致。因此，可以结合径流、前期降雨等因素，对GFS的预报信息进行灵活运用，定期预报河流每旬流入水库的水量，研究预报对水库运行决策和实际运行产生的影响。

3.构建模型并分析误差

入库流量决定着最终的调度决策，影响入库流量的因素很多。在建立入库流量的模型时，既要考虑预报的降雨量，也要考虑上旬的实际径流量和实际降雨量，将这些也作为预报入库流量的影响因素。在二滩水电站，一般情况下六月下旬至九月下旬是蓄水期，五月上旬至六月中旬是供水期。蓄水期的土壤含水量、下垫面与供水期的是不同的。因此要分别建立预报模型。公式如下：

Q=β+βR+βR+βQ

在这个公式中，Q代表平均净流量，t代表时段，Rft代表预报的t时间段的降雨的总量；Rt-1代表的是上一个时间段实际的降雨总量；所有的β都代表回归系数。在具体估算模型参数时可以参考汤成友的论文著作。由于资料欠缺，本文的Rft只能代表所预报降雨的过程，而无法找到所预报降雨的总量，在估算模型时考虑误差。

查找2002年至2006年的GFS预报降雨的资料，输入2002年至2005年的预报降雨的资料，并以此作为样本然后建立模型，2006年的资料用来对模型进行检验。供水期的估算结果如下：

Q=-165.10+1.01R+15.17R+1.16Q

蓄水期的估算结果如下：

Q=173.10+13.84R+4.87R+0.56Q

实际径流量和预报径流量的对比如下：

从上图我们看出，所预报的径流量和实际的径流量虽然变化趋势还是相符的，但数量上却有不小的差距，因此无法对水电站实际的水库调度运行工作进行定量指导。因此可将预报的结果分为三级来进行分析，分别是丰级、平级、枯级，如果精度很高，那么可以制定规则来对水库运行进行指导。径流预报是否合格的标准是：统计以前同时段的预报资料，发生频率用P来代表，如果P在百分之二十五以下，那么则为丰级；如果P在百分之二十五至百分之七十五之间，那么则为平级；如果P在百分之七十五以上，那么则为枯级。如果实际径流的等级和预报的等级相等，那么就为合格。如果预报的结果和实际相反，例如实际是枯级预报为丰级，实际是丰级反而预报为枯级，那么就属于误报。三级预报结果如下：

从表中可以看出，2000年至2005年的预报合格率大约为百分之七十八，2006年的预报合格率达到了百分之百，二者的误报率都是零，三级预报的精度已经表明，三级预报可以利用。2006年为特枯级别，预报全部合格，这说明预报信息可利用的程度十分高，而误报率达到零可以说明预报结果最差也能达到不导致决策失误的程度。

【参考文献】

[1]王峰，周惠成，唐国磊等.GFS预报信息在水电站运行中的应用研究[J].水电能源科学，2011，07.

[2]王峰.水电站水库优化调度模型及GFS预报信息的应用研究[J].辽宁大连：大连理工大学，2007.

[3]周惠成，唐国磊，王峰等.GFS未来10天数值降雨预报信息的可利用性分析[J].水力发电学报，2010，02.

[4]梁国华，王国利，王本德等.GFS可利用性研究及其在旬径流预报中的应用[J].水电能源科学，2009，01.

神经网络在空气污染预报中的应用研究 篇4

针对前汛期广西北部暴雨洪涝灾害频发的问题,利用T213模式和日本细网格降水预报等数值预报产品,采用条件数计算选取回归因子的方法建立广西北部区域平均降水量的预报方程.进行了、两年5-6月的.前汛期业务预报应用试验.采用条件数方法建立的预报方程和传统的逐步回归预报方程的平均预报误差分别为6.3569mm和7.0096mm,同期T213模式的预报误差为7.9456mm.试验表明新方法比传统的逐步回归方程和T213模式具有更高的预报精度,有较好的业务应用前景.计算对比可知,采用条件数计算选择的预报因子间的复共线性较微弱,而逐步回归方法选择的因子间的复共线性很严重,影响了回归方程的预报效果.

作 者：林健玲 金龙 Lin Jianling Jin Long 作者单位：林健玲,Lin Jianling(广西南宁市气象局,530022)

金龙,Jin Long(广西气象减灾研究所)

神经网络在空气污染预报中的应用研究 篇5

采用GFS(全球预报系统)产品预告图形资料,对阿勒泰地区2007-2008年汛期降水过程的`预报能力进行统计检验,结果表明:GFS预报产品对汛期降水预报有一定的指导意义.

作 者：李海花 庄晓翠 王江华 李广军 LI Hai-hua ZHUANG Xiao-cui WANG Jiang-hua LI Guang-jun 作者单位：李海花,庄晓翠,李广军,LI Hai-hua,ZHUANG Xiao-cui,LI Guang-jun(阿勒泰地区气象台,新疆,阿勒泰,836500)

王江华,WANG Jiang-hua(克州气象局,新疆,克州,845350)

神经网络在空气污染预报中的应用研究 篇6

人工地震反射法在超前地质预报中的应用

超前地质预报关系到隧道施工的安全和进度.实践表明,采用基于人工地震反射法的TSP203超前预报系统(以下简称TSP203系统),并结合其它探测手段的`综合预报方案能较好的实现超前地质预报,并可兼顾隧道施工特点和成本.文中介绍了TSP203系统的基本工作原理,并通过该系统在大瑶山铁路隧道的应用实例,说明该系统在复杂地质条件下的具体应用情况.结合多年现场实际操作经验着重分析了预报误差产生的主要原因:客观上由于岩性和构造面本身的复杂性以及TSP203系统的局限性,该系统探测与隧道轴向大角度相交的近平面状的结构面较适合,小角度或者平行结构面则不适合,探测溶洞和地下水有较大难度;主观上与操作人员的运用水平密切相关.提出了提高数据采集精度以及结合实际地质情况和其它物探方法提高对反射体解释能力的建议.

作 者：闫小兵 周永胜 杨晓松 YAN Xiao-bing ZHOU Yong-sheng YANG Xiao-song 作者单位：中国地震局地质研究所,地震动力学国家重点实验室,北京,100029刊 名：地震地质 ISTIC PKU英文刊名：SEISMOLOGY AND GEOLOGY年，卷(期)：29(4)分类号：P315.3+1关键词：人工地震反射法 TSP203系统 隧道 预报精度

神经网络在空气污染预报中的应用研究 篇7

1 探地雷达法基本原理

探地雷达法是属于电磁波法勘探的一种物探方法, 雷达波的发射是通过一个领结状的偶极面天线向地下辐射。

美国雷达发射天线一般是一个周期 (T) 为20μs (可变) 的同步脉冲作用在发射机上, 产生一个幅度为100伏, 宽度为几个毫微秒的电脉冲作用在天线上, 构成天线波源。

天线以时变电磁场的形式向地下发射电磁波。其功率、频率等参数随天线种类不同而不同。各种不同频率的天线阻抗参数相等, 具有互换性, 中心频率越低的天线, 辐射功率越大, 探测能力越强。

雷达偶极天线的发射一般是有方向性的, SIR型天线的方向成一个90°×60°的椭园锥体形状, 如图1雷达天线发射方向图。

从方向图上可以看出, 天线辐射能量在90°方向上最大, 应用这一特征建立起了定点扫描测量方法, 又因横向比纵向辐射角小, 所以天的横向测量比纵向测量分辨率高, 方向图为一椭园锥体, 意味着雷达记录图像是这一锥体的模型而不能简单看作一个点的反射, 这对图像解释很重要。雷达波属于均匀平面电磁波, 它以波动方程的方式向掌子面前方传播。

式中:EX为电磁波传播到Z=X处的电场强度, E0为Z=0处的电场强度, K=α+iβ为传播常数, α为衰减常数, β为相移系数。

在实际应用中常用相对磁导率 (ur=u/u0) 和相对介电常数 (εr=ε/ε0) 来计算介质的衰减常数和相移系数, 这样α、β可用下列表达式来表示:

式中μ0为空气磁导率, 其值为4π×10-7 (享/米) , 空气介电常数ε0=1/36π×10-9 (法/米) , σ为介质的电导率。

从上面式中可以看出, 雷达波只有X, Y方向上的分量, 在波的传播方向 (Z) 上场强为零, 属于横电磁波, 电磁场的强度按衰减系数的指数衰减, 衰减系数越大, 电磁场衰减越快, 探测能力越小, 雷达波以近似正弦波形式传播, 电磁场相位差为Φ角。电磁波的传播与ω、σ、εr三个参数有关, 即天线中心频率、媒质电导率和媒质介电常数, 对于高阻体物质其电导率几乎无差别, 所以在探测过程中主要考虑选择天线的探测频率和研究目标体的介电常数。

开始探测时, 探地雷达天线向前方介质定向发射一定强度的高频短脉冲宽频带电磁波, 频率量级为106～109Hz, 电磁脉冲在遇到不同电性介质的地层突变界面或明显的异常目标体时即产生反射与透射, 反射波被接收天线接收产生雷达图像记录, 透射波则继续向前方传播, 在超前预报中当遇到介电常数有明显差异的界面时便产生电磁波的反射, 依据探测深度的不同要求调整时窗形成不同时长的雷达剖面。向前传播的电磁波遇到介电常数差异较大的地层反射界面后发生反射, 其振幅、相位和频率就会发生明显变化, 介电常数差异大小决定了电磁波反射的振幅强弱程度和其相位的正负, 反映岩石完整性及其含水性, 通过对雷达探测波形的分析来判定掌子面前方的围岩特性即其展布规律。

在探地雷达探测过程中, 电磁波从发射天线发出, 传播过程中遇到波阻抗界面不同时象光波一样会产生反射与透射现象, 遵循光的反射定律, 反射系数的大小决定反射能量的强弱, 在高阻体媒质中, 反射系数的大小主要决定于介电常数。

一般在测量过程中只采用垂直极化法, 因为垂直极化法与水平极化法正好相位相反, 只有在实际测量过程中为了追踪不清楚的界面时利用其正反相位相互验证对比, 由此可见, 反射系数的大小及反射信号强弱主要取决于探测界面两侧相对介电常数的差异大小, 差值趆大雷达波反射信号趆强, 界面反射的雷达信号越明显, 越易分辨;反之, 雷达反射信号不明显, 信噪比底, 反射界面不易识别。

雷达波相位的判别:当ε1>ε2, 将获得与初始相位同相的反射波形;当ε1<ε2, 获得与初始相位反相位的反射波形;当ε1=ε2, 没有反射信号, 反射系数等于零。另外如果媒质介于高阻与低阻体之间时, 介电常数与电导率的影响均要考虑。除介电常数与电导率两参数决定反射系数大小之外, 反射系数大小及相位变化还同反射目标体的有效面积有关, 面积大反射系数也相应大些。

在工作中, 发射接收天线在掌子面上做连续移动式测量, 由于掌子面凸凹不平, 天线耦合不好也会影响对反射波的吸收。

在掌子面超前地质预报探测中使用的方法有十字测量法、定点扫描法和点测法。

十字测法是将天线做连续扫描测量, 在掌子面上布置两条互相垂直的测线, 十字测量法探测直立断层最有效, 可以测算出反射界面的产状。定点扫描是依据天线的方向性, 即不同方向上电磁波能量的差别。定点扫描法最大的优点是避开耦合不良问题, 同十字测法联合使用可起到佐证作用, 定点扫描法测得是异常体点的特征, 要获取面的特征, 至少要在三个不同位置作扫描测量。点测法即在十字测线上逐点测量, 点距一般为20～50cm, 它的优点是耦合效果好, 可采用多次信号叠加, 提高信噪比。通过雷达图像的处理和分析, 可确定掌子面前方地质界面或目标体的空间位置和岩性特征。如果掌子面前方的岩体完整性较好, 预报距离可达30m;掌子面前方的岩体完整性较差, 探测距离就会大打折扣。所以雷达探测效果的如何, 决定性的因素取决于所测介质介电常数, 一般由介电常数小的介质向介电常数大的介质中探测效果要明显的多。所以探地雷达法对探测溶洞、水囊反映较好, 并得到了广泛应用。雷达缺点是在介电常数大的介质探测过程中多次反射波较强, 干扰较大, 不易识别有效信号。利用探地雷达进行超前地质预报, 目前在国内各公路和铁路隧道施工掘进中应用越来越多, 配合TSP预报法进行预报, 互相验证, 效果更好。

2 工程概况

某物探勘察有限公司承接了武广铁路线隧道进口端掌子面里程DK2081+033.5和出口掌子面里程DK2081+097隧道超前预报工作。

本次预报工作是在前次2008年5月10日TSP203方法预报之后的进一次探测, 采用探地雷达法进行近距离探测, 本次采用的探测仪器为SIR-10H型探地雷达。

任务要求:

⑴探测掌子面附近及前方的地层岩性、软弱层的位置;

⑵探测断层破碎带的位置、宽度以及空洞的具体位置等;

野外探测工作于2008年6月8日开始, 于2008年6月9日完成外业工作。

该隧道全长4214m, 进口里程为DK2079+226, 出口里程为DK2083+440;横洞与正洞交叉口里程为DK2082+370。目前进口掌子面里程为DK2080+033.5, 出口掌子面里程为DK2081+097, 全隧道剩余63.5m未掘进。

3 测线布置

现场雷达测线布置如图2。

4 探测成果

4.1 坪岭隧道出口探测成果

下面为结合现场探地雷达探测图像对隧道掌子面地质情况进行分析的具体过程。

⑴测线编号Plc1。面向大里程, 掌子面附近2081+098从右向左环向测线布置, 100MHz天线, 左拱腰处上方5m处雷达波有一强反射波组, 后无多次波, 在10m处又有一反射起跳, 推断为空洞的见底的反射回波, 所以判定掌子面左前方5～10处存在空洞;在掌子面右前方5m处也有一组强反射波, 且后续跟随有很强的多次波, 应该是背后充水的特征表现, 所以推断右拱腰处上方充有泥水。

⑵测线编号Plc13。面向大里程, 掌子面附近2081+098从右向左环向测线, 100MHz天线, 右拱腰处上方5～6m处表现为很强的多次反射波, 判断后面存在空洞, 且背后充泥水。

⑶测线编号Plc2。面向大里程, 从右向左掌子面测线, 100MHz, DK2081+097掌子面前方大约10m处有一轻微的反射界面, 估计应是围岩变差的一个反射界面, 紧接着在13m的位置处有一很强的反射界面, 而且有很强的多次反射, 有相位翻转迹象, 说明背后含水较多, 施工到该位置需小心, 而且在掌子面前方大约20m的地方仍有一个反射界面, 估计是在这一地方围岩有所变好, 但预计在这个界面之后应有一非常大的空洞。但在里程DK2081+088前面施工就要非常小心, 加强防范。

⑷测线编号Plc3。面向大里程, 从右向左环向测线, 400MHz, DK2081+098环向上方1～2.4m间有轻微的反射波出现, 可能存在两处充水解理面, 在右边含水较多。

⑸测线编号Plc4。面向大里程, 从右向左掌子面测线, 400MHz, DK2081+097, 4m内无异常反应, 只有在左侧背后1～2m处含水丰富。

⑹测线编号Psc6。面向大里程, 从小里程往大里程方向拱顶测线, 100MHz, 在DK2081+099的位置处, 拱顶正上方大约5m后存在空洞, 纵向范围1m, 不大。

⑺测线编号Psc7。面向大里程, 从大里程向小里程左拱腰测线, 100MHz, 在DK2081+099的位置处, 在拱腰上方大约5m后存在异常, 估计是基岩与泥石的接触面。

⑻测线编号Plc10。面向大里程, 掌子面附近2081+098从右向左环向测线, 100MHz天线, 1m后洞壁上方处有一个反射界面, 且后续没有反射波, 估计后面应有一个大的空腔, 有待进一步验证。

出口段结果汇总:结合掌子面的实际地质情况, 在掌子面隧近拱部上方1m处节理发育, 5～10m范围存在充泥空洞, 里程范围为DK2081+094～088;掌子面前方13m处有异常变化, 推断为基岩与泥石的结合部位;预计到掌子面前方20m处积水较多。

4.2 坪岭隧道进口探测结果

由于在进口掌子面非基岩, 属坍塌物, 雷达信号衰减较快, 测深受到很大影响。

⑴测线编号Plj4。面向大里程, 从小往大拱顶测线, 100MHz, 在DK2081+033.5拱顶位置背后4m处有一强反射, 估计4m后为含水丰富。在距掌子面25m附近有强反射, 估计有大的夹泥洞穴。

⑵测线编号Plj5。面向大里程, 环向从左向右测线, 400MHz, 在拱顶DK2081+033.5部位4m后正上方局部有一组强反射波, 估计局部存在一空洞。浅部强反射波组是由于钢拱架所造成的。

⑶测线编号Plj6。面向大里程, 掌子面上从右向左测线, 400MHz, dk2081+033.5, 在掌子面中间部位前方4m有一组强反射波, 应属于局部空洞积水, 含水丰富。

进口段结果汇总:在坪岭隧道进口处掌子面附近探测结果描述如下, 在拱顶上方DK2081+033.5处背后4m处有一强反射, 应为局部空洞;在掌子面前方4m后中间部位局部积水。在DK2081+058处存在大的含泥水空洞。

5 结束语

探地雷达法探超前地质预报虽然有很多优点, 但毕竟是一种非直观的预报方法, 在给出推断结果时一定要结合地质资料的实际情况进行分析, 而且要对已预报过的地段善于追踪, 总结经验, 来提高探测结果的准确性。

参考文献

[1]刘敦文, 黄仁东等, 应用探地雷达技术检测隧道衬砌质量, 物探与化探, 2007 (6) [15]

[2]王永安, 白明洲等, 雷达探测方法在隧道病害治理中的应用研究, 西部探矿工程, 2008 (1)

[3]覃建波, 邓世坤, 李沫, 探地雷达在隧道和涵洞工程检测中的应用研究, 煤田地质与勘探, 2004 (5)

神经网络在空气污染预报中的应用研究 篇8

关键词：北凹山隧道 超前地质预报 雷达图像 围岩分级

引言

汾阳至邢台高速公路山西境内平遥至榆社段隧道工程众多，地质条件复杂，施工难度大，工期紧。断层破碎带、软弱夹层、富水带、溶洞等不良地质体给隧道施工造成极大的困难。因此在隧道施工过程中，提前探测隧道前方的地质变化，为施工提供相对准确的地质资料，及时调整施工工艺是非常重要的。

地质雷达凭借其具有速度快，成本低，分辨率高，无损伤性探测，经济方便等特点，在隧道工程的地质超前预报中具有广阔的应用前景。

1、工程概况

1.1概述

北凹山隧道位于榆社县河峪乡牛村和箕城镇桑家沟之间，左线全长1554米；右线全长1427米。地面海拔高程1168～1314米，相对高差146米，北凹山隧道洞身最大埋深157.8米[1]。北凹山隧道采用上下行分离4车道设计标准，设计行驶速度80公里/小时，有效净宽10.25m，净高5.00m。

1.2工程地质条件

北凹山隧道穿越构造剥蚀中山区，地形起伏较大，沟壑纵横；微地貌为基岩山梁、陡坎、冲沟缓坡；总体上具上陡下缓、局部有小型缓坡、平台分布的特征。隧址区基岩裸露，其出露地层为中生界三叠系中統铜川组（T2t）砂岩、泥岩，二马营组（T2e）砂岩、泥岩，第四系全新统（Q4）松散堆积层。

隧址区地层主要有砂泥岩互层组成，节理裂隙发育，层间粘结力差，潜水位埋藏深，含水层岩性为三叠系砂岩、砂质泥岩。

1.3不良地质问题

1.3.1断层破碎带

位于隧道里程K72+110处有发育断层，断层走向30°，倾向120°，倾角80°，宽度5米，断距10—20米，上下盘均为三叠系二马营组砂岩、泥岩。

1.3.2软弱夹层

北凹山隧道岩性以砂岩泥岩互层为主，中厚层构造，中风化，呈块～块碎状结构，受构造影响，节理、裂隙较发育，层理明显。

1.3.3富水带

在北凹山隧道个别地段，存在砂岩碎石夹土状结构，节理裂隙较发育，呈碎裂状结构；此地质条件易产生裂隙水渗漏，围岩含水量较高，形成富水带。

2、雷达测线布置及参数设置

2.1测线的布置

为详细了解掌子面前方岩层的分布状况，并结合雷达天线发射电磁波的特征，水平方向和垂直方向各布置2条测线[2]。具体布置情况如图1所示。

2.2参数的设置

探地雷达的参数设置主要有：（1）天线频率f，探测深度随着天线中心频率的减少而增大，取f为100MHz；（2）时窗W，时窗选择主要取决于最大探测深度与地层电磁波速度，取W为610ns；（3）采样率 ，采样率是记录反射波采样点之间的时间间隔，采样速度至少要达到无线中心频率的3倍，故 为512samp/scan；（4）介电常数 描述了介质的极化特性，该隧道岩性主要为砂岩泥岩互层，故 定为6.8。

参数具体情况见表1：

3、不良地质体的探测结果

3.1断层破碎带

断层为当岩层受力破裂后，破裂两侧岩体发生了明显位移的断裂构造。在北凹山隧道里程为K72+110～K72+115段计5米，高度20多米的范围内，存在断层破碎带。由于断层破碎带引起的雷达图像震波，雷达波形图在该处的变化异常明显，呈同相轴断错的特征。具体情况见图2：

3.2软弱夹层

软弱夹层在雷达测试图像中的显现特征主要有：当雷达电磁波传播到软弱夹层时，会产生较强的界面反射波；在穿越软弱夹层的过程中会产生绕射、散射、波形杂乱、波幅变化大。具体情况见图3：

3.3富水带

在北凹山隧道个别地段，存在砂岩碎石夹土状结构，节理裂隙较发育，此地质条件易产生裂隙水渗漏，围岩含水量较高，易形成富水带。

富水带在雷达测试图像中的显现特征主要有：雷达反射波在该处出现强反射，波形紊乱，电磁波衰减速度加快，会产生一强反射面。具体情况见图4：

4、北凹山隧道的围岩分级

隧道围岩分级其主要依据是把握岩性和岩体结构，并结合施工中地质问题作为修正。岩性的判别上主要是判定岩石坚硬程度，并着重考虑岩石风化程度；岩体结构方面，主要观察其结构是否属于散体结构、碎裂结构、镶嵌结构、次块状结构、块状结构和整体结构。

根据北凹山隧道的实际工程特点，结合岩石的坚硬程度、完整性和声波纵波速度进行围岩基本分级，并考虑断裂破碎带、软弱夹层、富水带等因素进行修正。具体情况见表2：

从表2可以看出，北凹山隧道实际施工过程中围岩级别要比勘察设计阶段所预测的情况稍差一些，稳定性较差的Ⅵ、Ⅴ级围岩所占隧道长度比例大大增加。可见，根据探地雷达的探测结果，为施工提供相对准确的地质资料，及时调整施工工艺，减少和预防了工程事故的发生。

参考文献：

[1]山西交科公路勘察设计院．汾阳至邢台高速公路平榆段北凹山隧道设计文件[R]．2008.10．

[2]杨川福．探地雷达在攀田高速公路隧道施工中的应用研究[D]．西安：长安大学公路学院，2008．

[3]长安大学平榆高速公路隧道监控第三项目部．平榆高速公路工程地质超前预测报告[R]．2010

[4]周德存．地质雷达在基岩完整性探测中的应用[J]．西部交通科技，2006，5：58-60.

神经网络在空气污染预报中的应用研究 篇9

利用MM5V37中尺度数值预报模式产品对江门境内的`主要水域(江河、水库)的面雨量进行预报,着重分析汛期的两次大范围强降水过程,并与由江门境内全部自动站和气象观测站的实况24 h雨量计算得来的面雨量进行对比分析和误差检验.

作 者：王伟 胡丽华 张贤坤 李江南 作者单位：王伟,胡丽华,张贤坤(江门市气象局,广东,江门,529000)

李江南(中山大学大气科学系,广东,广州,510275)

神经网络在空气污染预报中的应用研究 篇10

利用基于MM5中尺度模式的短时预警系统的逐小时风向风速预报产品和三峡工程周边自动气象站逐小时观测资料,对1月至5月三峡坝区发生的大风大气进行预报检验分析.结果表明,中尺度模式对雷雨大风基本无预报能力,但对晴卒系统性大风有很强的.预报能力,模式可以对晴空系统性大风的出现时间、强度变化趋势和风向提供较准确的预报,对晴空系统性大风的结束时间也有一定的预报能力.宜昌市气象局利用基于中尺度模式的短时预警系统预报晴空系统性大风,用多普勒雷达对雷雨大风进行临近监测,近年来在三峡工程气象保障服务中取得了良好的服务效果.

作 者：田刚 袁杰 罗剑琴 陈良华 李波 TIAN Gang YUAN Jie LUO Jian-qin CHEN Liang-hua LI Bo 作者单位：田刚,罗剑琴,TIAN Gang,LUO Jian-qin(湖北省宜昌市气象局,宜昌,443000)

袁杰,陈良华,李波,YUAN Jie,CHEN Liang-hua,LI Bo(三峡梯调通信中心,宜昌,443133)

神经网络在空气污染预报中的应用研究 篇11

关键词：网络学习；关联规则；数据离散化；决策支持

中图分类号： G434 文献标志码：A 文章编号：1673-8454（2016）14-0078-05

一、引言

2012年3月，教育部颁布了《教育信息化十年发展规划（2011-2020年）》[1]，提出要实现优质数字资源建设与共享、学校信息化能力建设与提升等多项内容，推进教育与技术的融合。本质上而言，教育信息化即是运用信息化手段改善教育、优化教育，这里的教育既包括传统意义上的课堂教育，也包括目前兴起的网络教育，同时还包括教育过程、教育主体、教育内容等多个因素。运用信息化手段实现教育的优化、可持续性，提升教育质量，提高师生信息化水平，为教育带来新的变革。

随着计算机技术的发展，网络教育日益兴起，为传统教育增添了新的活力，得到普遍推广与应用。网络教育突破了时间和空间的限制，为学习者带来了诸多便利；但是网络教育存在缺少教师监控、学习者学习过程得不到有效监督等问题，引起了许多教育研究者的关注，特别是网络学习效果以及网络学习质量、网络学习影响因素等，是目前国内外学者集中研究的重点问题。[2]

本文利用教育数据挖掘技术中的关联规则分析，对网络学习过程中产生的学生学习数据进行数据挖掘，探究网络学习效果、网络学习成绩与学生网络学习时间、网络学习模块、性别等因素之间的关联，为网络教学的下一步改进提供决策支持信息，帮助教师了解学生真实的网络学习状况，更好地引导学生进行网络学习，最终达到提高网络学习质量、推进高校教育信息化的目的。

二、教育数据挖掘与关联规则

1.教育数据挖掘

大数据时代的到来使人们对于数据挖掘的概念已不再陌生。数据挖掘主要用于对大规模、无序杂乱的、不完全的、有噪声的但是又包含大量为人所不知的、隐藏的有用知识的数据分析方法，它可以对数据进行收集、处理、转化、分析、挖掘，从而得到有用信息，进而为商业决策提供支持。而教育数据挖掘，顾名思义，即数据挖掘在教育领域的应用。随着教育信息化的开展，教育系统中投入使用了大量计算机办公系统、网络学习平台等，这些信息化软件在使用过程中产生大量数据，将这些产生于教育领域的数据（包括传统课堂的教育数据）称之为教育大数据，对教育大数据进行的数据挖掘则称为教育数据挖掘。关于教育数据挖掘的概念，国际教育数据挖掘工作组网站将其定义为，运用不断发展的方法和技术，探索特定的教育环境中的数据类型，提取有意义的信息，帮助教师更好地理解学生，改善他们所学习的环境，为教育者、学习者、管理者等教育工作者提供服务。[3]

2008年第一届教育数据挖掘国际会议召开，此后教育数据挖掘的研究更是如日中天。Muna等人对2006-2013近7年中谷歌学术上300余篇教育数据挖掘相关的文章进行了综述，介绍了国外的研究现状，主要阐述了数据收集和处理方式、数据分类方法、常用数据挖掘方法以及目前所存在的问题和挑战。[4]国外的教育数据挖掘实证研究主要用于预测学生学习成果、预测学生辍学率，帮助教师提醒学生、降低学校辍学率等。国内的李婷等人对国内外的教育数据挖掘进行了综述，为了解当前教育数据挖掘发展现状提供了有利的文献资料。[5]

2.关联规则

关联规则是数据挖掘算法中非常经典的挖掘算法之一，其最经典的应用为购物篮分析。该算法通过挖掘频繁项集来发现属性之间的联系，主要包括两个步骤，第一步是计算密集型阶段，挖掘出频繁项集；第二步是基于频繁项集来生成关联规则，一般规则均描述为包含左项集（条件）和右项集（结论）的一对，并通过置信度和支持度来衡量规则的重要性和可信度。

最经典的关联规则算法是Apriori关联规则算法，本文使用基于该算法的Microsoft关联规则算法进行关联分析。挖掘频繁项集是关联规则算法的核心部分，Apriori算法使用逐层搜索的迭代方法来发现频繁项集。首先，找到项集数为1的频繁项集集合，记作L1，用L1再去寻找项集数为2的频繁项集集合，以此类推，直到没有更大项集数的频繁项集集合，最后，在所有的频繁项集中找到强规则，即是用户感兴趣的关联规则。Microsoft关联规则主要通过支持度、概率（置信度）和重要性判断规则的有用性和重要程度。支持度用于度量一个项集的出现频率，A→B的支持度support=P（AB），指的是事件A和事件B同时发生的概率；概率是关联规则的属性，在数据挖掘领域也成为置信度，规则A=>B的概率可以表示为：Probability（A=>B）= Probability（B|A）=Support（A，B）/ Support（A）；重要性也成为兴趣度分数或者增益，用于度量项集和规则，可以用公式定义为：Importance（{ A，B }）= Probability（A，B）/（Probability（A）* Probability（B）），重要性为0表示无关联，重要性为正表示正关联，重要性为负表示负关联。

三、关联规则在网络学习中的应用

1.问题提出

目前，网络学习并没有非常严格且通用的评价体系和指标，一般直接通过网络学习的最终考试判定网络学习结果；高校内与课堂教学相结合的网络学习，教师主要关注学生的网络学习时间是否达到标准，最终的网络学习效果仍然是通过期末的笔试成绩来考察。[6][7]学生的网络学习到底有没有成效，网络学习过程中有哪些欠缺之处，教师都无法发现。虽然有些网络学习平台会提供简单的数据分析功能，但是远远不能为优化网络学习提供有力依据。

关联规则在网络学习中的应用，能通过对网络学习数据的分析，发现网络学习因素之间的关系，以及与学习成绩之间的关联，根据关联分析所得出的规则，能够帮助教师透彻地了解学生网络学习的真实状况，从而更好地监督学生学习，并为网络学习提供改进和完善的建议，提高网络学习质量。

2.数据搜集

本文所用的数据来自于某校英语网络学习平台，该平台由外研社提供，用于辅助大学英语教学。根据大学英语教学大纲，学生每两周接受一次课堂辅导，每周需自主完成至少4个小时的网络学习任务。在英语网络学习平台中，学生需要自主完成对课本知识的学习，包括读写课程、听说课程、在线测试等，平台还包括学习工具、广播台等辅助工具。学生原始学习数据主要包括网络学习时间、网络学习模块以及在线测试成绩，其中网络学习模块主要涉及平台首页、听说教程、读写教程和在线测试，其他页面浏览人次较少，不纳入分析。

除了网络学习数据，本文所使用的数据还包括学生个人信息、期末英语成绩以及大学英语四级成绩。通过对网络学习因素与英语成绩的关联分析，得到这些因素之间的关系，从而为改进大学英语网络学习提供决策支持。

3.数据处理

除却对缺失、错误数据的删除、完善和修补，本文数据处理最关键的步骤在于如何对数据进行分类。关联规则算法是一个计数引擎，只用于计数离散属性状态的相关性，因此它不接受连续属性，只能对离散属性值进行关联规则分析。本文所获得的数据均为连续值，将这些连续属性进行离散化处理是数据处理的重点工作。

数据离散化方法主要有三类，无监督离散化和有监督离散化，全局离散化和局部离散化，动态离散化和静态离散化，其中无监督离散化又包括等宽分箱法和等频分箱法。本文采用无监督离散化的等频分箱法进行数据分类，预先设定好分类数，将数据按从小到大的顺序排好，按数据量将数据平均分配到每一个分类，并做适当调整。相较于等宽分箱法将变量取值范围分为N个等宽的区间，而各区间数据量分配可能存在很大偏差的数据分类方法，等频分箱法更适合于对进行关联规则分析的数据进行离散化分类。

需要进行离散化分类的属性主要为在线时间、是否进行在线测试、期末英语成绩、大学英语四级成绩，最终得到如表1所示的离散化属性编码表。

在对属性进行分类时，英语期末成绩低于60分的人数不多，如果作为一个单独分类，会导致分类间数据量的不一致，因此按照等频分箱法分为四个类别；而在线测试分类中，有几乎一半的学生没有在线测试成绩，因此仅分为两个类别；此外，还定义了“学习模块”这一属性，根据学生在各个模块所花时间的多少进行筛选，选出学生所花时间最多的模块作为 “学习模块”，考察学生在网络学习过程中花费时间最多的模块。

对进行了在线测试的学生进行单独分析，考察其网络学习习惯与期末成绩的关联。主要考虑他们在首页、学习页面（听说页面和读写页面）、测试页面所花时间，并重新对在线时间、期末英语成绩进行分类，依然按照等频分箱法对数据进行离散化，新的属性离散化编码表如表2所示。

4.关联分析结果

利用SASS（SQL Server Analysis Services）进行关联规则分析，采用的关联规则算法是基于Apriori算法的Microsoft关联规则，通过计算频繁项集得到关联规则。分两组进行关联分析——全部学生和参与在线测试的学生，最终得到以下规则：

（1）全部学生关联分析结果

全部学生样本包括10086人，挖掘英语网络学习过程中“在线时间”、“学习模块”、“期末英语成绩”、“英语四级成绩”、“是否进行在线测试”之间的关联，得到以下规则：

规则1：学习模块=“首页”，在线时间=“T3”，期末英语成绩=“S1”，英语四级=“未通过”，支持度为0.447，重要性为0.545。在线时间多，但花费时间最多的页面为首页，期末英语成绩差，英语四级未通过。

规则2：学习模块=“在线测试”，期末英语成绩=“S4”，在线时间=“T3”，英语四级=“C3”，支持度为0.624，重要性为0.369。在线时间多，花费时间最多页面为在线测试，期末英语成绩好，英语四级成绩好。

规则3：期末英语成绩=“S4”，英语四级=“C3”，支持度为0.586，重要性为0.465。期末英语成绩好，英语四级成绩好。

规则4：学习模块=“读写页面”，在线时间=“T3”，性别=“女”，在线测试=“是”，支持度为0.571，重要性为0.267。在线时间多，花费时间最多的页面为读写页面，性别为女，进行了在线测试。

规则5：学习模块=“首页”，在线时间=“T1”，在线测试=“否”，支持度为0.889，重要性为0.534。在线时间少，花费时间最多的页面为首页，未进行在线测试。

规则6：学习模块=“在线测试”，期末英语成绩=“S3”，性别=“女”，在线测试=“是”，支持度为0.504，重要性为0.478。花费时间最多的页面为在线测试，期末英语成绩好，性别为女，进行了在线测试。

从上述规则可以看出，期末英语成绩好的学生往往英语四级也能取得好的成绩；花费较多时间在学习页面或测试页面，英语成绩较好；没有好好利用网络学习平台即在无学习内容的首页花费时间较多的学生，一般不进行网络在线测试，英语成绩也一般；参与在线测试的女生较多，且女生期末英语成绩往往较好。

（2）参与在线测试学生的关联分析结果

参与在线测试的学生共5211名，对这部分学生的网络学习因素和期末英语成绩进行关联分析，将“学习模块”、“在线时间”、“首页”、“学习页面”、“测试页面”作为输入值，“期末英语成绩”作为输出值，得到以下规则：

规则1：学习模块=“在线测试”，学习页面=“X2”，期末英语成绩=“S3”，支持度为0.833，重要性为0.411。在线测试页面花费最多时间，学习页面所花时间中等，期末英语成绩好。

规则2：在线时间=“T1”，学习页面=“X1”，期末英语成绩=“S1”，支持度为0.547，重要性为0.385。在线时间少，学习页面所花时间少，期末英语成绩差。

规则3：学习模块=“首页即其他”，在线时间=“T1”，期末英语成绩=“S1”，支持度为0.667，重要性为0.305。首页所花时间最多，在线时间少，期末英语成绩差。

规则4：测试页面=“E1”，学习页面=“X1”，期末英语成绩=“S1”，支持度为0.526，重要性为0.267。测试页面所花时间少，学习页面所花时间少，期末英语成绩差。

规则5：学习页面=“X3”，测试页面=“E3”，期末英语成绩=“S3”，支持度为0.459，重要性为0.222。学习页面所花时间多，测试页面所花时间多，期末英语成绩好。

从以上5条规则可以看出，如果学生的网络学习习惯好，花费较多时间进行在线学习，且在学习模块花费时间较多，则期末英语能取得好成绩；而当学生网络学习行为差，花费较少时间进行网络学习，且在首页花费较多时间时，期末英语成绩往往较差。这表明，良好的网络学习习惯与期末英语成绩有着较大关联。

四、结论分析与对策建议

通过对英语网络学习平台的学习数据等进行关联分析，得到相关规则，发现了英语网络学习过程中存在的诸多问题，对于教师的英语教学、学生的自主学习都有一定的启示和指导作用。传统网络教学过程中，教师通常只布置学习任务，较少进行督促和指导，对于学生网络学习的评判仅限于是否完成规定的学习时间及期末考试成绩，这并不利于网络学习的可持续发展。根据分析结果，为英语网络教学提出以下几条关键信息以及改进意见：

1.网络学习因素与期末成绩有密切关联

根据关联分析结果，学生在线学习时间越多，较好地完成在线测试内容，且在学习页面所花时间较多，期末英语会取得好的成绩；而当学生花过多时间在首页模块“挂时间”，不进行真正的网络学习时，期末英语成绩往往较差。优秀的信息选择能力和自主学习意识是学生进行网络学习必不可少的关键因素，只有当学生有较强的自主学习意识、自我控制力，并能抵抗网络的诱惑，选择对提升自我知识有真正帮助的学习信息时，网络学习才能算是成功并达到预期的效果。为此，学校应该重视培养学生的网络学习素质，改善网络学习板块，增强趣味性和有用性，首先引导学生对网络学习产生兴趣，进而让学生感受到网络学习对提高英语水平切实有用，才能将学生朝着正确的网络学习道路上引导。网络学习与传统学习最大的差别在于缺少教师的监管，教师要加强对网络学习的监管，增强师生交流。网络学习需要教师付出更多的精力，要及时监督学生是否按时完成网络学习要求，还要安排固定时间与学生进行交流，对网络学习过程中遇到的疑难问题进行及时辅导。

2.丰富多样的网络学习内容有助于学生能力的提高

关联分析结果发现，学生的网络学习因素与英语四级成绩关联性不强，说明学生的英语网络学习对大学英语英语四级没有起到促进作用。英语学习平台不应该只是书本知识的学习，更应该是提高学生英语水平的平台，在英语学习平台中增加丰富的大学英语四级辅导知识、真题测试、模拟测试等板块，让学生在基础知识学习完毕的基础上能有所提升。一方面能提高学生网络学习的积极性，另一方面也丰富了英语学习平台的功能性，真正发挥英语学习平台帮助学生学习英语、提高英语水平的初衷和目的。

3.协作与交流是网络学习过程中必不可少的重要环节

该网络学习平台并没有涉及到网络互动与小组协作学习的环节，存在一定的缺陷。网络学习并不是孤立的个人学习，网络学习过程中必要的师生、生生互动交流是必不可少的环节。小组协作学习在一定程度上能促进小组成员的学习，培养学生协作交流能力；师生之间的互动交流更是能让学生感受到教师的存在，教师并没有消失于学习过程，仍然在监督和督促自己的学习，有助于约束学生。

4.教师的监督和引导是网络学习过程中至关重要的部分

网络学习是由学生-计算机构成的人机交互式学习，计算机无法给出及时的反馈信息，也无法监督学生学习态度是否端正，网络学习需要学生有较强的自主学习能力和自制力。在网络学习中，教师看似轻松，不用面授课程；但实质上，网络教学要取得成功，教师必须付出更多的努力。首先，教师应该适时引导学生，教授学生正确进行网络学习的方法；其次，教师要及时监督学生网络学习状况，对未按时完成网络学习任务的学生给予及时反馈；最后，教师要加强与学生的线上交流与互动，让学生感受到网络学习既能随时随地学习，又能保持与教师的沟通互动。高校在开展网络教学初期，应该注重对教师网络教学能力的培养，增强教师网络教学能力，从而顺利开展网络教学活动。

五、结束语

本文将关联规则算法应用于网络学习平台的数据挖掘当中，分析了网络学习因素与学习结果之间的关联，并且找出了网络学习过程中存在的一些问题，对于网络学习的教学改进提供了决策支持，为改善网络教学、提高网络学习质量提供了切实的依据。

参考文献：

[1]教育部.教育信息化十年发展规划（2011-2020 年）[DB/OL].http：//www.moe.gov.cn /ewebeditor/uploadfile/2012/03/29/20120329140800968.doc，2012-04-01.

[2] Ruipérez-Valiente J A， Mu？oz-Merino P J， Leony D， et al. ALAS-KA： A learning analytics extension for better understanding the learning process in the Khan Academy platform[J]. Computers in Human Behavior， 2014（4）：90-101.

[3] Educational Data Mining [DB/OL]. http：//www.educationaldatamining.org

[4]Al-Razgan M， Al-Khalifa A S， Al-Khalifa H S. Educational data mining： A systematic review of the published literature 2006-2013[C].Proceedings of the First International Conference on Advanced Data and Information Engineering （DaEng-2013）. 2014： 711-719.

[5]李婷，傅钢善.国内外教育数据挖掘研究现状及趋势分析[J].现代教育技术，2010（10）：21-25.

[6]肖志明.关联规则在远程教育教学评价中的应用[J].中国远程教育，2012（9）：39-42.

[7]吴青，罗儒国，王权于.基于关联规则的网络学习行为实证研究[J].现代教育技术，2015（7）：88-94.

神经网络在空气污染预报中的应用研究 篇12

铁水脱硫预处理是近年来在钢铁冶金生产中被广泛应用的一项工艺技术。在高炉炼铁与转炉炼钢工序之间设置铁水预脱硫处理工序,通过向铁水中加入脱硫剂使铁水中的硫降低到规定的质量分数要求,以达到提高铁水质量、改善转炉生产技术指标以及提高炼钢生产效率的目的。随着铁水处理量的增加以及整个炼钢工序自动化对铁水脱硫预处理工序要求的提高,单凭操作员根据经验确定脱硫剂加入量的传统方式已经越来越不

能适应自动化炼钢生产的要求,而通过建立铁水脱硫预处理过程的数学模型、逐步实现铁水脱硫预处理的自动控制已成为目前的主流发展趋势。

攀枝花新钢钒股份有限公司主要以钒钛磁铁矿为原料,采用“高炉-铁水组罐-铁水脱硫预处理-扒渣-转炉提钒-半钢-转炉炼钢”的工艺流程。与其他钢铁生产厂不同,由于攀钢采用脱硫后提钒这一特殊的工艺流程,因此对炼钢生产节奏控制提出了更高的要求。在目前攀钢提钒炼钢厂的铁水脱硫生产过程中,大多数情况仍然由人工凭经验确定脱硫剂加入量,并进行操作,这对保证半钢质量、降低脱硫成本不利,同时也影响后续工序生产效率的提高和整个炼钢工序生产自动化目标的实现。因此,通过建立合理的铁水脱硫预处理预报模型,由模型为自动加料控制系统提供脱硫剂加入量等关键参数是改善攀钢铁水脱硫预处理生产现状的有效途径,也是实现炼钢厂生产自动化及高效化的重要保证。

近年来,越来越多的冶金工作者针对不同钢铁厂铁水脱硫预处理过程建立了各种预报模型[2,3,4,5],这些模型都是基于各自不同的生产条件而建立,对攀钢并不适用。本文结合攀钢提钒炼钢厂铁水预处理脱硫生产现场的实际条件,利用人工神经网络方法建立脱硫剂加入量预报模型,采用脱硫生产现场数据对模型网络进行了训练和测试,并通过现场试验对模型进行了验证。

1预报模型的建立

1.1模型输入和输出参数的确定

铁水脱硫预处理是指将脱硫剂喷吹到铁水罐中,使脱硫剂中的有效脱硫成分在高温下跟铁水中的[S]反应,生成化合物进入炉渣,以脱掉铁水中的[S]。加入多少脱硫剂直接影响着脱硫后铁水[S]的质量分数。通过建立预报模型,为脱硫控制系统提供脱硫剂加入量的模型计算值,可以有效准确地控制脱硫剂加入量,进而实现对脱硫终点[S]水平的控制。因此,本预报模型以脱硫剂加入量作为模型的输出参数。

在铁水脱硫预处理过程中,影响脱硫剂加入量的主要因素有:铁水质量、脱硫前铁水硫质量分数、铁水温度、脱硫后铁水残硫指标(即目标硫质量分数)、铁水初始成分等。其中,铁水质量增加,则脱去相同质量的硫所需的脱硫剂耗量增加;脱前硫质量分数越高,则达到相同的脱后目标硫所需的脱硫剂耗量越多;保持较高的铁水温度有利于脱硫剂的扩散和加快化学反应速度,提高脱硫效率;脱硫后残硫指标越低,相同的铁水初始条件下脱硫剂的消耗量越大;铁水中的Si和C等元素由于参与石灰的脱硫反应,也会对脱硫剂的消耗量产生一定影响。一般而言,在建立模型时凡是影响脱硫剂加入量的因素均应作为模型的输入参数,但从建模的可实现性及简便性角度出发,首先应选择影响输出参数的决定性因素,其次应根据条件选择现场能够实时采集到的变量。因此,综合分析攀钢铁水脱硫预处理的实际过程,本模型选取铁水质量、脱硫前铁水硫质量分数、脱硫后铁水残硫指标3个因素作为模型的输入参数。

1.2模型网络结构的确定

模型采用3层BP神经网络结构,即输入层、隐含层和输出层。隐含层和输出层采用Sigmoid激励函数,即

f(x)=1/(1+e-x) (1)

采用试凑法确定隐含层节点数,公式为

undefined

式中,m为隐含层节点数;n为输入层节点数;l为输出层节点数;a为1～10的常数。经过试凑计算确定本模型的隐层节点数为8。自此本模型选定的网络结构为3×8×1,如图1所示。

1.3模型算法的改进

由于标准BP算法存在收敛速度慢、易陷入局部极小而得不到全局最优的缺点,因此本模型采用增加动量项和最大误差学习法对标准BP算法进行了改进。动量项的加入可以减少训练过程的振荡,提高网络的收敛速度。增加动量项之后的权值调整公式为

ΔW(t)=ηδX+α·ΔW(t-1) (2)

式中,ΔW(t)为本次(t时刻)权值调整量;η为学习率;δ为输出层误差信号或隐含层误差信号;X为相应的输入变量;α为动量项参数;ΔW(t-1)为前一次(t-1时刻)权值调整量。可以看出,增加动量项即从前一次权值调整量中取出一部分调整量迭加到本次权值调整量中,在权值的调整过程中积累了以前的调整经验,对t时刻的调整起阻尼作用,可减小振荡趋势,提高训练速度。

最大误差学习法是将所有样本学习完毕后,并不采用全部样本输出误差的总误差计算各层的误差信号并调整权值,而是选取误差最大的一个样本来计算各层的误差信号并调整权值,这样保证训练样本的整体误差保持下降的趋势,有效地克服了易陷入局部极小的缺点。

2模型应用试验

2.1试验背景

根据上述算法,以VC++作为开发工具,针对攀钢提钒炼钢厂现行使用以CaO和Mg为主要成分的镁复合脱硫剂进行铁水脱硫生产的过程,建立了镁复合脱硫剂加入量预报模型。通过输入脱硫炉次的铁水质量、脱硫前硫质量分数、脱硫后残硫指标3个因素的信息,模型预报给出镁复合脱硫剂加入量。

模型应用于攀钢提钒炼钢厂脱硫车间铁水预处理老脱硫部1,2,5号工位生产现场。1,2,5号工位铁水预处理工艺流程如图2所示。

模型应用试验时按照模型预报得出的镁复合脱硫剂加入量进行加料,经脱硫后考察铁水中[S]质量分数是否达到目标要求。关于脱硫目标[S]质量分数,攀钢要求经“脱硫-扒渣-提钒”后的半钢[S]质量分数不高于0.02%,考虑到脱硫后扒渣、提钒工位的回硫,脱硫目标[S]质量分数一般要求达到0.01%,甚至更低。

2.2离线测试

为了测试所建立模型的离线预报效果,进而判断模型是否可用于现场预报,本项目应用2010年5月攀钢提钒炼钢厂铁水脱硫预处理生产现场所使用镁复合脱硫剂的1 600炉生产数据,完成了模型训练,并用现场生产的同期100炉数据对已完成训练的模型的离线预报效果进行测试,预报结果如图3所示,镁复合脱硫剂加入量预报值与实际值的相对误差分布情况见表1。

从图3和表1中可以看出,对于使用镁复合脱硫剂进行铁水脱硫生产时的100炉测试样本,脱硫剂加入量的预报值的相对误差均小于7%,有83%的炉次的脱硫剂加入量预报值的相对误差小于4%,相对误差小于5%的炉次达到90%;100炉测试集的脱硫剂加入量预报值的平均相对误差为2.3%。显然,模型预报值与实际值之间的偏差较小,模型比较准确地预报了脱硫剂加入量。

2.3现场应用试验

为了检验已建立的脱硫剂加入量预报模型的实际应用效果,2010年7月在攀钢提钒炼钢厂脱硫车间进行了预报模型的现场应用试验,操作室工作人员按照模型预报值进行加料,脱硫结束后取样分析,考察铁水中[S]质量分数是否在目标[S] 质量分数要求以内。模型现场应用试验结果如图4所示。

由图4可知,应用模型进行脱硫生产的试验炉次共62炉, 其中60炉次的脱后[S]质量分数均低于目标[S] 质量分数,仅2个炉次的脱后[S] 质量分数高于目标[S] 质量分数。若以脱后[S]质量分数低于目标[S] 质量分数的炉次占总试验炉次的百分比作为预报模型的脱硫命中率,则模型的脱硫命中率达到96.8%,基本可以满足生产要求。但从试验结果也可以看出,脱后[S] 质量分数与目标[S] 质量分数之间仍存在较大的偏差,其原因主要是因为生产现场在组罐后对铁水质量的计量不够准确,铁水质量的检测值偏高,从而导致模型所预报的脱硫剂加入量偏大。目前,攀钢已在进行铁水称量设备的改造工作,年内即可实现对铁水质量的准确检测。改造完成后,一方面可为预报模型提供准确的铁水质量输入参数,更加准确地预报脱硫剂的加入量,减小脱后[S]质量分数与目标[S]质量分数之间的偏差;另一方面,有了更加准确的生产数据,可以以此为基础建立预报精度更高的模型。

为了进一步检验模型现场试验炉次的脱硫效果,现场试验期间记录了未用预报模型的7月16日中班至7月17日白班的同期45炉次脱硫生产的相关数据,并与应用模型的现场试验炉次进行了对比,如图5所示。其中,脱后[S]与目标[S]的质量分数偏差定义为目标[S]质量分数与脱后[S]质量分数之差,脱硫剂比耗量是指每吨铁水每脱掉0.001%的硫所消耗的脱硫剂量。

由图5可见,在各脱前[S]的范围内,模型应用后的脱后[S]与目标[S]的质量分数偏差均比未用模型时的偏差低,而且当脱前[S]在中高硫段(ω(S)≥0.06%)时,模型应用后的脱硫剂比耗量也降低了约0.006～0.010 kg,但当脱前[S]在低硫段(ω(S)<0.06%)时,模型在降低脱硫剂比耗量方面的效果尚不理想。总的来看,与未用预报模型时相比,预报模型的应用减少了脱硫剂的耗量,降低了脱后[S]与目标[S]的偏差,在一定程度上节约了脱硫成本。但是脱硫后铁水[S]质量分数与终点目标[S]质量分数仍然存在一些偏差,这说明模型预报的脱硫剂加入量还有进一步减少的空间。

3结论

本文针对攀钢铁水脱硫预处理过程,以增加动量项和采用最大误差学习法的改进BP神经网络为基础,建立了适用于攀钢的脱硫剂加入量预报模型,经现场生产数据训练和测试后,将模型投入生产现场进行现场应用试验并分析试验结果,得到如下结论:

(1)针对攀钢铁水预脱硫工艺过程,选取铁水质量、脱硫前铁水硫质量分数、脱硫后铁水残硫指标3个因素作为模型的输入参数,脱硫剂用量作为输出参数,模型结构为3×8×1,建立了基于增加动量项和采用最大误差学习法的改进BP算法的脱硫剂加入量预报模型。

(2)利用攀钢的铁水脱硫现场生产数据,对模型进行了训练和测试。测试结果表明,已建立的脱硫剂加入量预报模型具有良好的泛化能力,能够比较准确地预测脱硫剂的用量。

(3)对已建立的脱硫剂加入量预报模型进行了现场应用试验,试验结果表明,应用模型之后的脱硫效果较好,模型的脱硫命中率达到了96.8%,同时,模型应用后也降低了脱硫剂的消耗量,模型基本满足了生产要求,可用于指导实际生产操作,为实现攀钢铁水脱硫生产过程的自动控制提供了依据。

参考文献

[1]冯聚合,艾立群,刘建华.铁水预处理与钢水炉外精炼[M].北京:冶金工业出版社,2006.

[2]于艳忠,温铁光,战东平,等.鞍钢铁水终点硫含量神经网络预报模型[J].金属材料与冶金工程,2009,37(6):58-61.YU Yan-zhong,WEN Tie-guang,ZHAN Dong-ping,etal.Prediction model of final sulfur content based on artifi-cial neural network for hot metal pretreatment at Ansteel[J].Metal Material and Metallurgy,2009,37(6):58-61.

[3]徐阳,李成威,于奎峰,等.镁基脱硫的人工神经网络预测模型研究[J].炼钢,2004,20(12):45-50.XU Yang,LI Cheng-wei,YU Kui-feng,et al.Neural net-work predicting model for hot metal desulphurization byMg containing desulphurizer[J].Steelmaking,2004,20(12):45-50.

[4]张慧书,战东平,姜周华.基于改进BP神经网络的铁水预处理终点硫含量预报模型[J].钢铁,2007,42(3):30-32.ZHANG Hui-shu,ZHAN Dong-ping,JIANG Zhou-hua.Final sulfur content prediction model based on improvedBP artificial neural network for hot metal pretreatment[J].Iron and Steel,2007,42(3):30-32.

[5]李治友,陈才,曹长修.一种基于改进的RBF神经网络的铁水脱硫预报模型[J].重庆大学学报,2003,26(9):119-122.LI Zhi-you,CHEN Cai,CAO Chang-xiu.A predictionmodel for molten iron desulfuration based on an improvedRBFNN[J].Journal of Chongqing University,2003,26(9):119-122.

[6]韩立群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2006.