一、人工神经网络(ANN)模型在地下水资源预测中的应用研究（论文文献综述）
于成龙[1]（2021）在《和龙市典型地质灾害风险性区划与地质环境承载力综合评价研究》文中认为和龙市为延边朝鲜族自治州所辖县级市,是长白山地区的一座边境旅游城市,坐落于长白山东麓图们江上游北岸,地处东北亚经济圈腹地。市内90%以上面积被山地覆盖,山高谷深,水系发育,降水集中,加之构造活动与火山地震活动强烈,使得区内地质环境较为脆弱。近些年,随着和龙市旅游开发、工矿业开采、工程活动的频繁进行,导致地质灾害发生频率逐年增高。逐年增加的地质灾害与日趋脆弱的地质环境,使和龙市人类经济社会与地质环境可持续发展之间的矛盾日益突出。因此,在和龙市范围内开展地质灾害风险性区划与地质环境承载力评价工作,对指导区内地质灾害防灾减灾工作以及协调区内人类生产生活与地质环境持续发展之间的矛盾具有重要意义。本文以和龙市为研究区域,在考虑特殊地质环境条件影响的基础上,对区内典型地质灾害风险性区划展开研究,然后综合利用地质灾害风险性区划结果、区内地质、生态、社会环境因子,利用数学统计分析方法,对地质环境承载力进行综合评价。本文的研究成果如下:（1）通过遥感解译、地面调查、物探、钻探和山地工程等多种手段相结合的方式,查明了和龙市内已发生地质灾害点173处,均未稳定,潜在地质灾害点63处,均为不稳定斜坡。地质灾害隐患点包含两个部分,一是已发生的、未稳定的地质灾害点,二是潜在地质灾害点。因此,可以确定研究区内分布有236处地质灾害隐患点,其中崩塌80处、泥石流72处、不稳定斜坡63处、滑坡16处、地面塌陷3处、地裂缝2处。对各类隐患点发育特征进行分析,发现研究区内崩塌、滑坡和不稳定斜坡多受控于斜坡结构与人类工程活动,泥石流主要受控于地形地貌条件,地面塌陷及地裂缝均因地下采煤活动而产生。（2）对研究区内典型地质灾害崩滑地质灾害危险性进行区划研究。首先选取基于曲率分水岭法划分的形状多处于正三角形与圆形之间、面积更为均匀、内部坡向与坡度变化较小的斜坡单元为制图单元;根据研究区内地质环境特征与崩滑地质灾害相关性、崩滑地质灾害危险性区划相关文献建立了包含岩土体类、地质构造类、地形地貌类、植被覆盖类、气象水文类、人类活动类、诱发因素类与特殊地质环境类等8大类共计13个评价指标在内的评价指标体系,并针对研究区特殊地质环境条件——长白山火山活动因子进行重点研究;接着对评价指标进行关联性分析,结果显示地层为Q与J、坡度区间为18～24°与24～30°、SE与S坡向、高程区间为255～860 m、起伏度为103～180 m、252～339 m、339～595 m、凸形坡、距离断层、河流、道路越近、裸地和人工植被与崩滑地质灾害危险性的相关性最高;然后选取信息量法、层次分析法、随机森林对研究区崩滑地质灾害危险性进行建模,采用统计参数与受试者工作特征曲线进行模型优选,结果显示随机森林模型的预测精度最高;最后基于随机森林模型的区划结果对研究区崩滑地质灾害危险性进行分析,结果显示低、中、高、极高崩滑危险等级面积占比分别为40.28%、27.75%、19.09%和12.88%,四个危险性等级中分别包含已知崩滑和不稳定斜坡隐患点0、2、31和126个,分别占已知崩滑和不稳定斜坡隐患点个数的0.00%、1.26%、19.50%和79.24%,且崩滑地质灾害危险性等级为高～极高的区域主要分布于研究区内人类生活、生产活动较为集中的各城镇周边,一旦发生崩滑地质灾害,将造成较大的生命财产损失,因此,建议在这些地区加大崩滑灾害监测力度,实现对崩滑灾害的实时监测预警,重视防灾减灾工作的部署。（3）对研究区内典型地质灾害泥石流危险性进行区划研究。首先选取适用于泥石流危险性区划的流域单元作为制图单元;接着建立包含岩土体类、地形地貌类、地质构造类、植被覆盖类、气象水文类、流域发育阶段类与特殊地质环境类等7大类共计11个评价指标在内的评价指标体系,并进行关联性分析,结果显示地层为Q、K与J、坡度区间为6～11°、E、S与SW坡向、面积区间为2.55～7.77 km2、相对高差为0～206 m、圆度区间0.14～0.52、裸地、人工植被、地貌信息熵区间0.349～1.357、距离道路、河流、断层越近与泥石流灾害危险性的相关性较高;然后选取频数比法、人工神经网络、支持向量机对研究区泥石流危险性进行建模,并采用统计参数与受试者工作特征曲线进行模型优选,结果显示支持向量机模型的预测精度最高;最后基于支持向量机模型的区划结果进行研究区泥石流危险性分析,结果显示研究区泥石流低危险性、中危险性、高危险性和极高危险性等级分别占总面积的32.92%、39.07%、18.72%、9.29%,低、中、高、极高四个危险性等级中分别包含已知泥石流灾害点2、11、20和39个,分别占已知泥石流灾害点数的2.78%、15.28%、27.78%和54.16%,且研究区内泥石流地质灾害危险性等级为高～极高的区域,主要集中分布于龙城镇东北部、八家子镇、头道镇中部和东城镇北部地区,建议在这些地区加强泥石流灾害的监测预警研究。（4）对研究区内地质灾害风险性进行区划研究。首先选取以下五个评价指标:道路密度、房屋密度、人口密度、农民人均收入和耕地密度,并采用层次分析法进行崩滑地质灾害易损性与泥石流易损性区划,结果表明研究区内地质灾害易损性等级以低易损性为主。基于易损性与危险性区划结果,进行研究区地质灾害风险性区划,结果表明地质灾害极高～高风险区主要分布在龙城镇东北～东城镇一带和边防公路大部分沿线,占研究区总面积的28.03%,主要危胁对象为省道S206、居民房屋、农田和边防公路等,建议在这一区域内加强防灾减灾工作。地质灾害中风险区面积占比34.22%,应适当开展地质灾害的治理、监测工作。地质灾害低风险区分布面积最广,面积占比为37.75%。（5）对研究区进行地质环境承载力综合评价。结合GIS技术,根据研究区内地质环境特征与人类生活、生产活动特征,采用地质环境类:高差、坡度、地貌类型、断层距离、地震、岩土体类型、崩滑地质灾害风险性和泥石流地质灾害风险性;社会环境类:建筑物密度、人口密度、道路密度和耕地密度;生态环境类:降水、土地利用类型、河流距离、人均水资源量、人均粮食产量和人均矿产资源等3个大类,共计18个评价指标对研究区进行地质环境承载力综合评价,结合组合赋权法,对各评价指标重要程度进行排序,结果显示对研究区地质环境承载力评价最为重要的评价指标为（前五）:泥石流地质灾害风险性、地层岩性、崩滑地质灾害风险性、地震、人口密度;然后对地质环境承载力进行建模研究,结果显示低承载力等级面积为471.38 km2,中承载力等级面积为1,097.24 km2,高承载力等级面积为1,416.67 km2,极高承载力等级面积为2,083.34 km2,这四个等级分别占研究区总面积的9.30%、21.65%、27.95%、41.10%。建议在地质环境承载力较低的区域,控制新资源开发、大型人类工程的建设等,使其不遭受更严重的破坏,转变现有土地、矿产等资源的开采方式和利用强度,逐步改善这一区域内地质环境条件。
程扬[2]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中研究指明磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
李易凡[3]（2020）在《茅洲河流域降雨特征分析及其对径流与水质的影响研究》文中研究指明在气候变化与快速城市化背景下,中国城市河流健康面临巨大威胁。城市水循环过程复杂且受人类活动影响较大,同时长时间序列实测水文资料相对缺乏,导致城市河道径流模拟预测与水质分析较为困难。目前,基于物理机制的水文模型和神经网络模型是城市降雨径流模拟预测的重要工具,但分析总结这两类模型模拟特性的研究仍相对匮乏。此外了解降雨对径流污染的影响是城市河道水质管理的重要环节。茅洲河是深圳市第一大河,但近年来由于受到工业化与城市化的影响,导致该流域洪涝事件频发、河道水质污染问题严重。目前针对该流域降雨径流模型适用性及径流污染分析的研究仍然不足。针对这些问题,本研究以茅洲河流域为研究区域,首先分析总结了茅洲河流域的降雨时空分布规律及典型降雨特征。然后综合考虑资料获取情况与流域特点等因素,利用物理机制驱动的水文模型（SOBEK）和人工神经网络（ANN）、自适应模糊神经网络（ANFIS）与长短期记忆网络（LSTM）在茅洲河流域进行降雨径流建模,分析不同模型在水环境复杂的城市流域的性能差异,以及降雨特征对模型性能的影响。最后,利用数理统计和机器学习方法分析了降雨特征对径流污染的影响,并在此基础上建立降雨特征径流污染预测模型。本研究的主要内容及结论如下:一、降雨时空分布规律与典型降雨特征分析:茅洲河流域中小雨雨型比例较高,暴雨对总降雨量的贡献率最大,且降雨量近年呈一定的上升趋势。该流域降雨受地形等影响,空间分布不均,呈现出由东南向西北递减的趋势。通过对该流域3707个场次降雨事件进行统计分析,总结得出了不同雨型降雨特征（如降雨量、干旱期、降雨强度等）的分布与典型值。茅洲河流域前峰型降雨较为典型,随着雨量的增大均匀型与后峰型降雨逐渐增多;二、SOBEK模型与神经网络模型的对比:SOBEK模型在茅洲河流域展现了较强的适应性,整体NSE为0.891,场次降雨径流模拟的NSE值集中于0.7-0.8,但建模需大量基础数据,率定也需要较长时间。神经网络模型对于输入数据和模型的调试等要求远小于基于物理机制的水文模型,模拟效果与传统的水文模型具备可比性,甚至展现了一定的优势。ANN模型建模较为简易,整体模拟精度NSE为0.755,但由于模型本身特性限制,导致ANN模型预测稳定性较差。ANFIS模型精度相对较好,NSE为0.864,但对于输入数据的处理有较高要求,处理大量数据时较为繁琐。LSTM模型模拟在响应的稳定性和洪峰预测性能上均表现出巨大优势,整体NSE可达0.945,展现其在城市降雨径流分析中的巨大潜力。此外本研究利用主成分分析方法,探究了场次降雨径流事件的降雨特征与模型性能的关系,发现这些模型存在一定的优势互补空间;三、降雨特征对水质污染的影响分析:本研究以降雨事件的COD平均浓度（EMC）作为水质污染的表征因子,在茅洲河一级支流石岩河进行分析,结果表明前峰型降雨和小雨的污染风险较大,干旱期和降雨强度是影响EMC较重要的降雨特征。通过构建的降雨特征EMC预测模型,发现在典型降雨特征情景下,小雨径流污染的EMC值约为中雨的2倍及大雨的5倍。此外还根据典型降雨特征下的EMC预测结果,对估算流域降雨径流污染年负荷方法进行了一定改进。本研究期为城市流域降雨径流分析和水质污染分析提供了一种研究思路,同时为城市雨洪管理、雨水资源化利用与河道水质管理提供一定参考依据。
冯满[4]（2020）在《基于机器学习模型的大宁县滑坡灾害危险性评价》文中研究表明山西省大宁县位于晋西黄土高原,其较为复杂的地质环境伴随剧烈的人类工程活动,使得县域内发育了许多滑坡地质灾害。开展滑坡地质灾害危险性评价是有效防治滑坡灾害的前提,评价的结果可以有针对性的指导城镇地质灾害防治工作。本研究在吕梁山区城镇地质灾害调查项目的基础上,实地调查出208处滑坡灾害点,结合大宁县1:5万地质资料对研究区的滑坡灾害在大宁县县域内的发育特征和地质背景进行分析,使用混合高斯聚类模型优化的人工神经网络模型和支持向量机模型对研究区滑坡灾害危险性做出了评价,并对比不同模型对于滑坡灾害危险性评价的有效性和准确性,最后生成用于指导防灾减灾工作的大宁县滑坡灾害危险性分区图。本文主要成果如下:（1）对大宁县的区域地质背景进行系统的阐述,然后结合研究区内滑坡灾害点的分布情况对其发育特征进行了总结。研究区内的滑坡灾害点主要分布于黄土地貌区,与道路分布有较高一致性,且随着植被覆盖率增加而减少。（2）统计不同影响因素下的滑坡的比例、分级比例和信息量值选取初步的指标因子,然后采用Spearman相关性分析法对各个影响因素相关性进行分析,最终选取高程、坡度、坡向、斜坡曲率、地貌类型、岩土体类型、土壤侵蚀、路网密度、年均降雨、植被覆盖归一化指数等10个指标因子建立研究区滑坡灾害危险性评价的指标体系。（3）将不同因子与滑坡灾害发生关系间的信息量输入到混合高斯聚类模型（GMM）中进行聚类,然后从聚类结果的低危险性分级中挑选出非滑坡单元。然后与已查明的滑坡灾害点组成优化数据集。选取支持向量机（SVM）、人工神经网络（ANN）两种模型对研究区的滑坡灾害危险性展开评价。分别采用ROC曲线和四个机器学习模型性能评估指标检验模型的精确度和泛化性。结果显示聚类优化后的机器学习模型（GMM-ANN-SVM）的性能均优于各自单体模型。且优化后的人工神经网络模型（GMM-ANN）评价效果最好。（4）使用评价效果最好的GMM-ANN模型在GIS软件中完成研究区地质灾害危险性制图,将危险性采用自然间断点法划分为低、较低、中等、较高、高五个等级,并分区描述。
郭田丽[5]（2020）在《区域地下水埋深的数据驱动预报模型研究》文中指出地下水埋深预报对于区域地下水开发利用、水资源评价管理和地质灾害的治理具有重要的科学意义。本文综述了随机模型、灰色模型、模糊模型、人工神经网络预测模型和混合预测模型的研究进展,分析总结已取得的成果和存在的问题,并针对目前研究中存在的不足,选用陕西省关中地区20个监测井的月地下水埋深资料,选定平均绝对误差（MAE）、平均相对误差（MRE）、均方根误差（RMSE）、均方百分比误差（MSPE）、确定性系数（R2）和纳什效率系数（NSE）6个误差指标以及预报合格率（QR）和预报项目精度分级,开展研究区地下水埋深序列的预报模型研究与综合评价。本文的主要研究内容和结论如下:（1）建立BP网络、支持向量机（SVM）和核极限学习机（KELM）3种单一人工神经网络预测模型,将基于单一人工神经网络的预测模型用于研究区地下水埋深预报。研究发现,在训练期,三种预报模型对于所有监测井均表现出较好的拟合效果。在验证期,SVM模型和KELM模型的预测性能优于BP网络模型,BP网络模型的预测结果比较杂乱,规律性较差,而SVM模型和KELM模型能较好地预测出地下水埋深序列的趋势变化和周期波动特征。这可能是因为SVM模型和KELM模型引入正则项惩罚因子,可以有效地避免训练期的数据过拟合,进而提高模型的泛化能力。同时,网络搜索交叉验证参数寻优法和PSO优化算法可以防止试错法和人为确定主观性的影响,为模型参数的确定提供一种更为合理、科学和有效的途径。同时,SVM模型和KELM模型的预测能力各有千秋,但是两个模型存在共同的不足之处是:它们对极值点的预测能力较差,并且普遍存在预测序列存在一个月延迟的情形。（2）基于小波（WA）消噪方法和变模态分解（VMD）消噪技术,构建新型基于消噪方法的混合人工神经网络预报模型（WA-BP、WA-SVM、WA-KELM、VMD-BP、VMD-SVM、VMD-KELM模型）。研究区地下水埋深预报结果表明,BP网络模型的两种混合预测模型的预测能力比SVM和KELM的混合模型的预测能力差,无论是对于地下水埋深的趋势项、周期波动项和极值点等的预测,还是预测时存在的一个月延迟误差,SVM和KELM的混合模型都能较好地改善,但是还是难以准确预测极值点。在3种基于小波消噪的混合预测模型中,WA-SVM的预测精度更高,在3种基于VMD消噪技术的混合预测模型中,VMD-KELM的预测精度更高。这说明小波消噪技术更适合于SVM模型进行结合,而VMD消噪技术则更适合与KELM模型相结合而组成一种精度高、适用性强的混合预测模型。（3）研究区地下水埋深预报模型优选。结果表明最优模型均为改进的混合模型。监测井W19的优选模型为WA-SVM模型,#100、K423和W15-1的优选模型为VMD-SVM模型,监测井K110、K214、K106、#85-1、J16、589、N16、E12-1、232、261、B9、267、B557、CQ19、W25-2和W15的优选模型为VMD-KELM模型。这些结果说明混合模型可以减小预报误差,提高预报精度。这可能是因为本文所应用的消噪方法能有效地提取地下水埋深序列中的趋势分量和周期分量,降低了序列中的噪声成分,较好地提高预测精度。同时,研究区19个监测井的优选模型为基于VMD分解消噪技术的混合预测模型,只有一个监测井的优选模型为基于小波消噪的混合预测模型。这说明文中提出的新型VMD分解消噪技术比小波阈值消噪方法更适合与人工神经网络预测模型耦合去预测研究区地下水埋深。综上,通过研究区监测井的数据驱动模型的构建,并基于选定的误差指标和精度评价指标进行模型评价择优可以发现,改进的混合模型可以较好地利用实测数据所提供的信息,提高预报精度,增强模型的适用性。
周玲[6]（2020）在《青海省贵德县扎仓沟地热田成因机理及开采潜力研究》文中指出人类社会的发展伴随着能源利用的变革和能源利用量的飞速增长,而传统化石燃料为主的的能源结构给环境带来了巨大的压力,因此,为解决能源的可持续利用,调整能源结构、推动可再生能源的开发和利用已是当务之急。地热能作为重要的可再生能源,因其清洁、集中且稳定等优点现在越来越受到人们的关注。我国地热资源丰富,干热岩储量巨大,其中青藏高原南部的干热岩储量占中国大陆地区总量的20.5%,EGS（Enhanced Geothermal Systems,增强型地热系统）是开发深部干热岩地热资源的重要方法。为了解决EGS中储层压裂改造和热能稳定开采这两大核心问题,规划设计更符合实际场地要求的EGS工程,首先要探究地热场地的形成原因,评估地热田地热资源量及合理预测场地热产出能力,然后根据场地资料设计合理的压裂和产热方案,才能给实际工程提供理论指导。针对以上问题,本文以青海省贵德县扎仓沟地热田为研究对象。首先,根据研究区的构造条件、地层特征以及地热地质条件,分析区域地球物理特征、水文地球化学特征、钻井资料,提出了扎仓沟地热田的概念模型并计算和评估地热资源量。扎仓沟地热田的基底主要为印支期花岗闪长岩,是很好的干热型地热资源的热储层,主要地层为中三叠系和新近系,中三叠系地层岩性为有利于形成良好热储的硬砂质长石砂岩、长石石英砂岩和砂岩夹板岩,新近系地层岩性为具有隔热保温作用的砂岩、泥岩及薄层钙质砂岩。区内主要断裂有二组热光断裂和扎仓断裂。热光断裂走向为NW、NNW向的逆断层,属于压扭性断层;扎仓断裂走向为NE向的正断层,属于张扭性断层。扎仓断裂为导热导水通道,有利于深部热源和热水的向上运移。根据地热地质条件和地下热水赋存的规律及特征,扎仓地热田3 km以上地热系统为断裂深循环型水热地热系统,将3km以下为强烈构造活动带型干热岩地热系统。地下3000m以下的分层地热流值为89.0mW/m2和134.3mW/m2,远高于中国的平均值和全球平均热流量值,根据静态法计算研究区4.7km以上地层的地热储量为1.01×1019J,相当于3.45亿吨标准煤热量,根据规范划分,地下03km的水热型地热资源区属于中规模中温地热田,地下34.7km的干热型地热资源区属于大规模高温地热田。为探究地下热储层物理力学性质,采集ZR1井和ZR2井岩样和地热田的野外露头样,开展矿物成分、化学成分、热物理性质和力学性质试验,热储层主要岩性为花岗闪长岩、黑云母闪长岩和石英闪长岩,其主要的矿物成分为石英、钾长石、斜长石和黑云母。岩石中Si的含量占66%,其次为Al、Mg、K、Ca、Fe、Na。扎仓沟热储层的平均密度为2709kg/m3,平均导热系数为3.23W/（m·K）,比热容为0.741kJ/（kg·K）。岩石中的孔隙和裂隙均较少,且多数孔隙单独存在,需要经过人工压裂改造才能在地下热储层建立连通性良好的裂隙网络。基于场地测井资料和测温曲线,破碎带主要集中在11101130m,14301490m,37003740m和42104320m四个层段,根据储层温度和裂隙发育程度,选择地下42104320m作为热储层,通过类比扎仓沟地热田地下33003400m和共和恰卜恰场地36003700m的压裂方案,得到扎仓沟地热田地下42104320m热储压裂方案的压裂结果为裂缝半长为500m,裂缝的平均高度110m,裂缝开度5mm,导流能力为100mD·m,平均裂缝渗透率为20D。在此压裂结果的基础上建立水热耦合数值模型进行换热模拟,模型运行期间内扎仓沟地热储层的生产温度从192.89℃降为169.49℃,经济寿命约为27年,发电总量为1211.8GW·h,大致相当于10个羊八井地热发电站的年发电量,基于该模型计算扎仓沟地热田4.7km以上地层30年的动态热储量为0.66×1018J,为静态法计算储量的6.6%。为探究最佳生产方案,首先对地温梯度、导热系数、孔隙率、注采深度、裂缝渗透率、井间距、注水温度及注水速度进行敏感性分析,得到对产能影响较大的因素,通过神经网络算法进一步分析单因子和因子交互对EGS系统的影响。分析结果显示,注入速度和井间距对生产温度造成的影响大,其次为裂隙渗透率,注入温度的影响最小。注入温度和裂隙渗透率对流动阻抗造成的影响较大,其次为注入速度,井间距的影响最小。注入速度和井间距对电功率造成的影响较大,其次为注入温度,裂隙渗透率的影响最小。注入速度对发电效率的影响最大,其次为裂隙渗透率,注入温度和井间距的影响较小。综合分析得到,井间距600m,裂隙渗透率2×10-10m2,注入温度55℃,注入速度60kg/s为最佳生产方案,30年间,累计发电量为1739.6GW·h,大致相当于15个羊八井地热发电站的年发电量,累计产热量为3.44×1016J,折合标准煤为1.17×106吨,对比基础模型,采热量约提高45%。基于该模型计算扎仓沟地热田4.7km以上地层30年的动态热储量为0.8×1018J,为静态法计算储量的8.0%。通过经济性分析系统工作30年内,拟建的EGS电厂在这项工作中的总成本预计为5699万美元,累积发电和碳交易收入11198万美元,总收益为5499万美元,减少温室气体排放量在0.5882.032 Mt。
路钊,邓正栋,王大庆,王光远,许颢砾,倪博睿,时玥,吕丹[7]（2019）在《基于遥感和GIS技术的地下水富集性评估技术研究进展》文中研究指明地下水富集性调查是地下水资源勘察的重要内容。文中对近年来国内外利用遥感和GIS技术进行地下水富集性的评估方法进行了概括,将主流的多因子模型方法归纳为层次分析法、决策树法、频率比法、人工神经网络法等,并对这些方法的基本原理和优缺点进行了比较,最后对地下水富集性进行了遥感评估技术展望。
孙娜[8]（2019）在《机器学习理论在径流智能预报中的应用研究》文中进行了进一步梳理流域水文预报一直是水文学领域的重点研究内容与方向之一,可为流域水旱灾害防治、库群安全经济运行、水资源科学分配及社会可持续发展等提供重要决策支撑。然而,全球和区域气候异常、流域大规模水电开发及其他各种人类活动的综合作用,深刻改变了流域气象水文关键要素的演化特性,加剧了水资源时空分布不均匀性,导致流域水旱极端事件发生频次及水资源优化配置难度显着增加,这对流域水文预报研究提出了更高的要求和新的挑战。因此,亟需研究并探索新的水文预报理论与方法,充分挖掘水文气象时间序列蕴含的有效信息,进一步提升径流预报的准确性和可靠性,以期为水旱灾害预报预警及流域水资源统筹规划提供科学依据。本文重点围绕变化环境下流域水旱灾害预报预警及水资源优化配置中面临的关键科学问题和技术难题,选取长江上游为主要研究对象,采用先进的机器学习方法和特征选择与智能优化算法等技术,研究流域非线性水文智能预报的先进理论与技术手段。研究工作对流域极端水文事件预报预警、库群安全经济运行与水资源高效利用的实现具有极其重要的指导意义和实际工程应用价值。相关研究成果可进一步推动水文智能预报在实际工程问题中的深化应用与深入发展,可为流域管理部门提供可靠决策信息,具有良好的工程应用前景。本文研究的主要内容和创新性成果包括:（1）以变化环境下流域水文气象关键要素时空演变规律解析为切入点,综合采用探索性数据分析、数理统计及时频多尺度分析方法,全面分析了金沙江流域近50年以来水循环关键要素径流、降水的年内季节变化特征与年际趋势、周期和突变等演变规律,并首次采用累积量斜率变化率比较法定量评估了气候因子降水和非自然因素人类活动对径流变化的影响。研究表明金沙江流域年降水量和年径流总体呈上升趋势,且该时期气候变化相比人类活动对径流变化的影响更显着。分析结果表明多种特性分析方法综合应用有助于充分认识流域水文气象过程的年内与年际变化特征,并揭示其长期变化趋势及演变规律,为非线性径流智能预报提供科学依据。（2）在洪水预报中,基于机器学习的预报模型由于不需要深入理解水循环系统下渗、蒸发、产流、汇流等各个关键环节的物理机理,且其具有较强非线性拟合能力、数据需求量少、模型搭建简单而备受关注。然而,受气候异常变化和人类活动等综合影响,单一机器学习方法难以全面刻画不同量级径流的固有内在特性和气候气象因子与人类活动造成的外部干扰。针对强非线性特征引发的洪水难以准确预报的问题,研究了基于智能优化算法、机器学习方法的非线性智能洪水预报理论,设计了正交初始化种群和自适应变异尺度系数两种策略对标准回溯搜索算法（BSA）进行改进,进而建立了改进回溯搜索算法优化极限学习机的洪水预报模型（ELM-IBSA）。研究表明,与传统的广义回归神经网络（GRNN）、单一极限学习机（ELM）和ELM-BSA相比,ELM-IBSA模型具有更佳的稳定性和泛化能力,设计的正交初始化种群策略和自适应变异尺度系数策略能够有效提升BSA算法收敛性能,得到稳定性更佳且全局搜索能力更强的洪水预报模型,从而获得更为可靠的洪水预报结果。该模型既能有效提高预报性能,又保留了数据驱动模型数据需求少、非线性拟合能力强的优势,可为流域库群实时防洪调度提供数据支撑。（3）基于信号分解、人工智能的分解-集成预报模型已被证明是提高中长期水文预报的一种有效手段。针对基于“捆绑分解”的分解-集成水文预报方法在建模与预报过程中,使用了实际未知的未来信息,易导致预报结果“虚高”,不适用于工程实际的问题。为此,设计了能有效避免采用未知信息的自适应动态分解策略,进而引入变分模态分解、回溯搜索算法与正则极限学习机等先进理论与方法,提出了自适应动态分解-优化-集成预报模型（AVMD-BSA-RELM）,并在金沙江流域关键控制断面月径流预报中进行了论证。为全面评价模型的预报性能,基于传统的误差统计指标,引入常用于经济学领域的Diebold-Mariano统计检验方法,提出了一种从预报整体误差、预报结果相关性及与基准模型对比预报优势显着性等多方面全方位综合评价体系。研究表明,与四种常用单一机器学习模型相比,该模型能有效捕捉历史径流序列的长期演变趋势,提高了径流中长期预报精度;且设计的自适应动态分解策略能够根据新息不断调整分解方法的相关参数,可有效克服捆绑分解引入未来预报信息的不足,进而增强了分解-集成预报模型在实际工程中的适用性。（4）为弥补确定性水文预报方法不能刻画预报结果内在不确定性及其演化特征的局限性,同时为提高数据驱动径流预报方法的物理基础与预报精度,研究了基于随机森林、高斯过程回归理论的不确定性径流预报方法,采用随机森林算法解析了太阳活动、环流因子、区域海温等遥相关变量和区域气象因子与区域径流的高维、滞后非线性映射关系,揭示了不同大气-海洋遥相关因子及区域气象要素对不同时间尺度径流过程的影响程度和作用强度,提出了气-海-陆多尺度因子联合驱动的高斯过程回归径流预报模型,以获得高精度径流预报结果及其不确定性演化特征。实例研究表明,大尺度气候因子的加入能够有效提高预报精度,气-海-陆因子联合驱动的高斯过程回归径流预报模型可一次性同时提供确定性预报结果及其不确定性演化过程,与其他后处理概率区间径流预报方法相比,具有更为广阔的应用前景。
王萌[9]（2019）在《神经网络算法在径流模拟中的开发与应用》文中进行了进一步梳理在水文学研究中,过程驱动的水文模型受制于现实因素,可用输入数据和模型所需数据往往不能完美契合,在一定程度上限制了其应用。而基于数据驱动的神经网络模型具有良好的模型结构可变性和优异的性能,受到广大研究学者的欢迎。在“降水-径流”关系模拟中,径流可能受到过去的气象因素的影响,为了解决此问题,目前均采用了加长模拟时间步的办法。主流采用的人工神经网络（ANN）模型拥有极强的学习能力,但不能体现出历史水文气象因素对未来径流的影响力会逐步减弱这一事实。这不仅造成了模型泛化能力下降,而且违背了自然规律。为了解决这一问题并测试其模拟性能以及最佳适用条件,本研究应用了一种改进的神经网络——长短期记忆（LSTM）神经网络,在中国黑河上游流域的不同时间尺度进行了“降水-径流”模拟。通过与ANN模拟结果对比发现,LSTM神经网络径流模拟的纳什系数（NSE）可达0.8054,稍优于ANN的NSE值0.7843;但是月尺度模拟方面,ANN和LSTM的NSE值分别可达0.9077和0.8421。综合考虑模型泛化能力和鲁棒性,LSTM更适合日尺度模拟而ANN更适合月尺度模拟。此外,本研究还将神经网络模型与另一种基于过程驱动的水文模型（FLEX-Topo）进行了比较,发现神经网络模型也同样具有竞争力,纳什系数最大相差不过0.048。基于前文ANN更适用于对月尺度模拟的结论,本研究最后在月尺度上使用了ANN模型对未来多种气候变化的情景下径流不同的变化趋势进行了预估。研究发现在温度和降水增加的情况下,未来黑河上游水资源分布的不确定性会增加,这也为未来气候变化情景下的水资源管理提供了参考依据。
王枭雄[10]（2019）在《内河航道智能水位预测模型研究》文中指出内河航道水位作为航道尺度维护的主要指标,是指导船舶合理配载和保障船舶安全航行的重要因素。全面、及时、准确地感知内河航道沿线水位信息,并合理地预测水位短期变化趋势,对于提升航道通过能力、保障船舶航行安全和科学开展航道养护的至关重要。近年来随着遥测遥控技术的发展,通过沿线水位观测站的设置,许多航道部门已经可以全面、及时地掌握水位的动态信息,然而对于水位变化趋势的预测,由于内河自然环境的复杂多变性,很难建立起准确有效的物理数学模型。近年来人工智能领域快速发展的深度学习理论和技术,提供了一种从大量数据中学习并建立模型的新方法。本文利用其中的 RNN（Recurrent Neural Network）、LSTM（Long Short-Term Memory）等技术研究从大量历史水位数据中学习和建立智能水位预测模型,并利用TensorFlow框架对模型进行了实现。归纳起来,本文完成的主要工作包括:（1）基于水位站采集的水位数据,分析其误差来源和特点,研究水位数据空缺、噪声等问题的识别和处理,并提出了一种基于Savitzky-Golay滤波器的水位数据去噪与平滑的预处理方法,有效地提高了水位预测模型的准确性。（2）根据水位数据的时间序列特性,选择时间序列分析模型ARIMA（Autoregressive Integrated Moving Average Model）模型和深度学习中的RNN和LSTM理论分别进行单水位站的智能水位预测模型研究,并利用TensorFlow框架进行实现以及对比试验分析,试验结果表明,基于LSTM的水位预测模型具有更好的准确性。（3）根据内河沿线水位变化的特点,提出利用连续多水位站的水位数据进行联动学习的方法,对单水位站的LSTM预测模型进行改进,提出了三水位站联动的智能水位预测模型,试验结果表明比单水位站的预测模型具有更高准确性。本文基于历史水位数据利用深度学习研究并构建了内河航道智能水位预测模型,不仅具有理论探索价值,而且所实现模型能够较好地进行水位的短期预测,对于提供更好的航道水位信息服务,保障船舶航行安全和提升航道通过能力亦具有现实意义。
二、人工神经网络(ANN)模型在地下水资源预测中的应用研究（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、人工神经网络(ANN)模型在地下水资源预测中的应用研究（论文提纲范文）
（1）和龙市典型地质灾害风险性区划与地质环境承载力综合评价研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题依据与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地质灾害危险性区划研究现状 |
| 1.2.2 地质灾害风险性区划研究现状 |
| 1.2.3 地质环境承载力研究现状 |
| 1.2.4 现存问题 |
| 1.3 研究内容与技术路线 |
| 1.4 论文创新点 |
| 第2章 研究区概况 |
| 2.1 地理位置 |
| 2.2 气象水文 |
| 2.3 植被 |
| 2.4 社会经济概况 |
| 2.5 地形地貌 |
| 2.6 地层岩性 |
| 2.7 地质构造 |
| 2.8 地下水类型 |
| 2.9 工程岩土体类型 |
| 2.10 地震活动 |
| 2.11 火山活动 |
| 2.12 人类工程活动 |
| 2.13 小结 |
| 第3章 研究区地质灾害发育特征分析 |
| 3.1 地质灾害遥感解译 |
| 3.1.1 遥感数据获取 |
| 3.1.2 DEM数据获取 |
| 3.1.3 遥感影像处理 |
| 3.1.4 解译标志 |
| 3.1.5 遥感解译结果 |
| 3.2 地质灾害总体特征 |
| 3.2.1 地质灾害类型构成 |
| 3.2.2 地质灾害总体分布规律 |
| 3.3 地质灾害发育及分布特征 |
| 3.3.1 崩塌发育及分布特征 |
| 3.3.2 泥石流发育及分布特征 |
| 3.3.3 滑坡发育及分布特征 |
| 3.3.4 地面塌陷发育及分布特征 |
| 3.3.5 地裂缝发育及分布特征 |
| 3.3.6 不稳定斜坡发育及分布特征 |
| 3.4 小结 |
| 第4章 研究区崩滑地质灾害危险性区划 |
| 4.1 地质灾害危险性区划流程 |
| 4.2 崩滑地质灾害编录数据 |
| 4.3 崩滑危险性区划制图单元选取 |
| 4.4 评价指标系统建立 |
| 4.4.1 地质环境特征与崩滑地质灾害关系分析 |
| 4.4.2 崩滑危险性区划评价指标使用频次统计 |
| 4.4.3 崩滑危险性区划评价指标系统建立 |
| 4.4.4 崩滑危险性区划评价指标提取及关联性分析 |
| 4.5 崩滑危险性区划模型的建立与优选 |
| 4.5.1 信息量模型 |
| 4.5.2 层次分析模型 |
| 4.5.3 随机森林模型 |
| 4.5.4 评价指标多重共线性分析 |
| 4.5.5 崩滑危险性区划建模结果 |
| 4.5.6 崩滑危险性区划模型优选 |
| 4.6 崩滑危险性区划结果分析 |
| 4.7 小结 |
| 第5章 研究区泥石流地质灾害危险性区划 |
| 5.1 泥石流编录数据 |
| 5.2 泥石流危险性区划制图单元选取 |
| 5.3 评价指标系统建立 |
| 5.3.1 地质环境特征与泥石流地质灾害关系分析 |
| 5.3.2 评价指标系统建立 |
| 5.3.3 泥石流危险性区划评价指标提取及关联性分析 |
| 5.4 泥石流危险性区划模型 |
| 5.4.1 频数比模型 |
| 5.4.2 人工神经网络模型 |
| 5.4.3 支持向量机模型 |
| 5.4.4 评价指标多重共线性分析 |
| 5.4.5 泥石流危险性区划建模结果 |
| 5.4.6 泥石流危险性区划模型优选 |
| 5.5 泥石流危险性区划结果分析 |
| 5.6 小结 |
| 第6章 研究区地质灾害风险性区划 |
| 6.1 地质灾害易损性区划 |
| 6.1.1 地质灾害易损性区划制图单元选取 |
| 6.1.2 评价指标选取 |
| 6.1.3 地质灾害易损性区划模型 |
| 6.2 地质灾害风险性区划 |
| 6.3 地质灾害风险性区划结果分析 |
| 6.4 小结 |
| 第7章 研究区地质环境承载力综合评价 |
| 7.1 评价单元选取 |
| 7.2 评价指标选取 |
| 7.2.1 地质环境 |
| 7.2.2 社会环境 |
| 7.2.3 生态环境 |
| 7.3 评价指标权重确定 |
| 7.3.1 评价指标分值确定 |
| 7.3.2 组合赋权法 |
| 7.3.3 基于组合赋权法的评价指标权重确定 |
| 7.4 地质环境承载力区划 |
| 7.5 地质环境承载力区划结果分析 |
| 7.6 小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 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 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（3）茅洲河流域降雨特征分析及其对径流与水质的影响研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 降雨雨型与特征研究 |
| 1.2.2 降雨径流模型研究 |
| 1.2.3 降雨径流污染研究 |
| 1.3 当前研究不足 |
| 1.4 研究内容 |
| 第2章 研究区域概况与研究方法 |
| 2.1 研究区域概况 |
| 2.1.1 研究区域位置 |
| 2.1.2 地貌植被 |
| 2.1.3 气候条件 |
| 2.1.4 水环境条件 |
| 2.2 数据概况 |
| 2.3 研究方法 |
| 2.3.1 SOBEK水文模型 |
| 2.3.2 ANN、LSTM与 ANFIS神经网络模型 |
| 2.3.3 K-means、主成分分析、随机森林、XGBoost和 GBDT算法 |
| 2.4 模型评测标准 |
| 2.5 技术路线图 |
| 2.6 本章小结 |
| 第3章 降雨雨型及特征分析 |
| 3.1 降雨时空分布分析 |
| 3.2 典型降雨特征分析 |
| 3.3 本章小结 |
| 第4章 降雨径流模拟研究 |
| 4.1 SOBEK水文模型 |
| 4.1.1 SOBEK模型概述 |
| 4.1.2 SOBEK模型结果 |
| 4.2 ANN模型 |
| 4.2.1 ANN模型概述 |
| 4.2.2 ANN模型结果 |
| 4.3 ANFIS模型 |
| 4.3.1 ANFIS模型概述 |
| 4.3.2 ANFIS模型结果 |
| 4.4 LSTM模型 |
| 4.4.1 LSTM模型概述 |
| 4.4.2 LSTM模型结果 |
| 4.5 模型对比分析 |
| 4.6 本章小结 |
| 第5章 降雨径流污染研究 |
| 5.1 降雨特征对EMC影响的定性分析 |
| 5.2 降雨特征对EMC影响的特征重要性分析 |
| 5.3 降雨特征EMC预测模型的构建与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（4）基于机器学习模型的大宁县滑坡灾害危险性评价（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 滑坡灾害评价理论与方法研究现状 |
| 1.2.2 滑坡灾害危险性评价研究现状 |
| 1.3 研究内容、研究方法与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区区域地质环境 |
| 2.1 区域交通概况 |
| 2.2 自然地理概况 |
| 2.2.1 气候气象条件 |
| 2.2.2 水文特征 |
| 2.3 地质环境背景 |
| 2.3.1 地形地貌 |
| 2.3.2 地层岩性 |
| 2.3.3 地质构造 |
| 2.3.4 新构造运动与地震 |
| 2.4 水文地质条件 |
| 2.5 植被类型及分布特征 |
| 2.6 人类工程活动 |
| 2.7 地质灾害发育特征 |
| 2.8 本章小结 |
| 第三章 危险性评价指标体系 |
| 3.1 评价单元的选择及数据处理 |
| 3.1.1 评价单元的选择 |
| 3.1.2 数据预处理 |
| 3.2 危险性评价体系建立 |
| 3.2.1 评价因子选取 |
| 3.2.2 评价指标因子分级 |
| 3.2.3 因子图层数据提取 |
| 3.3 因子分析 |
| 3.3.1 因子分析方法 |
| 3.3.2 因子分析 |
| 3.3.3 因子相关性分析 |
| 3.4 本章小结 |
| 第四章 危险性评价模型 |
| 4.1 基于混合高斯模型优化的机器学习模型 |
| 4.2 混合高斯聚类模型 |
| 4.3 人工神经网络模型 |
| 4.4 支持向量机模型 |
| 4.5 本章小结 |
| 第五章 研究区滑坡地质灾害危险性评价 |
| 5.1 模型数据准备 |
| 5.2 算法模型建立与训练 |
| 5.2.1 人工神经网络模型构建 |
| 5.2.2 支持向量机模型构建 |
| 5.3 大宁县滑坡危险性评价 |
| 5.3.1 大宁县滑坡危险性分区 |
| 5.3.2 基于单独ANN模型的大宁县滑坡危险性评价 |
| 5.3.3 基于单独SVM模型的大宁县滑坡危险性评价 |
| 5.3.4 基于GMM-ANN模型的大宁县滑坡危险性评价 |
| 5.3.5 基于GMM-SVM模型的大宁县滑坡危险性评价 |
| 5.4 危险性评价结果分析 |
| 5.5 评价结果精度检验 |
| 5.3.1 性能评价指标介绍 |
| 5.3.2 评价结果分析 |
| 5.6 本章小结 |
| 第六章 结论及展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）区域地下水埋深的数据驱动预报模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 数据驱动模型研究现状 |
| 1.2.2 存在的问题 |
| 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 |
| 1.4 本章小结 |
| 第二章 基本理论概述 |
| 2.1 变模态分解方法的原理与流程 |
| 2.1.1 VMD算法原理 |
| 2.1.2 VMD算法步骤 |
| 2.2 小波分析 |
| 2.3 误差反传前馈网络模型 |
| 2.3.1 人工神经网络 |
| 2.3.2 误差反传前馈网络 |
| 2.4 支持向量机 |
| 2.5 极限学习机 |
| 2.5.1 极限学习机原理 |
| 2.5.2 核极限学习机 |
| 2.6 粒子群优化算法原理 |
| 第三章 基于VMD分解的地下水埋深序列统计特征分析 |
| 3.1 研究区概况 |
| 3.1.1 自然地理特征 |
| 3.1.2 气候 |
| 3.1.3 地下水概况 |
| 3.2 研究区站点情况 |
| 3.2.1 地下水埋深数据特性分析 |
| 3.2.2 变模态分解方法的应用 |
| 3.3 模型综合评价指标 |
| 3.4 本章小结 |
| 第四章 基于人工神经网络模型的地下水埋深预报 |
| 4.1 BP神经网络 |
| 4.1.1 模型的构建 |
| 4.1.2 结果分析与比较 |
| 4.2 支持向量机 |
| 4.2.1 模型的构建 |
| 4.2.2 结果分析与比较 |
| 4.3 核极限学习机 |
| 4.3.1 模型的构建 |
| 4.3.2 结果分析与比较 |
| 4.4 本章小结 |
| 第五章 基于小波消噪的混合预测模型 |
| 5.1 基于小波消噪的混合预测模型的构建 |
| 5.2 模型的应用 |
| 5.2.1 基于小波消噪的BP神经网络混合预报模型 |
| 5.2.2 基于小波消噪的SVM混合预报模型 |
| 5.2.3 基于小波消噪的KELM混合预报模型 |
| 5.3 本章小结 |
| 第六章 基于VMD分解消噪技术的混合预测模型 |
| 6.1 基于分解技术的混合预测模型的构建 |
| 6.2 模型应用 |
| 6.2.1 基于VMD消噪技术的BP混合预报模型 |
| 6.2.2 基于VMD消噪技术的SVM混合预报模型 |
| 6.2.3 基于VMD消噪技术的KELM混合预报模型 |
| 6.3 本章小结 |
| 第七章 模型的综合评价 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）青海省贵德县扎仓沟地热田成因机理及开采潜力研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与选题依据 |
| 1.1.1 研究背景 |
| 1.1.2 选题依据 |
| 1.2 国内外研究现状 |
| 1.2.1 EGS项目研究现状 |
| 1.2.2 EGS数值模拟研究现状 |
| 1.2.3 神经网络在地热研究中的应用现状 |
| 1.2.4 扎仓沟地热田研究现状 |
| 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 |
| 1.4 本文创新点 |
| 第二章 研究区自然地理及地质概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 气象、水文概况 |
| 2.1.3 地形地貌 |
| 2.2 区域地质背景 |
| 2.2.1 地层岩性概况 |
| 2.2.2 地质构造活动 |
| 2.3 区域地质调查概况 |
| 第三章 地热地质及成因机制研究 |
| 3.1 区域地热地质条件 |
| 3.2 地球物理特征 |
| 3.2.1 遥感数据 |
| 3.2.2 重力调查 |
| 3.2.3 MT测量 |
| 3.2.4 CSAMT测量 |
| 3.3 水文地球化学特征 |
| 3.3.1 水化学组分特征 |
| 3.3.2 水化学类型 |
| 3.3.3 水-岩平衡状态 |
| 3.3.4 储层温度估算 |
| 3.3.5 氢氧同位素特征 |
| 3.4 扎仓沟地热田调查 |
| 3.4.1 ZR1和ZR2 井岩心特征 |
| 3.4.2 ZR1和ZR2 井测温 |
| 3.4.3 大地热流值特征 |
| 3.5 ZR1 井现场试验 |
| 3.5.1 地热流体监测 |
| 3.5.2 抽水试验 |
| 3.5.3 放喷试验 |
| 3.5.4 换热试验 |
| 3.6 扎仓地热田成因机制 |
| 3.6.1 热源分析 |
| 3.6.2 水源分析 |
| 3.6.3 储盖层分析 |
| 3.6.4 运移通道分析 |
| 3.7 扎仓沟地热田高温地热资源量评估 |
| 3.7.1 参数选取 |
| 3.7.2 计算结果及评价 |
| 3.8 本章小结 |
| 第四章 热储岩样室内试验及分析 |
| 4.1 引言 |
| 4.2 矿物组分及其化学特征 |
| 4.2.1 微观特征 |
| 4.2.2 薄片鉴定 |
| 4.2.3 X光衍射(XRD) |
| 4.2.4 全岩分析 |
| 4.3 岩石物理性质 |
| 4.3.1 岩石密度 |
| 4.3.2 孔隙度、渗透率 |
| 4.3.3 导热系数 |
| 4.3.4 比热容 |
| 4.4 力学强度特性 |
| 4.4.1 弹性模量、泊松比(弹性波速法) |
| 4.4.2 抗拉强度 |
| 4.4.3 抗压强度 |
| 4.4.4 剪切强度(C、φ值) |
| 4.5 本章小结 |
| 第五章 扎仓沟地热田高温地热资源开采潜力研究 |
| 5.1 数值模拟工具 |
| 5.2 花岗闪长岩热储开采数值模拟 |
| 5.2.1 储层的选择 |
| 5.2.2 水力压裂方案 |
| 5.3 开采设计 |
| 5.3.1 网格剖分及参数设置 |
| 5.3.2 限制条件 |
| 5.3.3 水热耦合模拟结果 |
| 5.4 参数敏感性分析 |
| 5.4.1 地温梯度 |
| 5.4.2 导热系数 |
| 5.4.3 孔隙度 |
| 5.4.4 抽注深度 |
| 5.4.5 裂隙渗透率 |
| 5.4.6 井间距 |
| 5.4.7 注入温度 |
| 5.4.8 注水速度 |
| 5.5 本章小结 |
| 第六章 基于神经网络的热储产热潜力研究 |
| 6.1 BP神经网络概述 |
| 6.2 BP神经网络训练过程 |
| 6.3 BP神经网络模型建立 |
| 6.4 神经网络模型误差分析 |
| 6.5 基于ANN模型的单因子敏感性分析 |
| 6.5.1 井间距的影响 |
| 6.5.2 注入温度的影响 |
| 6.5.3 注入速度的影响 |
| 6.5.4 裂隙渗透率的影响 |
| 6.6 基于ANN模型的组合因子敏感性分析 |
| 6.6.1 生产温度 |
| 6.6.2 流动阻抗 |
| 6.6.3 发电功率 |
| 6.6.4 发电效率 |
| 6.6.5 最优开采方案 |
| 6.6.6 经济性分析 |
| 6.7 本章小结 |
| 第七章 结论及建议 |
| 7.1 结论 |
| 7.2 建议及展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（8）机器学习理论在径流智能预报中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 引言 |
| 1.2 选题背景与研究目标 |
| 1.3 流域水文特性分析及径流智能预报方法研究概况 |
| 1.4 本文主要研究内容及章节安排 |
| 2.变化环境下流域水循环关键要素演变规律解析 |
| 2.1 引言 |
| 2.2 演变规律解析方法 |
| 2.3 金沙江流域概况及选用数据 |
| 2.4 降水多维时空演变规律解析 |
| 2.5 径流多维时空演变规律解析 |
| 2.6 气候变化与人类活动对径流变化的定量评估 |
| 2.7 本章小结 |
| 3.基于机器学习的洪水预报研究 |
| 3.1 引言 |
| 3.2 研究方法 |
| 3.3 实例验证及结果分析 |
| 3.4 本章小结 |
| 4.自适应动态分解-优化-集成径流预报方法及综合评价 |
| 4.1 引言 |
| 4.2 研究方法 |
| 4.3 自适应动态分解-优化-集成预报建模及综合评价 |
| 4.4 实例研究 |
| 4.5 本章小结 |
| 5.气-海-陆因子驱动的径流区间预报方法研究 |
| 5.1 引言 |
| 5.2 研究方法 |
| 5.3 气-海-陆因子驱动的径流区间预报方法 |
| 5.4 应用研究 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 6.1 研究工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 :攻读博士期间发表的论文 |
| 附录2 :攻读博士期间完成和参与的科研项目 |
（9）神经网络算法在径流模拟中的开发与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.3 目前研究的不足 |
| 1.4 研究目标 |
| 1.5 技术路线 |
| 第2章 研究区概况及研究方法 |
| 2.1 研究区域概况 |
| 2.1.1 研究区位置 |
| 2.1.2 气候条件 |
| 2.1.3 土壤与植被 |
| 2.1.4 水文地质条件 |
| 2.2 水文气象数据基本情况 |
| 2.3 研究方法 |
| 2.3.1 神经网络算法基本理论 |
| 2.3.2 人工神经网络(ANN)与长短期记忆神经网络(LSTM) |
| 2.3.3 模型评测标准 |
| 2.4 本章小结 |
| 第3章 神经网络建模 |
| 3.1 模型的超参数和数据预处理 |
| 3.1.1 神经网络模型参数 |
| 3.1.2 输入数据标准化 |
| 3.1.3 输入数据归一化 |
| 3.1.4 观测数据集拆分与模型结构选择 |
| 3.2 径流模拟时间步设定 |
| 3.3 基于ANN和 LSTM的径流模型 |
| 3.3.1 日尺度建模模拟 |
| 3.3.2 月尺度建模模拟 |
| 3.4 本章小结 |
| 第4章 神经网络模型模拟效果评价 |
| 4.1 对水文特征的学习能力评测 |
| 4.2 激活函数对输入数据的利用方式 |
| 4.2.1 ANN中的激活函数 |
| 4.2.2 LSTM中的激活函数 |
| 4.3 与基于过程的水文模型的比较研究 |
| 4.3.1 FLEX-Topo水文模型 |
| 4.3.2 多种模型协同评测 |
| 4.4 本章小结 |
| 第5章 未来气候变化对径流的影响 |
| 5.1 历史气象数据趋势分析 |
| 5.2 未来气候情景预估 |
| 5.3 未来径流变化情景分析 |
| 5.3.1 ANN与 FLEX-Topo模型预测性能对比 |
| 5.3.2 降水温度单变量变化情景分析 |
| 5.3.3 降水温度同步增加情景分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）内河航道智能水位预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 2 相关理论方法与技术 |
| 2.1 水位预测的需求分析 |
| 2.2 水位预测方法分析 |
| 2.2.1 水位预测的主要方法 |
| 2.2.2 深度学习方法可行性 |
| 2.3 关键应用工具 |
| 2.3.1 Python |
| 2.3.2 Anaconda |
| 2.3.3 TensorFlow |
| 2.4 本章小结 |
| 3 水位数据预处理 |
| 3.1 水位数据特点分析 |
| 3.1.1 内河水位数据采集 |
| 3.1.2 水位数据的误差来源分析 |
| 3.2 内河水位数据预处理 |
| 3.2.1 空缺数值的处理方法 |
| 3.2.2 噪声的识别处理方法 |
| 3.3 基于SG滤波器的数据预处理 |
| 3.3.1 SG滤波器及窗口选择 |
| 3.3.2 基于SG滤波器的噪声处理 |
| 3.3.3 基于SG滤波器的数据波形平滑 |
| 3.3.4 水位数据预处理效果验证 |
| 3.4 本章小结 |
| 4 智能水位预测模型 |
| 4.1 基于ARIMA的水位预测模型 |
| 4.1.1 ARIMA模型 |
| 4.1.2 基于ARIMA水位预测模型的构建 |
| 4.1.3 基于ARIMA预测模型的评估及误差分析 |
| 4.2 基于RNN的水位预测模型 |
| 4.2.1 RNN模型 |
| 4.2.2 基于RNN水位预测模型的构建 |
| 4.2.3 基于RNN预测模型的评估及误差分析 |
| 4.3 基于LSTM的水位预测模型 |
| 4.3.1 LSTM模型 |
| 4.3.2 基于LSTM水位预测模型的构建 |
| 4.3.3 基于LSTM预测模型的评估及误差分析 |
| 4.4 本章小结 |
| 5 多水位站联动的智能水位预测模型及对比分析 |
| 5.1 三水位站水位数据联动预测 |
| 5.1.1 三水位站水位数据处理 |
| 5.1.2 基于LSTM的三水位站联动预测模型 |
| 5.1.3 三水位站联动预测模型的评估与误差分析 |
| 5.2 各种水位预测模型的对比分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、人工神经网络(ANN)模型在地下水资源预测中的应用研究（论文参考文献）
- [1]和龙市典型地质灾害风险性区划与地质环境承载力综合评价研究[D]. 于成龙. 吉林大学, 2021
- [2]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [3]茅洲河流域降雨特征分析及其对径流与水质的影响研究[D]. 李易凡. 哈尔滨工业大学, 2020(01)
- [4]基于机器学习模型的大宁县滑坡灾害危险性评价[D]. 冯满. 长安大学, 2020(06)
- [5]区域地下水埋深的数据驱动预报模型研究[D]. 郭田丽. 西北农林科技大学, 2020(02)
- [6]青海省贵德县扎仓沟地热田成因机理及开采潜力研究[D]. 周玲. 吉林大学, 2020(08)
- [7]基于遥感和GIS技术的地下水富集性评估技术研究进展[A]. 路钊,邓正栋,王大庆,王光远,许颢砾,倪博睿,时玥,吕丹. 国家安全地球物理丛书（十五）——丝路环境与地球物理, 2019
- [8]机器学习理论在径流智能预报中的应用研究[D]. 孙娜. 华中科技大学, 2019
- [9]神经网络算法在径流模拟中的开发与应用[D]. 王萌. 哈尔滨工业大学, 2019
- [10]内河航道智能水位预测模型研究[D]. 王枭雄. 大连海事大学, 2019(06)