网站访问量
今日访问量: 850
.png)
期刊简介
中国科协高质量科技期刊分级目录安全科学领域T1级、环境科学领域T2级
中国科学引文数据库（CSCD）核心库源期刊
中文核心期刊
中国科技论文统计源期刊（中国科技核心期刊）
Scopus数据库收录期刊
中国科技期刊提能拓展计划入选期刊
主办单位：北京理工大学、中国环境科学学会、中国职业安全健康协会
刊期：月刊
ISSN 1009-6094 CN 11-4537/X 邮发代号：2-770
GPS数据驱动的货车运行风险评估与辨识方法
熊志华;李嘉钰;黄韵合;货车车均事故率高，事故后果严重，研究货运车辆运行风险对提升道路交通安全与效率具有重要意义。基于924辆货车全球定位系统(Global Positioning System, GPS)数据，提取货运车辆的启动、运行和制动3个层面的13个运动学参数；借助熵权法测算各参数权重和样本数据的安全性评分，结合随机森林模型筛选出6个关键指标；基于关键指标和K-means聚类算法，对货车的出行风险进行分类和评估；将评估结果作为训练集，构建麻雀搜索算法-支持向量机(Sparrow Search Algorithm-Support Vector Machine, SSA-SVM)模型，辨识货车在途出行安全性。筛选出的6个关键指标对样本描述的准确率达96.7%,将货车出行风险分为优良差三类，从启动、运行和制动三方面刻画货车行驶安全性画像。构建SSA-SVM辨识模型，判别货车出行风险类型准确率为96%。通过挖掘GPS数据将货车运行的历史数据的安全评估和在途运行的安全辨识结合起来，构建数据基座-关键指标-安全画像-风险辨识体系框架，为提升预警的准确性和安全培训的针对性、强化监管的智能化提供支撑。
改进离散Hopfield神经网络在建筑施工安全风险评价中的应用
王婉青;孙绪烽;刘杰;姚休义;李璇;为提升建筑施工安全风险评价的可靠性，提出了一种基于组合赋权-改进离散Hopfield神经网络(Discrete Hopfield Neural Network, DHNN)的建筑施工安全风险评价模型。首先，通过文献回顾、专家咨询及实地调研，构建“指标-标准”双轨评价框架，以减少执行偏差；其次，结合结构熵权法与粗糙集理论，融合主客观权重，形成组合赋权模型；再次，对传统离散Hopfield神经网络模型进行优化，并构建基于组合赋权-改进离散Hopfield神经网络的风险综合评价模型；最后，以云南省某建筑施工项目为例进行实证研究。将所构建的模型与传统模型相比较，并进行泛化能力检验，结果表明该模型合理有效，可用于建筑施工安全风险评价，为建筑施工安全管理提供参考。
[下载次数： 378 ] [被引频次： 0 ] [阅读次数： 42 ] 引用本文
黄原胶和聚丙烯腈纤维改良黄土力学特性及微观机理研究
张家柱;龚郴彬;宋新江;代世军;为了使湿陷性黄土满足工程填料的要求，利用黄原胶和聚丙烯腈纤维对黄土进行改良，开展改良土的无侧限抗压强度试验、湿陷性试验和微观试验研究，并综合分析各项试验结果以探究改良机理。结果表明：随着黄原胶和聚丙烯腈纤维质量分数的增加，试样强度呈现先上升后下降的趋势，当黄原胶掺量为1.5%且聚丙烯腈纤维掺量为0.6%时，改良土抗压强度达到峰值。同时该掺量下改良土的抗湿陷能力最强，养护28 d后的湿陷系数降至0.012,属于非湿陷性黄土，说明混掺材料改良黄土能够有效消除土体的湿陷性；黄原胶可以与土颗粒之间产生胶结作用、分子键作用，聚丙烯腈纤维能够有效地包裹和缠绕土颗粒，两种材料联合时能够形成固化剂-纤维-土颗粒的耦合模式，进一步提高对黄土的改良作用。
[下载次数： 283 ] [被引频次： 0 ] [阅读次数： 31 ] 引用本文
改进的AGNGO-GRU神经网络隧道动态涌水量预测模型研究
王孝东;张佳琳;包佳玉;张明天;水宽;涌水是隧道工程建设过程中面临的重大安全问题之一。准确、及时、高效地预测隧道涌水量意义重大。提出了一种基于混合改进策略的自适应广义北方苍鹰算法(Adaptive Generalized Northern Goshawk Optimization, AGNGO)优化门控循环单元(Gated Recurrent Unit, GRU)神经网络的涌水预测模型，根据隧道的水文地质条件探究发生涌水的主要影响因素和规律。利用构建的新型涌水预测模型与其他传统神经网络模型进行对比试验，并以云南省某隧道项目的部分现场数据验证模型预测的准确性。结果表明：提出的AGNGO-GRU模型对隧道涌水等级的预测结果优于其他模型，平均均方误差为0.062 3,平均拟合优度(R2)为0.902,平均分类准确率为92.1%;相较于其他传统神经网络模型，AGNGO-GRU模型的平均均方误差至少减小了0.016 7,拟合优度至少增加了0.086,平均分类准确率至少升高了11百分点，模型无过拟合现象，预测结果最准确。
融合CNN-GRU-Attention的含水砂岩蠕变预测方法研究
陈蓥;史明哲;张子凯;鲍世纪;杨宏涛;随着我国煤炭资源开采逐渐向深部延伸，深部煤岩体在高地应力、高温、高渗透压及时间效应叠加的复杂环境下，围岩蠕变问题日益突出，严重威胁矿井的开采安全和生产效率。为有效预测含水砂岩的蠕变行为，提出了一种融合卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gated Recurrent Unit, GRU)和注意力(Attention)机制的CGA深度学习模型。模型结合CNN的空间特征提取能力、GRU的时间序列建模能力及Attention的动态权重分配能力，提升了对非线性、长时间依赖关系的捕捉能力。利用实测数据对CGA模型中的优化算法、卷积层数、卷积核数量、GRU层数和GRU层神经元数量进行了训练和确定。应用CGA模型对含水砂岩蠕变行为进行了预测，并与实测数据进行了对比。结果表明，与CNN、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-GRU模型相比，CGA模型的平均绝对百分比误差(MAPE)分别降低了25.00%、18.93%和12.00%,平均绝对误差(MAE)分别降低了17.84%、13.77%和4.86%,均方误差(MSE)分别降低了26.04%、15.35%和6.02%,均方根误差(RMSE)分别降低了13.99%、8.01%和3.12%,CGA模型的R2达到了0.981 163,表明CGA模型具有更好的非线性拟合能力。利用CGA模型有助于掌握巷道围岩的长期变形行为，为围岩控制方案设计提供基础依据。
[下载次数： 94 ] [被引频次： 0 ] [阅读次数： 16 ] 引用本文
