朱光軒，張慶松，劉人太，張連震，郭焱旭

(1. 山東大學(xué) 巖土與結(jié)構(gòu)工程研究中心，濟(jì)南 250061； 2.紐卡斯?fàn)柎髮W(xué) 工程與建筑環(huán)境學(xué)院，澳大利亞 紐卡斯?fàn)枺?.中國石油大學(xué)(華東) 儲運(yùn)與建筑工程學(xué)院，山東 青島 266580)

滲透注漿是在滿足地層可注性條件下，將漿液注入地層空隙，從而達(dá)到降低土體滲透性、提高土體強(qiáng)度的目的[1].目前，滲透注漿技術(shù)已在各類巖土工程中得到了廣泛應(yīng)用[2-6].與化學(xué)漿液相比，水泥漿液價(jià)格低廉，環(huán)境友好，其應(yīng)用最為廣泛.滿足地層可注性標(biāo)準(zhǔn)是滲透注漿工程設(shè)計(jì)首要前提，因此，對于水泥漿液滲透注漿可注性的研究具有重要意義.

水泥漿液可注性影響因素眾多、機(jī)理復(fù)雜，導(dǎo)致其準(zhǔn)確評估困難.諸多學(xué)者基于可注性室內(nèi)試驗(yàn)，各自提出相應(yīng)的可注性評價(jià)模型.Burwell等[7]基于大量可注性試驗(yàn)數(shù)據(jù)提出相應(yīng)的可注性模型，該模型定義如下：當(dāng)D15/d85>25、D10/d95>11時(shí)，為可注；當(dāng)D15/d85<11時(shí)，為不可注；當(dāng)1110即可判定為可注.Krizek等[9-10]總結(jié)提出了與Burwell類似模型.Akbulut等[11]考慮漿液水灰比及砂層相對密實(shí)度等參數(shù)，提出了低壓(p<200 kPa)注漿下的可注性標(biāo)準(zhǔn).

經(jīng)歷了家道中落的魯迅厭惡了周圍熟悉的人群,為擺脫這種舊有的人事關(guān)系和改變自己的命運(yùn)，1898年，魯迅前往南京尋求別樣的人生,并先后進(jìn)入江南水師學(xué)堂、江南陸師學(xué)堂附設(shè)的礦路學(xué)堂學(xué)習(xí)。在此期間，學(xué)習(xí)的魯迅接觸到維新變法的宣傳刊物《時(shí)務(wù)報(bào)》，作為熱血青年的魯迅，救國救民的壯志開始生根，受惠于維新變法派留學(xué)生的變法舉措留學(xué)日本。就這樣，魯迅抱著尋求新知、拯救過敏的熱情來到了東京。魯迅進(jìn)的第一所預(yù)備學(xué)校是東京弘文學(xué)院,并加入了革命團(tuán)體浙學(xué)會，成為一個(gè)激進(jìn)的革命者，且頗為勇敢。從剪辮子事件就可看出，在剪辮之后不僅毫無畏懼，還特地“斷發(fā)照相”，以資紀(jì)念，并題了一首詩——自題小像，贈給友人許壽裳。詩云：

以上研究皆是基于室內(nèi)可注性試驗(yàn)結(jié)果提出的可注性分類研究方法，然而不同學(xué)者提出的可注性分類標(biāo)準(zhǔn)不盡相同.其原因主要為，在滲透注漿過程中，水泥顆粒由于受砂土骨架的阻擋，將發(fā)生明顯的濾過效應(yīng)，表現(xiàn)為隨注漿進(jìn)行，砂層孔隙率持續(xù)衰減，最終造成漿液擴(kuò)散存在極限擴(kuò)散距離[12-15].漿液極限擴(kuò)散距離大小取決于漿液性質(zhì)、被注介質(zhì)性質(zhì)和注漿壓力等參數(shù)，在可注性試驗(yàn)中，若被注試樣尺寸小于或等于漿液極限擴(kuò)散距離，則漿液將在整個(gè)試樣中充分滲透擴(kuò)散，即表現(xiàn)為可注，反之為不可注.可注性分類標(biāo)準(zhǔn)各不相同，不利于其在實(shí)際工程中的推廣應(yīng)用.因此，建立具有普適性的可注性量化評價(jià)模型具有重要意義.

為量化評價(jià)砂層可注性，開展了可注性室內(nèi)試驗(yàn)，以水泥漿液水灰比RWC、相對密實(shí)度Dr、細(xì)顆粒(直徑<0.075 mm)含量θ、砂層特征粒徑D10和D15為控制變量，測量記錄漿液滲透擴(kuò)散距離，以擴(kuò)散距離作為可注性量化評價(jià)指標(biāo)，分析得到了各因素對可注性的影響規(guī)律.

將粒子群算法(PSO)和最小二乘支持向量機(jī)(LSSVM)相結(jié)合，通過粒子群算法搜索最佳的支持向量機(jī)(SVM)的參數(shù)，提出了漿液擴(kuò)散距離預(yù)測的粒子群最小二乘支持向量機(jī)方法(PSO-LSSVM).以可注性室內(nèi)試驗(yàn)測試結(jié)果作為訓(xùn)練、測試樣本，最終建立了基于PSO-LSSVM的漿液擴(kuò)散預(yù)測模型.在此基礎(chǔ)上，根據(jù)漿液擴(kuò)散狀態(tài)定義可注性分類臨界指標(biāo)，進(jìn)而建立了相應(yīng)的可注性分類模型.以測試集試驗(yàn)數(shù)據(jù)為樣本，將可注性分類模型預(yù)測結(jié)果與現(xiàn)有可注性評價(jià)方法進(jìn)行了對比分析.

砂層可注性影響因素眾多，分析可注性各影響因素的敏感性分布對實(shí)際工程中注漿參數(shù)優(yōu)化調(diào)整具有指導(dǎo)意義.現(xiàn)有研究多為可注性分類預(yù)測，缺乏可注性量化評價(jià)研究，而可注性量化評價(jià)是因素敏感性分析的基礎(chǔ)，相關(guān)研究鮮有報(bào)道.敏感性分析方法可以分為局部敏感性分析以及全局敏感性分析.其中，局部敏感性分析只檢驗(yàn)單因素變動對結(jié)果的影響程度，計(jì)算方便，但是分析往往需要一定假設(shè)，不能全面反應(yīng)實(shí)際情況[28].而全局敏感性分析考慮了因素相互作用對結(jié)果的影響，更符合實(shí)際情況，在土木工程等多個(gè)領(lǐng)域應(yīng)用廣泛[29-31].其中，傅里葉幅度敏感性測試方法(FAST)即是典型全局敏感性分析方法.

將漿液擴(kuò)散距離PSO-LSSVM預(yù)測值與測試集樣本數(shù)據(jù)對比，評價(jià)擴(kuò)散距離預(yù)測準(zhǔn)確性.圖5為測試集漿液擴(kuò)散距離預(yù)測值與試驗(yàn)值對比.圖6為漿液擴(kuò)散距離預(yù)測值與試驗(yàn)值的擬合優(yōu)度R2表現(xiàn).

1 可注性室內(nèi)試驗(yàn)

以P.O. 42.5R普通硅酸鹽水泥為試驗(yàn)材料，以水泥漿液水灰比RWC、相對密實(shí)度Dr、細(xì)顆粒(直徑<0.075 mm)含量θ、砂層特征粒徑D10和D15為控制變量，開展129組砂樣滲透注漿試驗(yàn)，試驗(yàn)測量記錄漿液滲透擴(kuò)散距離，以擴(kuò)散距離定量表征可注性.

1.1 試驗(yàn)材料

1.1.1 普通硅酸鹽水泥

例如，教學(xué)朱自清的《背影》一文，抓住“以‘背影’為線索表達(dá)深厚父愛”的方法，要求學(xué)生寫一篇“母愛”的文章。有位學(xué)生這樣寫道：“曾經(jīng)是那樣溫柔的手突然間給我的感覺卻不柔軟了，仔細(xì)一看，原來母親的手已經(jīng)結(jié)滿了老繭。啊，這曾經(jīng)抱起過我、喂養(yǎng)過我、攙扶過我的雙手啊，在歲月的流逝中變化著，留下的不僅僅是皺紋，更是勞作的深深印痕??！”

1.1.2 被注介質(zhì)

目前勝利油田孤東采油廠共有污水處理站5座和1個(gè)污水沉降處理氧化塘，設(shè)計(jì)污水處理能力148 700 m3/d，實(shí)際處理污水142 300 m3/d，污水外輸管線1.15 km，污水外調(diào)線33 km，各類污水外調(diào)泵10臺。勝利油田孤東采油廠提出向質(zhì)量要效益，圍繞“實(shí)現(xiàn)更有質(zhì)量、更有效益、更可持續(xù)發(fā)展”的工作目標(biāo)[1]，實(shí)施低效污水外調(diào)泵（離心泵）節(jié)能技術(shù)改造項(xiàng)目，從而達(dá)到節(jié)能降耗的目[2-3]。

試驗(yàn)采用11種粒徑配比砂樣開展?jié)B透性試驗(yàn)，每種砂樣特征粒徑如表1所示.

表1 砂樣特征粒徑

1.2 試驗(yàn)裝置及試驗(yàn)方案

試驗(yàn)裝置由氮?dú)馄俊⒊袎簝{桶、試驗(yàn)架3部分構(gòu)成，承壓儲漿桶與氮?dú)馄肯噙B，氮?dú)馄枯敵龅目諝鈮毫D(zhuǎn)換為漿液壓力，儲漿桶頂蓋上設(shè)置壓力表監(jiān)測注漿壓力，壓力表量程為0～3 MPa.試驗(yàn)架由上部頂蓋、中部鋼制承壓管、下部底盤3部分構(gòu)成.鋼制承壓管內(nèi)部盛放待注漿砂樣，砂樣上方設(shè)置濾網(wǎng)，防止松散的砂顆粒移動，砂樣下方設(shè)置透水石.砂樣尺寸為標(biāo)準(zhǔn)試件尺寸，高度為10 cm，直徑為5 cm.試驗(yàn)裝置如圖1所示.試驗(yàn)裝置具體研發(fā)過程見文獻(xiàn)[32].

圖1 滲透注漿試驗(yàn)裝置現(xiàn)場照片[32]

為系統(tǒng)研究砂層的可注性，在試驗(yàn)過程中充分考慮各個(gè)因素對砂層可注性的影響，除砂層粒徑外，設(shè)定砂層相對密度Dr、細(xì)顆粒含量θ及漿液水灰比RWC為自變量.砂層相對密度Dr變化范圍為0～100%；水灰比調(diào)節(jié)范圍為0.8～1.6；細(xì)顆粒含量變化范圍為0～16%.

EZH2高表達(dá)組乳腺癌患者組織中miR-200c mRNA表達(dá)水平較EZH2低表達(dá)組明顯降低，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05);轉(zhuǎn)染siAFAP-EZH2后的乳腺癌細(xì)胞miR-200c mRNA表達(dá)水平明顯高于control組和空白組(P＜0.05)。見表3。

滲透注漿主要有恒壓力和恒流速兩種施工工藝，可注性試驗(yàn)采用恒壓注漿方式.注漿壓力越大漿液擴(kuò)散距離越大，然而過大注漿壓力易于引起地層劈裂，破壞原狀土體結(jié)構(gòu)，在實(shí)際工程中常采用低壓滲透注漿[1,16].砂層可注性試驗(yàn)中，為確保水泥漿液在砂樣中充分?jǐn)U散，試驗(yàn)中注漿壓力控制為1.0 MPa.具體試驗(yàn)影響因素設(shè)置及試驗(yàn)結(jié)果見文獻(xiàn)[32].

2 基于PSO-LSSVM的可注性預(yù)測模型

近年來，以神經(jīng)網(wǎng)絡(luò)(ANN)為代表的人工智能方法被廣泛應(yīng)用到可注性分類預(yù)測研究領(lǐng)域，推動了可注性理論進(jìn)展[16-21].然而，神經(jīng)網(wǎng)絡(luò)方法具有過度擬合、泛化性能不高等缺點(diǎn)，最小二乘支持向量機(jī)(LSSVM)作為新一代機(jī)器學(xué)習(xí)算法，能較好解決小樣本、非線性和高維問題求解，逐漸被應(yīng)用于巖土工程問題分析中[22-25].此外，傳統(tǒng)人工智能模型參數(shù)搜索常采用網(wǎng)格搜索和交叉驗(yàn)證方法，搜索效率及精度相對較低[26-27].而粒子群算法作為一種新型仿生進(jìn)化算法，采用全局優(yōu)化方法，可有效提高收斂速度及精度.

2.1 LSSVM回歸原理

圖3為訓(xùn)練集中漿液擴(kuò)散距離PSO-LSSVM預(yù)測值和試驗(yàn)值對比.采用擬合優(yōu)度R2為指標(biāo)，定量評價(jià)基于PSO-LSSVM方法建立的可注性預(yù)測模型表現(xiàn)性能，即

yi=wφ(xi)+b.

(1)

式中：w為權(quán)向量；b為偏置量.xi、yi分別為系統(tǒng)輸入向量和輸出值.Suykens等[34]基于正則化理論，采用最小二乘成本函數(shù)和等式約束建立了LSSVM優(yōu)化問題的最小化函數(shù)，其表達(dá)式為

(2)

約束條件

yi-wφ(xi)=b+ξi.

(3)

式中：C為懲罰因子，即擬合誤差容忍度，C值越高，誤差容忍度越小，越容易過擬合，C值越小，則容易欠擬合，合理取值可使所求的函數(shù)具有較好的泛化能力；ξi為松弛因子.

最小化函數(shù)的拉格朗日求解方程為

(4)

式中ai(i=1,2,…,l)為拉格朗日乘子.最優(yōu)的參數(shù)a和b可以通過KKT條件獲得.

要讓傳統(tǒng)的“景點(diǎn)旅游”轉(zhuǎn)向“全域旅游”，需要構(gòu)建基于地域?qū)嵡樘卣鞫嗖块T協(xié)作聯(lián)合的社會合作管理機(jī)制體制為中心，以管理體制創(chuàng)新和環(huán)境建設(shè)提升為重要抓手，推動旅游行政管理向社會管理轉(zhuǎn)變。

(5)

消去式(5)中的w和ξ，優(yōu)化問題轉(zhuǎn)化為求解如下方程

(6)

式中：I為l階單位矩陣；Θ=[1,…,l]T；a=[a1,a2,…,al]T；y=[y1,y2,…,yl]T.K為核函數(shù)矩陣，其元素Kij=φ(xi)Tφ(xj)；i,j=1,2,…,l,其回歸函數(shù)為

很多年以后，他像當(dāng)日殺鼠一樣，被判五刑加腰斬——劓刖、割舌、剁肢、笞殺同時(shí)執(zhí)行之際便腰斬，最后慢慢碎尸。一家老小、三族親戚、賓客門生……不分男女，一律斬首。七八個(gè)劊子手斧起刀落，也是一直忙到傍晚，這是一個(gè)雨夜。雨整整下了一個(gè)月。

(7)

LSSVM模型預(yù)測精度取決于核函數(shù)的參數(shù)取值.為提高預(yù)測精度，采用粒子群算法對其參數(shù)進(jìn)行優(yōu)化.

2.2 粒子群算法

粒子群優(yōu)化算法(PSO)中，每個(gè)潛在解都被當(dāng)成一個(gè)點(diǎn)或“粒子”，所有潛在解組成“粒子群”[35-36].任意一次迭代，粒子群基于單個(gè)粒子個(gè)體極值Pbest和群全局極值gbest來不斷更新.群體中第i個(gè)粒子在n維空間的位置表示為xi=(xi1,xi2,…,xin)，其速度vi=(vi1,vi2,…,vin)，第i個(gè)粒子的個(gè)體極值Pbest=(Pi1,Pi2,…,Pin)，整個(gè)粒子群的全局極值gbest=(g1,g2,…,gn).在極值點(diǎn)處，通過方程(8)和(9)來更新自己的速度和位置：

vi(k+1)=qvi(k)+c1rand1(Pbest-xi(k))+

c2rand2(gbest-xi(k)),

(8)

xi(k+1)=xi(k)+vi(k+1).

(9)

式中：c1、c2為學(xué)習(xí)因子，c1、c2∈(0，2)；rand1和rand2為(0,1)之間的隨機(jī)數(shù)；q為動量系數(shù)，隨迭代計(jì)算更新.

2.3 PSO-LSSVM可注性預(yù)測模型建立

采用LSSVM方法建立砂層特征參數(shù)及注漿參數(shù)與漿液擴(kuò)散距離之間的非線性映射關(guān)系.假設(shè)有n組訓(xùn)練樣本數(shù)據(jù)(xi,yi)(i=1, 2,…,n)，在本模型中，任一組砂層可注性試驗(yàn)對應(yīng)一個(gè)樣本數(shù)據(jù)，其中xi為五維實(shí)數(shù)輸入向量，分別包括水泥漿液水灰比RWC、砂層相對密實(shí)度Dr、細(xì)顆粒含量θ、砂層特征粒徑D10和D15，yi表示該組試驗(yàn)測得的漿液擴(kuò)散距離，以漿液擴(kuò)散距離作為可注性量化評價(jià)指標(biāo).建模的過程即是尋找輸入向量xi與輸出值yi之間的非線性映射關(guān)系，關(guān)系模型示意圖如圖2所示.

以石英砂作為試驗(yàn)被注介質(zhì).所用石英砂中，二氧化硅(SiO2)質(zhì)量分?jǐn)?shù)大于96%，燒失量不超過0.40%，含泥量(包括可溶性鹽類)不超過0.20%.

圖2 基于LSSVM 建立的可注性預(yù)測關(guān)系模型示意

根據(jù)最小二乘支持向量機(jī)理論，相應(yīng)的映射模型如式(7)所示.式(7)中，a和b可以通過解式(6)的線性方程組求出；yi為LSSVM模型的漿液擴(kuò)散距離預(yù)測值.通過可注性試驗(yàn)獲得的樣本數(shù)據(jù)，對非線性映射模型進(jìn)行訓(xùn)練.LSSVM模型核函數(shù)為RBF核，方程為

if (assertion==null) return new Model And View("/ssosync?url2=/home");

試驗(yàn)用水泥為42.5R普通硅酸鹽水泥，水泥品質(zhì)符合GB175—99《硅酸鹽水泥、普通硅酸鹽水泥》.水泥燒失量為0.56%.水泥顆粒粒徑分布為0.4～80 μm，顆粒粒徑分布范圍相對較廣，水泥顆粒特征粒徑d85=23.872 μm，d90=28.93 μm，d95=36.127 μm.

高潮趨前一步，說，噢，原來是齊經(jīng)理啊。高潮扭身指著田卓介紹道，這位是卓木文化傳媒的田總。齊眉與田卓的手就握在了一起，高潮見她們客套得差不多了，又指著自己介紹說，《NEW商圈》主編高潮。齊眉伸出手來，和高潮熱情地握了握，之后，把高潮和田卓領(lǐng)到寫有他們名字的席位卡前，說，兩位請坐。

K(xi,xk)=exp(-γ‖xi-xk‖2),γ>0.

(10)

式中γ為核函數(shù)參數(shù)，其值越小越容易欠擬合，值越大越容易過擬合.模型預(yù)測精度取決于C、γ的取值.根據(jù)文獻(xiàn)[37]的結(jié)論，訓(xùn)練集樣本數(shù)據(jù)占總樣本數(shù)量的80%左右時(shí)，預(yù)測模型可得到最佳效果.本文在樣本空間內(nèi)均勻選取105組試驗(yàn)樣本數(shù)據(jù)作為模型訓(xùn)練集，試驗(yàn)樣本數(shù)據(jù)占樣本總量81.4%.采用粒子群優(yōu)化算法，對參數(shù)C、γ的取值進(jìn)行優(yōu)化.根據(jù)訓(xùn)練集試驗(yàn)樣本數(shù)據(jù)，求得參數(shù)最優(yōu)解為C=2.02、γ=1 854.41，以C、γ最優(yōu)取值建立可注性影響參數(shù)與漿液擴(kuò)散距離的關(guān)系模型.

通過對各組心肌樣品檢測，結(jié)果顯示，附子提取物組、山茱萸提取物組、附子+山茱萸提取物組與模型組比較，ATP、ADP、肌酸、肌酐的含量均升高，其中，附子+山茱萸提取物組心肌樣品中5種能量物質(zhì)升高顯著（P＜0.05、0.01）。結(jié)果見圖3。

媽媽用實(shí)際行動證明著。這一年，她帶我去重慶苦竹壩福利院認(rèn)養(yǎng)了一個(gè)孤兒、我的妹妹巧玉。巧玉從福利院出來后，一直住在我家，三口之家變成了四口。之后的媽媽再也沒考慮過婚事。

最小二乘支持向量機(jī)(LSSVM)是在SVM基礎(chǔ)上用等式約束代替不等式約束，避免了二次回歸問題，計(jì)算精度和效率更高[33].假設(shè)訓(xùn)練樣本數(shù)據(jù)為{xi,yi}，(i=1,2,…,l)，xi∈Rn為n維系統(tǒng)輸入向量，yi∈R為輸出值.高維非線性映射φ：Rn→H，H為高維特征空間.在特征空間H中，擬合樣本集為

(11)

圖3 訓(xùn)練集中擴(kuò)散距離預(yù)測值與試驗(yàn)值對比

R2值越接近1，說明關(guān)聯(lián)度越好.圖4為訓(xùn)練集擴(kuò)散距離預(yù)測值與試驗(yàn)測定值之間擬合優(yōu)度R2的表現(xiàn).如圖3,4所示，擴(kuò)散距離預(yù)測值與模型值之間較為接近，擬合優(yōu)度R2為0.962，模型擬合度較高.

圖4 訓(xùn)練集中擴(kuò)散距離預(yù)測擬合優(yōu)度R2

2.4 擴(kuò)散距離預(yù)測準(zhǔn)確性評價(jià)

本文將粒子群算法(PSO)和最小二乘支持向量機(jī)(LSSVM)相結(jié)合，通過粒子群算法搜索最佳的支持向量機(jī)參數(shù)，建立了漿液擴(kuò)散距離預(yù)測的粒子群最小二乘支持向量機(jī)方法(PSO-LSSVM).以可注性室內(nèi)試驗(yàn)測試結(jié)果作為模型訓(xùn)練和測試樣本，建立了可注性PSO-LSSVM預(yù)測模型.基于PSO-LSSVM漿液擴(kuò)散距離預(yù)測模型，采用FAST方法開展全局敏感性分析，得到了可注性影響因素敏感性分布.

圖5 測試集中擴(kuò)散距離預(yù)測值與試驗(yàn)值對比

圖6 測試集中擴(kuò)散距離預(yù)測值擬合優(yōu)度R2

如圖5,6所示，漿液擴(kuò)散距離預(yù)測值與試驗(yàn)值較為接近，R2=0.982，說明所建立的PSO-LSSVM漿液擴(kuò)散距離預(yù)測模型具有較好的泛化能力及良好的預(yù)測精度.本文為漿液擴(kuò)散距離預(yù)測提供了有效方法，下一階段將廣泛開展不同注漿施工參數(shù)(包括注漿速率、注漿壓力等)條件下的可注性試驗(yàn)，擴(kuò)充試驗(yàn)訓(xùn)練樣本，建立基于PSO-LSSVM方法的多種常用漿液的滲透擴(kuò)散預(yù)測模型，并對其工程應(yīng)用效果進(jìn)行評價(jià).

2.5 與現(xiàn)有方法對比

考慮柱形砂樣中漿液擴(kuò)散鋒面起伏以及試驗(yàn)測量誤差，認(rèn)為漿液在砂樣擴(kuò)散距離L≤1 cm時(shí)，為不可注；1

Burwell模型和Incecik模型僅以被注砂層和水泥顆粒兩者特征粒徑比值作為可注性評判指標(biāo)，在實(shí)際工程中應(yīng)用較為廣泛，可作為本文可注性預(yù)測對比方法.為保證所選取樣本具有較好代表性，測試集樣本數(shù)據(jù)均從樣本空間中均勻選取，共計(jì)24組，約占總樣本數(shù)18%.PSO-LSSVM的測試集樣本可注性預(yù)測結(jié)果與經(jīng)典Burwell模型和Incecik模型判定結(jié)果對比如表2所示.可以看出，PSO-LSSVM模型對24組測試集可注性結(jié)果進(jìn)行了完全準(zhǔn)確預(yù)測.Burwell模型對測試集中不可注樣本和完全可注樣本進(jìn)行準(zhǔn)確預(yù)測.然而由于模型自身限制，無法對不完全可注樣本進(jìn)行判識，或模型未定義，或判定為可注性樣本，總體而言，該模型對樣本可注性做出了過高的估計(jì).

表2 可注性結(jié)果預(yù)測及對比

續(xù)表

與Burwell模型類似，Incecik模型對完全可注和不可注樣本進(jìn)行了準(zhǔn)確估計(jì)，然而模型無法對注入不充分樣本進(jìn)行有效識別.此外，Burwell模型和Incecik模型預(yù)測結(jié)果不完全一致，不利于工程應(yīng)用.總體而言，本文模型優(yōu)于Burwell模型和Incecik模型，可注性預(yù)測精度更高，可為實(shí)際工程應(yīng)用提供指導(dǎo).

3 可注性影響因素全局敏感性分析

為評價(jià)影響因素對可注性敏感度，基于所建立的PSO-LSSVM漿液擴(kuò)散距離預(yù)測模型，研究了各控制變量對可注性的敏感度，采用全局敏感性分析方法FAST，獲得了可注性影響因素敏感性分布.

3.1 FAST方法簡介

FAST方法是以方差分析為基礎(chǔ)的靈敏性分析方法.通過對每個(gè)系統(tǒng)待分析參數(shù)分配一個(gè)特征頻率值，求解傅里葉變換變量離散值的系統(tǒng)方程，計(jì)算與各參數(shù)頻率相關(guān)的傅里葉系數(shù)，確定系統(tǒng)靈敏度[38-39].FAST方法可以在高維非線性系統(tǒng)參數(shù)發(fā)生較大變化情況下，進(jìn)行有效分析計(jì)算.可注性影響因素全局靈敏性指數(shù)反映的是某個(gè)注漿參數(shù)變化對漿液滲透擴(kuò)散距離的影響程度.全局靈敏度指數(shù)為

(12)

式中：Vi=V(E(y|Xi))，V(y)為總方差，SXi為參數(shù)Xi對模型輸出總方差的貢獻(xiàn)率.

社會上與學(xué)術(shù)界對于我國延遲退休年齡的政策議論不休，學(xué)者們各持己見，抒發(fā)了對該項(xiàng)政策利弊的分析。我國漸進(jìn)式延遲退休年齡政策需要綜合自身利弊以及國家發(fā)展環(huán)境來進(jìn)行充分討論，因此，更適合利用美國舊金山韋克里教授提出的事態(tài)分析法（又 稱 SWOT，Strengths Weaknesses Opportunities Threat分析法）進(jìn)行討論，充分將我國延遲退休政策的優(yōu)勢（Strengths）、劣勢（Weakness）、機(jī)會（Opportunities）以及威脅（Threats）進(jìn)行論證。

3.2 敏感性分析結(jié)果

選取水泥漿液水灰比RWC、相對密實(shí)度Dr、細(xì)顆粒含量θ、砂層特征粒徑D10和D15共5個(gè)參數(shù)，分析其對漿液擴(kuò)散距離敏感性分布.假定各參數(shù)服從均勻分布，采用拉丁超立方抽樣方法對參數(shù)抽樣，抽樣范圍見表3所示.采用所建立的PSO-LSSVM預(yù)測模型計(jì)算樣本漿液擴(kuò)散距離，在此基礎(chǔ)上，采用FAST方法計(jì)算參數(shù)敏感性指標(biāo).敏感性計(jì)算結(jié)果如圖7所示.

表3 影響因素及其抽樣范圍

圖7 影響因素敏感性指數(shù)分布

由圖7可知，砂層可注性敏感性排序?yàn)镈10>D15>Dr>θ>RWC，其中D10和D15敏感度遠(yuǎn)大于其他3個(gè)參數(shù)，影響最為顯著.以Burwell模型[7]為代表的諸多傳統(tǒng)可注性評判方法認(rèn)為，當(dāng)水泥漿液材料一定，砂層可注性取決于D10和D15，即認(rèn)為D10和D15為除漿液材料之外的對可注性影響最為顯著因素，這與本文敏感性分析結(jié)果較為一致.相比而言，砂層相對密實(shí)度Dr、細(xì)顆粒含量θ以及漿液水灰比RWC對可注性影響相對較小，因此，在實(shí)際可注性預(yù)測中，需盡量減少D10和D15參數(shù)量測的不確定性，從而為可注性的精確預(yù)測提供保證.

7個(gè)Ⅱ類海風(fēng)鋒個(gè)例的850 hPa層合成流場如圖9b所示,內(nèi)陸地區(qū)處于大陸東移高壓控制之下,且呈現(xiàn)雙中心結(jié)構(gòu):山東內(nèi)陸為一較小高壓中心,而長江口以南為另一更強(qiáng)高壓中心。高壓整體較強(qiáng)盛,為其所控制的區(qū)域帶來較為穩(wěn)定的天氣形勢。此時(shí)850 hPa沿海為自大陸向海面的風(fēng)場,與圖9a中1 000 hPa層上的海風(fēng)反向,顯示Ⅱ類海風(fēng)環(huán)流較淺薄。而Ⅰ類海風(fēng)鋒的海風(fēng)環(huán)流(圖7)因副熱帶高壓的整體勢力,蘇北及蘇中的海風(fēng)環(huán)流較深厚。

4 結(jié) 論

1)基于PSO-LSSVM方法建立的預(yù)測模型具有較高預(yù)測精度.漿液擴(kuò)散距離預(yù)測值和試驗(yàn)測量值相近，擬合優(yōu)度R2為0.982，可以準(zhǔn)確預(yù)測樣本完全可注、注入不充分以及完全不可注情況，而傳統(tǒng)分類方法無法對注入不充分情況進(jìn)行有效識別.

2)可注性影響因素敏感性排序?yàn)椋荷皩恿紻10>砂層粒徑D15>相對密實(shí)度Dr>細(xì)顆粒含量θ>漿液水灰比RWC，其中D10和D15敏感性顯著高于Dr、θ和RWC.

3)本文的研究也為滲透注漿擴(kuò)散距離預(yù)測提供了新的思路，但還需廣泛開展不同注漿參數(shù)(包括漿液類型、注漿速率、注漿壓力等)條件下的滲透注漿試驗(yàn)，擴(kuò)充訓(xùn)練樣本，基于PSO-LSSVM方法建立適用范圍更廣的滲透注漿擴(kuò)散預(yù)測模型，并對預(yù)測模型在工程中的應(yīng)用效果進(jìn)行評價(jià).