Spatial Database of 1∶50 000 Digital Geological Maps of Wanjia Town (J50E021024), Nancun Town (J51E021001), Gaomi City (J50E022024) and Lancun Town (J51E022001) Map-sheets, Shandong Province
-
摘要:
山东省万家—蓝村地区位于胶莱盆地, 夹于莱阳凹陷和诸城凹陷之间。依托2016年中国地质调查局“山东1∶50 000万家、南村、高密、蓝村幅区域地质调查” 项目, 根据《1∶50 000覆盖区区域地质调查工作指南(试行)》、《1∶50 000区域地质调查工作指南(试行)》的统一标准及要求, 在充分利用以往地质资料的基础上, 采用数字填图系统进行野外地质填图, 并应用室内与室外填编图相结合的方法, 完成标准的1∶50 000地质图及说明书编制, 建立了山东省万家镇幅(J50E021024)、南村镇幅(J51E021001)、高密市幅(J50E022024)、蓝村镇幅(J51E022001)1∶50 000数字地质图空间数据库。本数据库针对早白垩世莱阳群杨家庄组、杜村组, 青山群八亩地组、王氏群辛格庄组岩性填图, 首次在王氏群辛格庄组发现火山机构,并确定辛格庄组内火山岩夹层锆石U-Pb年龄为早白垩世。利用前人胶参1井、2井和3井钻孔资料, 恢复了李党家—马山凸起白垩纪岩相古地理, 建立了山东省万家—蓝村地区沉积构造格架。本数据库包含上述4个标准1∶50 000图幅地质图, 数据量约为22.3 MB, 于胶莱盆地火山岩中取得LA-ICP-MS锆石U-Pb同位素年龄值3个,第四系中取得光释光年龄值3个,14C同位素年龄值4个。坐标系为CGCS2000国家大地坐标系, 投影方式为高斯—克吕格投影。本数据库充分反映了1∶50 000区域地质调查成果, 为区域资源环境研究、能源勘探提供基础地质图件, 具有重要的参考意义。
Abstract:Wanjia—Lancun area in Shandong Province is located between Laiyang depression and Zhucheng depression in Jiaolai Basin. The spatial database of 1∶50 000 digital geological maps of Wanjia Town (J50E021024), Nancun Town (J51E021001), Gaomi City (J50E022024), and Lancun Town (J51E022001) map sheets, Shandong Province (also referred to as the Database) was established according to the unified standards and requirements of the ‘Guidelines for 1∶50 000-Scale Regional Geological Survey in Quaternary Coverage Area (Trial)’ and the ‘Guidelines for 1∶50 000-Scale Regional Geological Survey (Trial)’ by relying on the project titled ‘1∶50 000-Scale Regional Geological Survey of Wanjia Town, Nancun Town, Gaomi City, and Lancun Town Map Sheets, Shandong Province’ initiated by the China Geological Survey in 2016. During development of the Database, previous geological data were fully utilized, a digital mapping system was adopted for field geological mapping, and standard 1∶50 000 geological maps and work instructions were developed by means of indoor map preparation combined with field geological mapping. The aim of the Database is to complete the lithologic mapping of early Cretaceous strata, including Yangjiazhuang Formation and Ducun Formation of Laiyang Group, Bamudi Formation of Qingshan Group, and Xingezhuang Formation of Wangshi Group. A volcanic edifice was discovered for the first time in Xingezhuang Formation of Wangshi Group, and the zircon U–Pb ages of volcanic intercalations in Xingezhuang Formation were determined to be early Cretaceous. The paleogeographic characteristics of Cretaceous lithofacies of Lidangjia—Mashan dome was restored according to the previous drilling data of Well JC–1, Well JC–2 and Well JC–3. Furthermore, the sedimentary tectonic framework of Wanjia—Lancun area was established. The database contains four standard 1∶50 000 geological maps, with a data size of about 22.3 MB. LA-ICP-MS zircon U–Pb isotopic ages of three volcanic rocks, and three optically stimulated luminescence (OSL) datings and four 14C isotopic ages of Quaternary were obtained in Jiaolai Basin The maps were prepared under the CGCS2000 national geodetic coordinate system and Gauss-Kruger projection. The Database fully reflects the results of 1∶50 000-scale regional geological survey and will provide basic geological maps for research, environment and energy exploration in Wanjia—Lancun area, and therefore, is of great significance.
-
盾构法因其施工速度快、适应性强、环境污染小等优点,已成为目前城市轨道交通的主要施工方法[1 − 3]。但盾构机在掘进过程中会对周围土体产生附加载荷,不可避免地扰动周围土体,进而诱发地表沉降,如果局部地表沉降过大,将严重影响周围结构的正常使用,甚至引发工程事故。所以,研究各类诱发因素与地表沉降间的关系,减小掘进过程带来的地表沉降已然成为隧道施工的重中之重。当前,针对盾构隧道施工引起地面沉降这一岩土工程问题,众多学者进行了深入研究,较有代表性的研究方法有理论法[4 − 7]、经验公式法[8 − 9]、数值模拟[10 − 14]等。但是严格来讲,上述研究方法均属于传统理论范畴,在参数选取及解决非线性问题等方面均具有很大局限性。
为解决掘进断面的地质条件、施工过程中产生的各类新参数以及持续时间的影响,近年来国内外学者提出了许多盾构隧道地表沉降预测的机器学习方法。如Zhang等[15]对比了误差反向传播(back propagaton,BP)、径向基函数(radial basis function,RBF)、广义回归神经网络(generalized regression netural network,GRNN)3种神经网络模型对隧道最大地面沉降的预测效果,提出了一种将土层力学特性与几何参数相结合的指标计算方法;赵楠等[16]选用粒子群优化(particle swarm optimization,PSO)算法和遗传算法(genetic algorithm,GA)对支持向量机参数进行优化处理,针对多步算法产生的较大偏差,结合实际工程,验证了融合长短时记忆(long short-term memory,LSTM)神经网络支持向量机模型的优越性;李建生等[17]结合Peck公式与遗传算法的相关优点,提出了一种用融合理论公式预测隧道地面沉降的智能学习方法。随着网络技术的发展,越来越多的新兴优化算法不断提出。Chen等[18]基于3种神经网络,提出了一种定义输入参数物理意义的改进指标,用于量化地质参数,提高了人工神经网络模型的预测精度;乔金丽等[19]采用变步长的方法构建BP网络模型,经广州地铁二号线实测沉降检验,其预测效果较好;Wang等[20]提出了基于小波核函数的平滑相关向量机,预测隧道开挖引起的地表沉降;陈仁鹏等[21]通过PSO算法确定了BP神经网络和随机森林算法的超优参数,提出了一种预测盾构隧道纵向及最大地表沉降的方法;宫思艺等[22]在XGBoost地层动态识别模型的基础上,利用盾构施工参数推断地层变化,提出基于BP-SVR的地面沉降预测融合模型;林荣安等[23]为提高由盾构施工引起的软硬不均地层地表沉降预测的准确性,建立基于粗糙集-支持向量回归的地表沉降预测模型;李洛宾等[24]研究处理盾构掘进的序列化数据时,发现循环神经网络的沉降预测结果优于BP神经网络。上述预测方法均取得了一定的效果,但数据维度过大导致精度低、模型学习速度慢、计算复杂,并且由于影响盾构施工地表沉降因素的复杂性、各类方法的缺陷性等问题,在实际应用中仍有一定的局限性。
极限学习机(extreme learning machine,ELM)是一种典型的单隐层前馈神经网络(single-hidden layer feed-forward netural network,SLFN)[25 − 26],与BP神经网络等传统学习算法相比,ELM具有泛化性能好、学习速度快、预测精度高等优点[27]。但ELM模型输入层权值和隐含层阈值具有随机性,在不确定条件下可能导致模型预测精度降低。为解决这一问题,本文引入哈里斯鹰优化(Harris Hawks optimization,HHO)算法 [28]对ELM中的权值和阈值参数进行优化,弥补ELM中存在的缺陷。针对上述预测方法中存在的数据维度过大、模型学习速度慢、精度低等问题,本文提出了结合主成分分析(principal component analysis,PCA)算法、HHO算法和ELM模型的盾构隧道地表最大沉降预测方法,并以昆明轨道交通五号线怡心桥站—广福路站隧道区间盾构掘进实测数据为例,通过仿真训练和对比分析验证模型的预测性能。
1. 工程背景
昆明轨道交通五号线怡心桥站—广福路站(以下简称“怡—广站”)隧道区间起点里程右DK11+911.523,终点里程右DK13+056.149,全长1 144.626 m。线路出怡心桥站后,沿滇池路西北侧敷设,绕避怡心桥、采莲桥桩基后回归滇池路下方,于滇池路广福路路口进入广福路站。本段线路设置曲线半径分别为350 m及1000 m的平面曲线。区间隧道埋深9.71~21.35 m,底板标高1867.08~1872.54 m,隧道洞径6.20 m,采用盾构法施工。研究数据取自怡—广站DK11+966.221—DK12+966.733区段,间隔5 m设置一个监测点,包含隧道轴线处地面沉降监测点位200个。模型所使用的数据集由输入参数和沉降值组成。ELM模型输入是序列形式,故输入值是由沉降监测点前后各2环(共4环)的数据组成,而ELM模型的输出只包括一环。
数据集中测量沉降值取掘进过程中记录数据的最大沉降值,模型的输入参数(A1—A14)包括:地质参数、几何参数、盾构参数3个部分。数据集数据统计信息如表1。
表 1. 数据集数据统计信息表Table 1. Data set statistics table参数 最小值 最大值 地质参数 地下水位(A1)/m 1.50 1.92 浮密度(A2)/(g·cm–3) 0.54 0.77 压缩模量(A3)/MPa 3.37 4.42 泊松比(A4) 0.28 0.33 侧压力系数(A5) 0.49 0.59 几何参数 埋深(A6)/m 18.4 25.3 盾构参数 土压力(A7)/MPa 1.8 2.7 总推力(A8)/kN 8 760 16 280 掘进速度(A9)/(mm·min–1) 61 94 出土量(A10)/ m3 45.8 48.0 刀盘扭矩(A11)/(N·m) 1 200 2 275 拼装时间(A12)/h 0.35 0.85 注浆量(A13)/m3 3.60 4.40 注浆压力(A14)/bar 3.0 3.8 地表最大沉降/mm −15.69 10.44 地质参数:怡—广站区间盾构隧道穿越范围内的土层主要包括粉质黏土、粉砂、黏质粉土、泥炭质土。为综合反映各断面不同土质对沉降的影响,选取地下水位、浮密度、压缩模量、泊松比及侧压力系数作为地质参数。其中,浮密度为隧道上方平均加权浮密度,压缩模量、泊松比及侧压力系数取掌子面地层加权平均值。
几何参数:盾构掘进过程中对地面沉降产生影响的有隧道埋深、盾构机直径及盾尾间隙等。因盾构掘进中,其直径和盾尾间隙是常数,对模型训练没有影响,故仅考虑隧道埋深。
盾构参数:盾构掘进过程中,会产生大量包括盾构机姿态、注浆参数及刀盘状态在内的64项相关参数。结合文献[29]和实际施工过程,选取8项盾构参数作为输入:土压力、盾构总推力、掘进速度、出土量、刀盘扭矩、管片拼装时间、注浆量、注浆压力。
2. 机器学习模型
2.1 主成分分析算法(PCA)
PCA是一种常用的数据降维算法之一,其原理是在高维数组中分离和提取多个相互正交的特征变量,充分反映原始数据的差异性,在尽量减少原始指标信息损失的同时,减少待分析的指标[30 − 31]。PCA数据降维通过重构主成分因子表达式,将原始的N维特征映射到低维的K维特征(K<N)中,得到K个主成分变量。
设原始N个影响因子构成的N维特征向量
X=(x1,x2,⋯,xN)T ,则X的协方差矩阵D(X)为:D(X)=(cij)N×N=(c11c12⋯c1Nc21c22⋯c2N⋮⋮⋮⋮cN1cN2⋯cNN) (1) 式中:cij——N维特征构成的协方差因子。
通过QTD(X)Q变换得到D(X)特征值
λ=λ1,λ2,⋯,λN(λ1⩾λ2⩾⋯⩾λN) ,最后得到重构后的综合向量Z,其表达式为:Zi=L1ix1+L2ix2+⋯+LNixN (2) 式中:L——特征值λ的正交特征向量,L=(Lij)。
为全面反映原始N维特征且不减少指标信息损失,一般取方差最大的前K(K<N)个变量作为主成分因子,且定义累计贡献率(即累计方差)大于或等于80%时为筛选出的K个主成分因子,将得到的K个主成分因子通过式(2)计算,即可得到重构后的Z1—ZK。
2.2 极限学习机(ELM)
SLFN大多采用梯度下降法迭代,容易导致模型训练慢、计算复杂等问题。与之相比,ELM模型的输入层权值和隐含层阈值具有随机性,模型收敛速度快,训练时只需设置隐含层神经元个数,便可通过迭代获得全局最优解,所以与传统SLFN相比,ELM模型的泛化性更好、学习速度更快。其网络拓扑结构如图1所示。
由图1知,ELM模型的输入层、隐含层及输出层之间全连接,分别有K、L和S个神经元节点。输入层的K个神经元节点,对应2.1节中的K个主成分变量;若模型用于分类问题,则S>1,若模型用于回归预测,则S=1。设Q个训练集输入矩阵X和输出矩阵Y分别为
X=(xi1,xi2,⋯,xiK)T∈RK 、Y=(yi1,yi2,⋯,yiS)T∈RS ,假定任意小误差激活函数g(x),则网络输出矩阵Z为Zj=L∑i=1βig(ωj⋅Xj+bj),j=1,2,⋯,Q (3) 式中:
ωi=(ωi1,ωi2,⋯,ωiK) ——输入层权值矩阵;β=(β1,β2,⋯,βS) ——输出层权值矩阵;b=(b1,b2,⋯,bL) ——隐含层阈值矩阵。若G为ELM的隐含层输出矩阵,则式(3)可简化为
G⋅β=ZT (4) 当Q较大时,为减少计算量,L一般取小于Q的数,这时ELM的误差就可逼近一个无限小的值ε(ε>0),如式(5)所示。所以,当激活函数任意无限小且可微时,ELM参数就不再需要全部迭代调整,即当ω和b随机设定后,ELM就可直接运行且不再修改权值和阈值参数。综上,ELM模型的训练结果可等效为求解方程(6)的最小二乘解。
Q∑j=1‖ (5) \mathop {\min }\limits_{\boldsymbol{\beta}} \left\| {{\boldsymbol{G \cdot \beta }}- {{\boldsymbol{Z}}^{\rm{T}}}} \right\| (6) 式(6)的解为:
\overline {\boldsymbol{\beta}} = {{\boldsymbol{G}}^ + } \cdot {{\boldsymbol{Z}}^{\rm{T}}} (7) 式中:G+——G的Moore-Penrose广义逆。
2.3 哈里斯鹰优化(HHO)算法
HHO算法是Heidari等[28]基于哈里斯鹰的捕食行为,于2019年提出的一种群算法,该算法需要调节的参数较少,具有较强的全局搜索能力。具体包括探索阶段、转换阶段及开发阶段,具体捕食行为如下。
2.3.1 探索阶段
在此阶段,哈里斯鹰处于侦察猎物状态,若未找到猎物,需不断按式(8)更新位置寻找猎物。
X(t + 1) = \left\{ \begin{split} &\left. {X_{\rm{rand}}(t) - r_1} \right|\left. {X_{\rm{rand}}(t) - 2r_2X(t)} \right|&q \geqslant 0.5 \\ &[X_{\rm{rabbit}}(t) - X_{\rm{m}}(t)] - r_3[lb + r_4(ub - lb)]&q \lt 0.5 \\ \end{split} \right. (8) 式中:r1、r2、r3、r4——[0,1]之间的随机数;
q——用于判定选择采用的策略;
ub、lb——搜索空间的上、下限;
Xrand(t) ——哈里斯鹰个体的随机位置;
Xrabbit(t)——猎物当前位置;
X(t)、X(t+1) ——当前和下一次更新时的个体位置;
Xm(t)——当前种群所有个体的平均位置,表达式为:
X_{\rm{m}}(t) = \frac{1}{N}\sum\limits_{i = 1}^N {X_i(t)} (9) 式中:Xi(t)——种群中第i个个体的位置;
N——种群数量。
2.3.2 搜索与开发的转换阶段
在此阶段,猎物体能极大消耗,哈里斯鹰根据猎物的逃逸能量(C)调整自身位置,将全局搜索范围变为局部搜索,C按式(10)计算:
C = 2C_0\left(1 - \frac{t}{{M_{\text{a}}}}\right) (10) 式中:C0——猎物的初始能量,每次迭代时在[−1,1]中 随机自动更新;
Ma——最大迭代数;
t——当前迭代数。
当|C|≥1时,猎物逃逸能量高,猎物容易逃脱,则返回2.3.1的搜索阶段;当|C|<1时,猎物能量较低,则进入下一阶段。
2.3.3 开发阶段
在此阶段,哈里斯鹰通过4种策略对猎物进行围捕,其数学模型见式(11)—(17),设猎物的逃脱概率为r,当r<0.5时猎物逃脱,当r≥0.5时逃脱失败。
(1)软包围策略
X(t + 1) = \Delta X(t) - \left. E \right|JX_{\rm{rabbit}}(t) - \left. {X(t)} \right| (11) \Delta X(t) = X_{\rm{rabbit}}(t) - X(t) (12) 式中:J——猎物逃逸的跳跃距离,逃逸时在0~2之间随机选择;
ΔX——哈里斯鹰的最优个体与当前个体的差值;
E——猎物动态逃逸能量。
(2)硬包围策略
X(t + 1) = X_{\rm{rabbit}}(t) - \left. E \right|\left. {\Delta X(t)} \right| (13) (3)渐进式快速俯冲软包围策略
X(t + 1) = \left\{ \begin{gathered} Y\quad f(Y) \lt f(X(t)) \\ Z\quad f(Z) \lt f(X(t)) \\ \end{gathered} \right. (14) Y = X_{\rm{rabbit}}(t) - \left. E \right|JX_{\rm{rabbit}}(t) - \left. {X(t)} \right| (15) Z = Y + {\boldsymbol{S}} \cdot LF(D) (16) 式中:f()——适应度函数;
D——已知种群维度;
S——D维随机矩阵;
LF()——莱维(Levy)飞行函数。
(4)渐进式快速俯冲硬包围策略
Y = X_{\rm{rabbit}}(t) - \left. E \right|JX_{\rm{rabbit}}(t) - \left. {X_{\rm{m}}(t)} \right| (17) 2.4 PCA-HHO-ELM预测模型
由于ELM模型的输入层权值和隐含层阈值都是随机产生的,这些参数在不确定的情况下可能导致ELM模型预测精度降低或者模型产生过拟合现象,因此本文利用HHO算法对ELM模型的权值和阈值参数进行优化,寻求全局最优解,从而使ELM具有更好的学习和预测能力。基于以上原理,本文提出了一种集ELM、PCA、HHO于一体的混合人工智能模型。ELM用于构建盾构隧道地表最大沉降与其影响因素之间的关系;PCA用于数据降维,简化ELM网络拓扑结构;HHO用于优化ELM的权值和阈值参数。PCA-HHO-ELM模型的计算步骤如下,流程图如图2所示。
步骤1:对数据进行预处理,剔除非正常数据,利用PCA算法将数据降维,提取出K个主成分因子。
步骤2:为使数据具有代表性,将提出的主成分因子及地表最大沉降值随机排列,把数据分为训练集和测试集。
步骤3:对训练集及测试集归一化处理。
步骤4:利用HHO算法对ELM中的输入层权值和隐含层阈值参数进行优化,重构ELM模型。
步骤5:迭代更新适应度值及位置,将训练误差作为HHO适应度函数,判定是否满足终止条件,若满足则退出循环,输出寻优结果;否则,重复步骤5。
步骤6:将测试集输入优化后的ELM中,输出预测结果。
3. 模型建立
3.1 确定影响因子
由表1知,盾构隧道地表最大沉降的影响因素具有14维,属于高维数组,为避免模型学习速度慢、计算复杂、精度低等问题,现利用PCA算法对14维影响参数进行数据降维,设定累计贡献率大于80%的影响参数为主成分因子。运用Matlab编写程序代码,经多次试验分析,最终确定出了5个影响因子,其提取后的变量特征值与累计贡献率如图3所示。
由图3主成分提取变量结果可知,前5个成分的累计贡献率分别为36.661%、53.114%、66.596%、74.333%、81.510%,到第5成分时累计贡献率达到了81.510%,大于80%。因此,在尽量减少信息损失的同时,前5个成分能够较为全面地反映原始指标体系,即能够将初始的14维变量数据降至5维,并且由5个公因子表征出来。所得到的主成分系数矩阵如表2所示。
表 2. 主成分系数矩阵Table 2. Principal component coefficient matrix影响因子 主成分 1 2 3 4 5 A1 0.897 0.023 0.086 0.077 0.052 A2 0.937 −0.077 0.043 0.041 0.051 A3 −0.228 0.586 0.376 −0.460 −0.163 A4 −0.271 −0.259 −0.724 0.340 0.105 A5 0.956 −0.068 −0.130 −0.007 −0.028 A6 0.376 0.335 0.365 0.492 0.315 A7 0.683 −0.093 −0.116 −0.520 0.060 A8 −0.078 0.310 0.425 −0.053 0.748 A9 −0.474 0.530 −0.582 0.019 0.216 A10 −0.227 0.867 −0.247 0.123 −0.128 A11 −0.809 −0.112 −0.056 −0.256 0.188 A12 −0.790 −0.464 0.277 −0.071 0.080 A13 −0.201 −0.636 0.046 0.019 0.247 A14 −0.445 −0.011 0.622 0.384 −0.365 根据表2主成分系数矩阵,赋予A1—A14相应权重,得到重构后Z1~Z5的表达式,如式(18)—(22)所示。
\begin{split} Z_1 &= 0.897A_1 + 0.937A_2 - 0.228A_3 - 0.271A_4 + 0.956A_5 \\ &+ 0.376A_6 + 0.683A_7 - 0.078A_8 - 0.474A_9 - 0.227A_{10} \\ &- 0.809A_{11} - 0.790A_{12} - 0.201A_{13} - 0.445A_{14} \end{split} (18) \begin{split} Z_2 &= 0.023A_1 - 0.077A_2 + 0.586A_3 - 0.259A_4 - 0.068A_5 \\ & + 0.335A_6 - 0.093A_7 + 0.310A_8 + 0.530A_9 + 0.867A_{10} \\ & - 0.112A_{11} - 0.464A_{12 }- 0.636A_{13} - 0.011A_{14} \\ \end{split} (19) \begin{split} Z_3 &= 0.086A_1 + 0.043A_2 + 0.376A_3 - 0.724A_4 - 0.130A_5 \\ & + 0.365A_6 - 0.116A_7 + 0.425A_8 - 0.582A_9 - 0.247A_{10} \\ & - 0.056A_{11} + 0.277A_{12} + 0.046A_{13} + 0.622A_{14} \end{split} (20) \begin{split} Z_4 &= 0.077A_1 + 0.041A_2 - 0.460A_3 + 0.340A_4 - 0.007A_5 \\ & + 0.492A_6 - 0.520A_7 - 0.053A_8 + 0.019A_9 + 0.123A_{10} \\ & - 0.256A_{11} - 0.071A_{12} + 0.019A_{13} + 0.384A_{14} \end{split} (21) \begin{split} Z_5 &= 0.052A_1 + 0.051A_2 - 0.163A_3 + 0.105A_4 - 0.028A_5 \\ & + 0.315A_6 + 0.060A_7 + 0.748A_8 + 0.216A_9 - 0.128A_{10} \\ & + 0.188A_{11} + 0.080A_{12} + 0.247A_{13} - 0.365A_{14} \end{split} (22) 3.2 数据归一化
由表1可知,数据集量纲不同,需对数据进行标准化处理,从而加快极限学习机模型的收敛,并在训练过程中防止梯度爆炸。标准化处理算法将重构的5维主成分变量和地表最大沉降数据进行线性变换使其值域在[−1,1]附近。计算过程如下:
\tilde x = \frac{{x - \mu }}{\sigma } (23) 式中:μ、σ——输入数据某一维度的最小值及标准差;
\tilde x ——标准化处理后的数据。3.3 PCA-HHO-ELM模型参数
为避免连续监测点位之间沉降差异较小,导致训练集沉降范围具有局限性,现将200组经PCA算法降维的数据随机排列,前170组用于模型训练(即训练集),后30组用于模型性能测试(即测试集)。利用HHO算法对ELM的输入层权值和隐含层阈值参数进行寻优,将得到的最优结果作为ELM的最优参数,最大程度提高模型的预测性能。经反复试验,将HHO种群大小设为30,最大迭代次数设为100。
由前文知,Z1—Z5作为模型输入且用于回归预测(S=1),故ELM输入层神经元和输出层神经元分别5和1。选择Sigmoid函数作为激活函数g(x),如式(24)所示。由式(24)知g(x)无穷可微,满足激活函数定义。根据Kolomogorov定理,SLFN隐含层神经元不小于2K+1,即不小于11个。
g(x) = \frac{1}{{1 + {{\text{e}}^{ - x}}}} (24) 3.4 模型评价指标
为验证模型预测效果,选用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)3个指标对模型进行评价。RMSE弥补了MSE与目标变量量纲不一致的缺陷,MAE避免了正负误差相抵消,R2用于评价模型与数据的相关性,R2的范围为[0,1],R2值越大,模型拟合效果越好。具体公式如下:
RMS E = \sqrt {\frac{1}{m}\sum\limits_{i = 1}^m {{{\left[ {h(x_i) - y_i} \right]}^2}} } (25) MAE = \left| {\frac{1}{m}\sum\limits_{i = 1}^m {\left[ {h(x_i) - y_i} \right]} } \right| (26) {R^2} = 1 - \frac{{\displaystyle\sum\limits_{i = 1}^m {{{\left[ {y_i - h(x_i)} \right]}^2}} }}{{\displaystyle\sum\limits_{i = 1}^m {{{(y_i - \overline y )}^2}} }} (27) 式中:m——样本总数;
h(xi)——模型的预测沉降值;
yi——实测沉降值;
\overline y ——实测沉降数据的平均值。4. 预测结果分析
4.1 模型预测性能分析
经反复试验,将隐含层节点数设为20,预测效果较好。在PCA-HHO-ELM模型仿真训练后,对30组测试样本进行测试,训练及测试结果如图4所示。
从图4(a)中可看出,训练集数据点基本分布在理想拟合直线附近,训练样本的R2为0.941 9、RMSE为0.154 0、MAE为0.011 8,这说明PCA-HHO-ELM模型的预测值与实测值基本一致,模型训练效果较好。从图4(b)中可看出,测试样本数据点同样集中分布于理想拟合直线附近,其R2为0.959 6、RMSE为0.1435、MAE为0.026 2,这说明PCA-HHO-ELM模型具有很好的学习与预测能力,能够有效预测盾构隧道地表最大沉降。
4.2 对比分析
为进一步验证PCA-HHO-ELM模型的泛化能力,在同等试验条件下将未优化的ELM模型、BP神经网络模型和RBF模型与PCA-HHO-ELM模型进行多次试验分析对比,对比结果如图5所示。
从图5预测曲线可知,4种预测模型的预测值与实测值整体上变化趋势一致,均能在一定程度上对盾构隧道地表最大沉降进行可靠预测,但在局部区域,PCA-HHO-ELM模型的预测结果较其他3种算法更接近地表沉降实测值,其预测值与实测值咬合得更加紧密。相较于RBF、ELM模型,BP神经网络模型同样具有较高的可靠性。将4类模型预测结果(表3)带入式(22)—(24),得到各模型的预测性能指标,其结果如表4所示。
表 3. 4类模型预测结果Table 3. Prediction results of four types of models组号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 实测值/mm 2.89 9.86 5.03 4.45 2.07 10.44 0.82 3.64 0.44 13.42 9.69 4.96 2.54 1.93 1.43 BP预测值/mm 1.62 −8.49 3.61 −8.92 −0.56 12.08 −0.97 3.51 0.12 −13.78 10.10 −3.74 2.53 2.24 0.70 RBF预测值/mm 5.04 0.49 2.12 2.00 −2.86 2.81 0.31 4.48 0.50 −11.03 5.07 −11.39 2.03 2.01 0.50 ELM预测值/mm −0.24 −6.17 4.21 0.11 −0.94 12.90 0.27 −0.51 −1.51 −11.13 11.95 −4.05 2.63 2.12 0.26 PCA-HHO-ELM预测值/mm 2.11 −7.83 4.93 −5.25 0.14 9.38 −1.90 7.34 −1.23 −12.66 12.93 −4.72 3.83 3.46 −0.82 组号 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 实测值/mm 0.01 6.33 5.22 14.19 13.74 1.14 4.17 5.31 1.61 0.08 9.90 1.24 10.84 2.24 12.35 BP预测值/mm −0.06 4.85 4.89 −14.13 −14.25 0.49 4.10 5.93 1.73 −0.05 −9.73 −0.01 −10.46 1.30 −11.83 RBF预测值/mm 0.50 3.59 2.56 −11.32 −7.45 0.50 4.47 5.07 0.50 0.50 −9.67 0.50 −8.02 0.58 −7.45 ELM预测值/mm −0.53 5.72 5.79 −11.76 −15.91 1.34 2.90 5.71 1.65 −0.58 −9.78 0.70 −8.43 −0.12 −14.09 PCA-HHO-ELM预测值/mm −1.33 6.50 6.89 −13.27 −14.07 2.16 4.35 2.43 4.00 −0.99 −9.01 0.13 −10.76 1.18 −12.41 表 4. 模型性能评价结果Table 4. Performance evaluation results of the model评价指标 RMSE MAE R2 最大误差/mm 平均误差/mm PCA-HHO-ELM模型 0.143 5 0.026 2 0.959 6 3.70 1.29 BP预测模型 0.232 3 0.042 4 0.894 3 4.48 0.82 RBF模型 0.392 1 0.071 6 0.698 6 10.35 2.52 ELM预测模型 0.571 8 0.104 4 0.359 2 4.56 1.48 从表4中可看出,本文提出的PCA-HHO-ELM模型的5项评价指标基本优于其余3种预测模型,仅平均误差略大于BP模型,其RMSE与MAE分别为0.1435和0.0262,说明该模型更为接近实际沉降值且误差最小,R2高达0.959 6,说明预测值与实测值拟合效果较好,可靠性较高。4种模型的RMSE和MAE尽管都很小,但是ELM模型误差是本文模型的近4倍,经HHO优化后,PCA-HHO-ELM模型的单样本最大误差值和平均误差均小于未优化的ELM模型,决定系数也从0.3592提升至0.9596,其预测效果较好。综上所述,4类预测模型预测效果为:PCA-HHO-ELM模型>BP模型>RBF模型>ELM模型,HHO算法能够提高ELM的预测精度,PCA-HHO-ELM模型具有更强的泛化能力。
5. 结论
(1)利用PCA算法进行数据降维,在尽量减少信息损失的同时,将原始14维影响参数降至5维,根据主成分系数矩阵重构主成分变量,将得到的主成分变量作为模型输入,简化了ELM模型的网络拓扑结构,从而减少所需优化的权值和阈值个数。
(2)利用PCA-HHO-ELM模型进行盾构沉降预测,训练集及测试集数据点基本分布在理想拟合直线附近,模型预测效果较好。PCA-HHO-ELM预测模型的各项评价指标基本均优于BP神经网络模型、RBF模型和ELM模型。
(3)经HHO算法优化后,ELM模型精度显著提高,R2从0.3592提升至0.9596,其单样本最大误差和平均误差也得到相应改善。PCA-HHO-ELM模型在一定程度上提高了盾构沉降预测效果,使其具有更优的泛化性能,可为类似隧道工程提供一种更为可行的新思路。
-
图 1 山东胶莱盆地万家—蓝村地区大地构造位置图(修改自张增奇等, 2014)
图 2 山东胶莱盆地万家—蓝村地区地质略图(据徐伟祥, 2019)
表 1 数据库(集)元数据简表
条目 描述 数据库(集)名称 山东省万家镇幅(J50E021024)、南村镇幅(J51E021001)、高密市幅(J50E022024)、蓝村镇幅(J51E02 2001)1∶50 000数字地质图空间数据库 数据库(集)作者 徐伟祥, 山东省第四地质矿产勘查院
高美霞, 山东省第四地质矿产勘查院
张德明, 山东省第四地质矿产勘查院
胡 冰, 山东省第四地质矿产勘查院
张 恺, 山东省潍坊基础工程公司数据时间范围 2016.07—2018.12 地理区域 地理坐标: 东经 119°45′~120°15′, 北纬 36°20′~36°40′ 数据格式 MapGIS 6.7矢量格式(*.wt, *.wl, *.wp), *.msi 数据量 22.3 MB 数据服务系统网址 http: //dcc.cgs.gov.cn 基金项目 中国地质调查局地质调查项目“山东1∶50 000万家、南村、高密、蓝村幅区域地质调查”(项目编号: DD20160044-4)资助 语种 中文 数据库(集)组成 本数据库由MapGIS格式的万家镇幅、南村镇幅、高密市幅和蓝村镇幅等4幅区域地质图库组成。每幅地质图库均包括主图、镶图和图饰图例组成。主图主要包括地质体面实体、地质(界)线、产状、火山口、同位素测年、河湖海水库岸线、火山岩相带、标准图框(内图框)、地质代号、产状注记、地质引线、同位素注记等。镶图包括综合地层柱状剖面图、主图地质剖面图、大地构造图、李党家-马山古凸起沉积断面图、重要钻孔柱状图、大地电磁测深断面图、岩相古地理图、第四系等厚度线图及古河道分布图、构造纲要图、地层格架图、火山机构示意图等。图饰图例包括主图图例、各镶图图例、接图表、责任表及中国地质调查局局徽及图幅索引 表 2 山东省万家镇幅、南村镇幅、高密市幅、蓝村镇幅 1∶50 000地质图空间数据库测试分析数据表
数据类型 数据量/个 数据基本特征 锆石U–Pb同位素年龄数据 3 火山岩LA–ICP–MS锆石U–Pb同位素年龄 光释光年龄数据 3 更新世黄土光释光(OSL)年龄 14C同位素年龄数据 4 全新世炭质粘土14C同位素年龄 Table 1. Metadata Table of Database (Dataset)
Items Description Database (dataset) name Spatial Database of 1∶50 000 Digital Geological Maps of Wanjia Town (J50E021024), Nancun Town (J51E021001), Gaomi City (J50E02 2024) and Lancun Town (J51E02 2001) Map-sheets, Shandong Province Database (dataset) authors Xu Weixiang, Shandong Provincial No.4 Institute of Geological and Mineral Survey
Gao Meixia, Shandong Provincial No.4 Institute of Geological and Mineral Survey
Zhang Deming, Shandong Provincial No.4 Institute of Geological and Mineral Survey
Hu Bing, Shandong Provincial No.4 Institute of Geological and Mineral Survey
Zhang Kai, Weifang Foundation Engineering Corporation, ShandongData acquisition time 2016.07–2018.12 Geographic area 119°45′–120°15′ E, 36°20′–36°40′ N Data format MapGIS 6.7; vector formats (*.wt, *.wl, *.wp), *.msi Data size 299 MB Data service system URL http://dcc.cgs.gov.cn Fund project The project titled 1∶50 000-Scale Regional Geological Survey of Wanjia Town, Nancun Town, Gaomi City, and Lancun Town Map-sheets, Shandong Province initiated by the China Geological Survey (No.: DD20160044-4) Language Chinese Database (dataset) composition The Database consists of four regional geological map libraries in MapGIS format of Wanjia Town, Nancun Town, Gaomi City and Lancun Town map-sheets. Each of these maps consists of a master map, mosaic maps, and map decorations and legends. The contents in a master map mainly include geological polygon entities; geological (boundaries) lines; attitude; craters; isotopic dates; shorelines of rivers, lakes, seas, and reservoirs; volcanic facies zones; standard map frames (inner map frame); geological labels; attitude annotation; geological leader lines; and isotope annotation. The mosaic maps include synthetic histograms, geological profiles of master maps, geotectonic maps, sedimentary cross sections of Lidangjia—Mashan dome, histograms of key boreholes, CSAMT profiles, lithofacies paleogeographic maps, the Quaternary isopach maps, paleochannel distribution map, geological structure outline maps, stratigraphic sedimentary framework maps, and volcanic edifice diagrams. The map decorations and legends include legends of master maps, legends of mosaic maps, index map, duty table, the emblem of the China Geological Survey, and map-sheet index Table 2. Test and analysis data of the spatial database of 1∶50 000 geological maps of Wanjia town, Nancun town, Gaomi city and Lancun town map-sheets, Shandong province
Data type Data volumn Basic characteristics of data Zircon U–Pb isotopic dating data 3 samples LA–ICP–MS zircon U–Pb isotopic ages of volcanic rocks Optically stimulated luminescence (OSL) dating data 3 samples OSL ages of Pleistocene loess 14C isotopic dating data 4 samples 14C isotopic ages of Holocene carbonaceous clay -
[1] 安伟, 旷红伟, 柳永清, 彭楠, 许克民, 许欢, 章朋, 王克柏, 陈树清, 张艳霞. 2016. 山东诸城晚白垩世王氏群恐龙化石层碎屑锆石定年和物源示踪[J]. 地质论评, 62(2): 453−496. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dzlp201602019
[2] 曹珂. 2010. 中国陆相白垩系沉积特征与古地理面貌[D]. 北京: 中国地质大学.
[3] 陈清华, 宋若微, 戴俊生, 陆克政, 熊继辉. 1994. 胶莱盆地重磁资料解释与构造特征分析[J]. 地球物理学进展, 9(3): 70−79. http://www.cnki.com.cn/Article/CJFDTotal-DQWJ403.009.htm
[4] 杜圣贤, 陈军, 陈诚, 高黎明, 刘凤臣, 宋香锁, 田京祥, 张尚坤, 刘书才. 2020. 胶莱盆地胶州组生物地层及白垩系/古近系界线[J]. 地层学杂志, 44(1): 22−34. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dcxzz202001003
[5] 黄太岭. 2000. 胶莱盆地区域地球物理场特征及构造单元划分[J]. 山东国土资源, 16(3): 41−47. http://www.cqvip.com/Main/Detail.aspx?id=4743098
[6] 季燕南. 2010. 山东省诸城地区晚白垩世沉积环境与山东龙集群埋藏研究[D]. 北京: 中国地质大学(北京).
[7] 旷红伟, 柳永清, 董超, 彭楠, 许欢, 王宝红, 章朋, 王克柏, 陈树清, 张艳霞. 2014. 山东诸城晚白垩世恐龙化石埋藏学研究[J]. 地质学报, 88(8): 1353−1371. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dizhixb201408001
[8] 李桂群, 范德江. 1994. 胶莱盆地构造单元划分及其特征[J]. 青岛海洋大学学报, 24(2): 239−246. http://qikan.cqvip.com/Qikan/Article/Detail?id=1447767
[9] 李金良, 张岳桥, 柳宗泉, 任凤楼, 袁嘉音. 2007. 胶莱盆地沉积-沉降史分析与构造演化[J]. 中国地质, 34(2): 240−250. doi: 10.3969/j.issn.1000-3657.2007.02.005
[10] 李日辉, 张光威. 2001. 山东莱阳盆地早白垩世莱阳群的遗迹化石[J]. 古生物学报, 40(2): 252−261. doi: 10.3969/j.issn.0001-6616.2001.02.011
[11] 刘明渭, 张庆玉, 宋万千. 2003. 山东省白垩纪岩石地层序列与火山岩系地层划分[J]. 地层学杂志, 27(3): 247−253. doi: 10.3969/j.issn.0253-4959.2003.03.014
[12] 刘玉强. 2001. 再论胶莱盆地金矿等找矿方向—隐伏基底综合信心金成矿预测[J]. 中国地质, 28(11): 13−19. doi: 10.3969/j.issn.1000-3657.2001.11.004
[13] 吕琳, 李伟, 刘元晴, 王新峰, 马雪梅, 邓启军. 2018. 山东省莱芜市1∶50 000水文地质图数据集[J]. 中国地质, 45(S2): 39−46. doi: 10.12029/gc2018Z205
[14] 庞健峰, 丁孝忠, 韩坤英, 韩坤英, 曾勇, 陈安蜀, 张燕玲, 张庆和, 姚东升. 2017. 1∶100万中华人民共和国数字地质图空间数据库[J]. 中国地质, 44(S1): 96−104. http://www.cqvip.com/QK/90050X/2017A01/68739073504849558349484851.html
[15] 彭楠, 柳永清, 旷红伟, 许欢, 章朋, 陈军, 安伟, 王能盛. 2015. 胶莱盆地早白垩世莱阳群沉积物源及地质意义[J]. 中国地质, 42(6): 1793−1810. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi201506010
[16] 彭文泉, 蒋波, 王云燕, 梁云汉, 肖广玲. 2014. 莱阳凹陷页岩气资源潜力前景分析[J]. 山东国土资源, 30(8): 7−11. doi: 10.3969/j.issn.1672-6979.2014.08.002
[17] 宋明春. 2008. 山东省大地构造单元组成、背景和演化[J]. 地质调查与研究, 30(3): 165−175. doi: 10.3969/j.issn.1672-4135.2008.03.003
[18] 宋明春, 王沛成. 2003. 山东省区域地质[M]. 济南: 山东省地图出版社, 1−970.
[19] 孙伟清, 彭文泉, 高兵艳, 张文, 王英鹏, 郝兴中. 2019. 胶莱坳陷页岩气资源潜力评价[J]. 山东国土资源, 35(3): 1−7. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sddz201903001
[20] 唐风华, 程日辉, 白云风, 孔庆莹. 2003. 胶莱盆地构造演化规律[J]. 世界地质, 22(3): 246−251. doi: 10.3969/j.issn.1004-5589.2003.03.006
[21] 佟彦明. 2007胶莱盆地构造演化研究[D]. 北京: 中国地质大学.
[22] 许克民, 旷红伟, 秦杰, 汪又平, 彭楠, 宁振国, 张富中, 柳永清. 2017. 山东胶莱盆地K-Pg界线新发现[J]. 中国地质, 44(1): 194−195. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi201701016
[23] 徐伟祥. 2019. 胶莱盆地万家至蓝村一带白垩纪陆相“红层”火山岩锆石U-Pb年代学、地球化学特征及其地质意义[J]. 地质学报, 93(S1): 29−36. http://www.geojournals.cn/dzxbe/ch/reader/view_abstract.aspx?file_no=2019s1004&flag=1
[24] 徐伟祥, 高美霞, 张德明, 胡冰, 张恺. 2020. 山东省万家镇幅 (J50E021024)、南村镇幅 (J51E021001)、高密市幅 (J50E022024)、蓝村镇幅 (J51E022001)1∶50 000数字地质图空间数据库[DB/OL]. 地质科学数据出版系统. (2020-06-30). DOI:10.35080/data.A.2020.P15.
[25] 翟慎德. 2003. 胶莱盆地莱阳凹陷构造特征及演化[J]. 石油实验地质, 25(2): 137−142. doi: 10.3969/j.issn.1001-6112.2003.02.006
[26] 张嘉良, 王强, 蒋顺兴, 程心, 李宁, 张鑫俊, 裘锐, 汪筱林. 2017. 山东莱阳晚白垩世鸭嘴龙动物群化石特异埋藏初步研究[J]. 古生物学报, 56(2): 214−224. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gswxb201702008
[27] 张艳霞, 陈军, 范燕云. 2018. 山东诸城地区恐龙足迹化石研究综述[J]. 山东国土资源, 34(6): 33−40. doi: 10.3969/j.issn.1672-6979.2018.06.005
[28] 张岳桥, 李金良, 张田, 董树文, 袁嘉音. 2008. 胶莱盆地及其邻区白垩纪—古新世沉积构造演化历史及其区域动力学意义[J]. 地质学报, 82(9): 1229−1257. doi: 10.3321/j.issn:0001-5717.2008.09.007
[29] 张增奇, 张自恒, 胡树庭, 张尚坤, 王从祥, 杜圣贤, 杨斌. 2000. 山东诸城凹陷早白垩世莱阳期古地理与沉积演化[J]. 中国地质学会“九五”全国地质科技重要成果论文集, 7.
[30] 张增奇, 张成基, 王世进, 刘书才, 王来明, 杜圣贤, 宋志勇, 张尚坤, 杨恩秀, 程光锁, 刘凤臣, 陈军, 陈诚. 2014. 山东省地层侵入岩构造单元划分对比意见[J]. 山东国土资源, 30(3): 1−23. doi: 10.3969/j.issn.1672-6979.2014.03.001
[31] 周红智, 徐崇文, 张松涛, 张里斌, 张新铭. 2019. 青海都兰沟里金矿整装勘查区1∶100 000地质矿产数据集[J]. 中国地质, 46(S1): 93−104. doi: 10.12029/gc2019Z111
[32] 周建波, 韩伟, 宋明春. 2016. 苏鲁地体折返与郯庐断裂活动: 莱阳盆地中生界碎屑锆石年代学的制约[J]. 岩石学报, 32(4): 1171−1181. http://d.wanfangdata.com.cn/Periodical/ysxb98201604016
[1] An Wei, Kuang Hongwei, Liu Yongqing, Peng Nan, Xu Kemin, Xu Huan, Zhang Peng, Wang Kebai, Chen Shuqing, Zhang Yanxia. 2016. Detrital Zircon Dating and Tracing the Provenances of Dinosaur Bone Beds from the Late Cretaceous Wangshi Group in Zhucheng, Shandong[J]. Geological Review, 62(2): 453−496 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dzlp201602019
[2] Cao Ke. 2010. Cretaceous continental sedimentology and paleogeography in China[D].Beijing: China Uniersity of Geosciences (in Chinese with English abstract).
[3] Chen Qinghua, Song Ruowei, Dai Junsheng, Lu Kezheng, Xiong Jihui. 1994. Jiaolai basin gravitic and magnetic data interpretation and structure analysis[J]. Progress in Geophysics, 9(3): 70−79 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTotal-DQWJ403.009.htm
[4] Du Shengxian, Chen Jun, Chen Cheng, Gao Liming, Liu Fengchen, Song Xiangsuo, Tian Jingxiang, Zhang Shangkun, Liu Shucai. 2020. Biostratigraphy of the Jiaozhou Formation in the Jiaolai Basin, Shandong, Eastern China, With Discussion of the Cretaceous-Paleogene boundary[J]. Journal of Stratigraphy, 44(1): 22−34 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dcxzz202001003
[5] Hang Tailing. 2000. Characteristic of regional geophysical field in Jiaolai basin and its tectonic unit division[J]. Shandong Land and Resources, 16(3): 41−47 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTOTAL-SDDI200003008.htm
[6] Ji Yannan. 2010. Late creaaceous sedimentary environments and mass burying of Shantungosaurus (Hadrosauridae) in Zhucheng region, Shandong province (Master thesis)[D]. Beijing: China University of Geosciences (in Chinese with English abstract)
[7] Kuang Hongwei, Liu Yongqing, Dong Chao, Peng Nan, Xu Huan, Wang Baohong, Zheng Peng, Wang Kebai, Chen Shuqing, Zhang Yanxia. 2014. Research on Taphonomy of Late Cretaceous Dinosaurs in Zhucheng, Eastern Shandong, China[J]. Acta Geologica Sinica, 88(8): 1353−137 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dizhixb201408001
[8] Li Guiqun, Fan Dejiang. 1994. Tectonic units division and their characteristics in the Jiaolai basin[J]. Journal of Ocean University of Qingdao, 24(2): 239−246 (in Chinese with English abstract). http://europepmc.org/abstract/CBA/271087
[9] Li Jinliang, Zhang Yueqiao, Liu Zongquan, Ren Fenglou, Yuan Jiayin. 2007. Sedimentary- subsidence history and tectonic evolution of the Jiaolai basin, eastern China[J]. Geology in China, 34(2): 240−250 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi200702005
[10] Li Rihui, Zhang Guangwei. 2001. A Preliminary study of nonmarine trace fossils from the Laiyang group(early Cretaceous), Laiyang basin,eastern China[J]. Acta Paleontologica Sinica, 40(02): 252−261 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gswxb200102011
[11] Liu Mingwei, Zhang Qingyu, Song Wanqian. 2003. Division of the cretaceous lithostratigraphic and volcanic sequences of Shandong[J]. Journal of Stratigraphy, 27(3): 247−253 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dcxzz200303014
[12] Liu Yuqiang. 2001. Further discussion of the direction in gold prospecting in the Jiao-Lai basin[J]. Geology in China, 28(11): 13−19 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi200111004
[13] Lyu Lin, Li Wei, Liu Yuanqing, Wang Xinfeng, Ma Xuemei, Deng Qijun. 2018. Dataset of the 1:50 000 Hydrogeological Map of Laiwu City, Shandong Province[J]. Geology in China, 45(S2): 39−46. http://en.cnki.com.cn/Article_en/CJFDTotal-DIZI2018S2005.htm
[14] Pang Jianfeng, Ding Xiaozhong, Han Kunying, Zeng Yong, Chen Anshu, Zhang Yanling, Zhang Qinghe, Yao Dongsheng. 2017. The national 1∶1 000 000 geological map spatial database[J]. Geology in China, 44(S1): 8−18. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=9002545
[15] Peng Nan, Liu Yongqing, Kuang Hongwei, Xu Huan, Zhang Peng, Chen Jun, An Wei, Wang Nengsheng. 2015. Provenance of Early Cretaceous Laiyang Group in Jiaolai Basin and its significance[J]. Geology in China, 42(6): 1793−1810 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi201506010
[16] Peng Wenquan, Jiang Bo, Wang Yunyan, Liang Yunhan, Xiao Guangling. 2014. Prospects analysis on potentiality of shale gas resource in Laiyang Depression[J]. Shandong Land and Resources, 30(08): 7−11 (in Chinese with English abstract) http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sddz201408002
[17] Song Mingchun. 2008. The Composing, Setting and Evolution of Tectonic Unitsin Shandong Province[J]. Geological Survey and Research, 30(3): 165−175 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTOTAL-QHWJ200803004.htm
[18] Song Mingchun, Wang Peicheng. 2003. Regional Geology of Shandong Province[M].Jinan: Shandong Map Publishing Press: 1−970(in Chinese).
[19] Sun Weiqing, Peng Wenquan, Gao Bingyan, Zhang Wen, Wang Yingpeng, Hao Xingzhong. 2019. Petential Evaluation of Shale Gas Resource in Jiaolai Depression[J]. Shandong Land and Resources, 35(3): 1−7 (in Chinese with English abstract).
[20] Tang Fenghua, Cheng Rihui, Bai Yunfeng, Kong Qingying. 2003. Tectonic Evolution of the Jiaolai Basin[J]. Global Geology, 22(3): 246−251 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTOTAL-SJDZ200303005.htm
[21] Tong Yanming. 2007. Tectonic Evolution of Jiaolai Basin[D]. Beijing: China University of Geosciences(in Chinese with English abstract)
[22] Xu Kemin, Kuang Hongwei, Qin Jie, Wang Youping, Peng Nan, Ning Zhenguo, Zhang Fuzhong, Liu Yongqing. 2017. New discovery of terrestrial K-Pg boundary from Jiaolai Basin of Shandong Province[J]. Geology in China, 44(1): 194−195 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdizhi201701016
[23] Xu Weixiang. 2019. LA-ICP-MS zircon U−Pb ages of Cretaceous continental “red layer” volcanic rocks in Wanjia—Lancun area of Jiaolai basin and their geological significance[J]. Acta Geologica Sinica, 93(sl): 29−36 (in Chinese with English abstract).
[24] Xu Weixiang, Gao Meixia, Zhang Deming, Hu Bing, Zhang Kai. 2020. Spatial Database of 1∶50 000 Digital Geological Maps of Wanjia Town (J50E021024), Nancun Town (J51E021001), Gaomi City (J50E022024), and Lancun Town (J51E022001) Map-sheets, Shandong Province [DB/OL]. Geological Science Data Press, (2020-06-30). DOI: 10.35080/data.A.2020.P15(inChinesewithEnglishabstract).
[25] Zhai Shende. 2003. Structural characteristics and evolution in the Laiyang depression of the Jiaolai basin[J]. Petroleum Geology and Experiment, 25(02): 137−142 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sysydz200302006
[26] Zhang Jialiang, Wang Qiang, Jiang Shunxing, Cheng Xin, Li Ning, Zhang Xinjun, Qiu Rui, Wang Xiaolin. 2017. Preliminary research on the peculiar taphonomy of the late cretaceous laiyang hadrosauroid fauna in Shandong[J]. Acta Paleontologica Sinica, 56(2): 214−224 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gswxb201702008
[27] Zhang Yanxia, Chen Jun, Fan Yanyun. 2018. A Review of Footprints Fossils Research in Zhucheng Area in Shandong Province[J]. Shandong Land and Resources, 34(6): 33−40 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sddz201806005
[28] Zhang Yueqiao, Li Jinliang, Zhangtiao, Dong Shuwen, Yuan Jiayini. 2008. Discussion on tie evidences of mesozoic lithosphere thinning and its dynamic mechanism in jiaodong area[J]. Acta Geologica Sinica, 82(09): 1229−1257 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ddgzyckx200104003
[29] Zhang Zengqi, Zhang Ziheng, Hu Shuting, Zhang Shangkun, Wang Congxiang, Du Shengxian, Yang Bin. 2000. Paleogeography and sedimentary evolution of early Cretaceous Laiyang period in Zhucheng Sag, Shandong Province[J]. Proceedings of important achievements of National Geological science and Technology in the ninth five-year Plan of Chinese Geological Society, 2000: 574−580(in Chinese) (in Chinese).
[30] Zhang Zengqi, Zhang Chengji, Wang Shijin, Liu Shucai, Wang Laiming, Du Shengxian, Song Zhiyong, Zhang Shangkun, Yang Enxiu, Cheng Guangsuo, Liu Fengchen, Chen Jun, Chen Cheng. 2014. Views on Classification and Contrast of Tectonic Units in Strata in Shandong Province[J]. Shandong Land and Resources, 30(3): 1−23 (in Chinese with English abstract). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sddz201403001
[31] Zhou Hongzhi, Xu Chongwen, Zhang Songtao, Zhang Libin, Zhang Xinming. 2019. The 1∶100 000 geological and mineral data set for the integrated exploration area of The Dulan Guli Gold Deposit, Qinghai province[J]. Geology in China, 46(S1): 93−104 (in Chinese).
[32] Zhou Jianbo, Han Wei, Song Mingchun. 2016. The exhumation of the Sulu Terrane and the forming of the Tancheng-Lujiang Fault: Evidence from detrital zircon U−Pb dating of the Mesozoic sediments of the Laiyang Basin, Central China[J]. Acta Petrologica Sinica, 32(4): 1171−1181 (in Chinese with English abstract). http://en.cnki.com.cn/Article_en/CJFDTOTAL-YSXB201604016.htm
期刊类型引用(1)
1. 汪子杰,张德明,徐晓慧. 高密-万家地区招(远)-平(度)断裂特征研究. 地质找矿论丛. 2022(01): 96-102 . 百度学术
其他类型引用(0)
-