基于改进BP神经网络的液压支架前连杆疲劳寿命预测

为了解决液压支架前连杆疲劳寿命难以直接估算且预测成本较高的问题,采用鲸鱼优化算法(WOA)优化BP神经网络模型进行液压支架前连杆疲劳寿命估算,建立液压支架前连杆5个主要参数与疲劳寿命的非线性映射关系。首先在ANSYS的Fatigue模块中输入液压支架前连杠的5个主要参数,获取30组疲劳寿命仿真结果。然后从30组数据中随机选取25组数据作为优化后BP神经网络的训练集,剩余5组数据作为测试集。预测结果表明,WOA-BP神经网络模型预测精度较高,最大相对误差仅5.19%。     

GA-BP神经网络在偏压隧道拱顶沉降预测的应用

运用组合优化的思想,基于遗传算法(GA)优化BP神经网络,将优化后的神经网络(GA-BP)用来预测偏压隧道拱顶沉降量。通过对比分析BP神经网络和经过遗传算法优化过的神经网络的预测结果数据表明,在偏压隧道拱顶沉降预测中,后者比前者性能更好,更能精确的预测偏压隧道拱顶沉降量。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

排土场沉降预测的Elman模型及稳定性分析：以广东省大宝山矿业李屋排土场为例

为分析广东省大宝山矿业有限公司铜硫露天采矿区李屋排土场的沉降发展趋势及稳定性情况,基于李屋排土场757平台E号桩2018年7月~2019年6月的沉降数据构造训练样本,建立Elman神经网络模型,预测2019年7月~9月沉降量的发展趋势,并根据沉降量的预测值对排土场稳定性进行分析。结果表明：Elman神经网络模型的沉降量预测值与实际值基本吻合,平均相对误差为1.4%,预测精度较高,有助于分析排土场的稳定性情况,能够在排土场稳定性评价中发挥一定的作用;通过对比2018年7月~2019年6月和2019年7~9月单月沉降量的增长值和连续3个月的平均增长速率判定李屋排土场处于稳定状态,稳定性的预测结果与实际情况相吻合,预测结果是偏安全的。     

煤矿开采引起的地表沉降预测模型研究及应用分析

文中基于曲线拟合和BP神经网络的理论,利用某矿区内B1点的实测沉降数据,结合MATLAB曲线拟合工具箱和BP神经网络的编程建立地表沉降预测模型,预测未来沉降趋势。同时采用曲线拟合的结果进行BP神经网络的训练和仿真(即曲线—BP组合模型),通过对预测值和实测值的比较,分析三种模型的预测精度,最后结果表明曲线—BP组合模型在矿区地表沉降预测中切实可行。     

改进的BP神经网络在路基沉降预测中的应用

针对传统的BP神经网络存在的缺点,提出了用附加动量法、自适应学习速率和L-M优化算法等几种算法进行优化。通过对比分析,证明了采用L-M优化和附加动量因子算法相结合取得了最优的预测效果。该方法克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结合现场实测数据,将该优化模型与传统的BP神经网络预测模型对比,预测结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

PSO-Elman神经网络在尾矿坝位移预测中的应用

由于BP神经网络模型容易出现局部极小值和训练时间长等缺陷,Elman神经网络模型有搜索速度慢、易出现局部最优等不足,因此考虑采用PSO-Elman神经网络模型进行尾矿坝位移预测。利用Matlab神经网络工具箱对PSO-Elman神经网络、Elman神经网络、BP神经网络三种模型进行编程,结合工程算例,验证了PSOElman神经网络模型在尾矿坝位移监测数据预测分析中具有更好的预测效果。     

基于PCA-RBF神经网络模型的煤层厚度预测

基于淮北某矿区的地震属性参数和钻井数据,利用逐步回归分析方法,优选出与煤层厚度有着显著相关性的参数,通过构建主成分分析算法-径向基函数神经网络模型,预测煤层厚度的变化趋势,并将井旁道的煤层厚度预测值保留,作为下一个未知区域预测模型的输入参数,从而获得更准确的煤层厚度预测值。通过不断扩展预测范围,并对其进行持续分析,从而实现整个研究区域煤层厚度的准确预测。分别对比RBF和PCA-RBF 2种神经网络模型预测的煤层厚度与真实值的绝对误差、相对误差以及相关系数,其中PCA-RBF神经网络模型的预测值与真实值之间的绝对误差为0～0.08 m,相对误差为0%～4%,相关系数为0.999 9。结果表明,PCA-RBF神经网络模型预测得到的煤层厚度变化趋势更接近于真实值,预测结果的精度更高,能够为煤矿安全生产、减少成本、提高效益提供强有力的技术支持。     

基于GA-BP算法的气化配煤灰熔点预测

为了提高气化配煤煤灰流动温度预测的精度和稳定性,提出将遗传算法(GA)与误差反向传播神经网络(BP)相结合的预测方法,采用GA优化BP神经网路的权值和阈值,再用BP算法训练网络,结合仿真实验分析比较了GA-BP网络算法与常规BP神经网络方法的精度和稳定性。结果表明:GA-BP网络改善了BP网络容易陷入局部极小值和收敛速度慢的缺点,经GA优化的BP神经网络预测方法的预测精度高于BP网络算法,将其应用于气化配煤灰熔点预测有效可行。     

应用遗传-神经网络方法预测软土路基沉降

理论方法预测软土地基沉降与实际存在较大的差距,使得预测结果很难达到设计要求,不利于指导施工.将现有的理论方法同现场观测信息相结合,对软土地基变形作出更为准确的预测,有利于指导和控制工程施工.采用遗传算法和BP最优化法相结合的算法来训练网络,用遗传算法来优化BP神经网络中权值;用龚帕斯曲线来分解沉降时序,通过沉降趋势线偏移量来训练网络.采用这种方法预测软土路基沉降取得了较好的应用效果.     

开采沉陷预计参数的广适应性BP神经网络反演方法（增刊）

基于实测资料的概率积分法下沉预计能够准确描述开采引起的地表下沉变化,广泛应用于全国各大采区。为了获取准确可靠的开采沉陷概率积分法预计参数,本文以概率积分法沉陷预计为基础,利用BP人工神经网络反演求取预计参数。BP人工神经网络具良好的鲁棒性和非线性映射能力,在参数选取过程中能快速准确的确定预计参数与观测站点实测下沉量之间的映射关系,能准确反演得到实测下沉预计参数。根据地表实测数据,将概率积分法下沉预计与BP人工神经网络相结合,建立了适用于多种地质采矿条件的沉陷预计参数反演模型,并对阳泉某矿进行参数反演,得到结果与实测数据基本吻合,表明应用广适应性BP神经网络方法反演开采沉陷预计参数是可行的。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于鲸鱼算法优化支持向量机的露天煤矿边坡稳定性预测

边坡的稳定性对露天矿山的安全影响重大,为了快速地对露天煤矿边坡稳定状态进行判断,提出了一种基于鲸鱼算法(WOA)优化支持向量机(SVM)的露天煤矿边坡稳定性预测模型,该方法使用WOA对SVM模型的惩罚系数及核函数参数的取值进行了优化,解决了SVM模型的初始参数值选取困难的缺点。利用WOA优化后的SVM模型对收集到的边坡数据进行预测,并与RF、BP、SVM模型的预测结果进行对比。结果表明,WOA优化后的SVM模型具有更高的预测精度,该模型对确定露天煤矿边坡稳定状态有一定的参考价值。     

基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,本文提出 Adaboost卷积神经网络（Adaboost-CNN）建立露天矿边坡稳定性和影响因素之间的非线性关系。Adaboost-CNN是结合自适应Boosting算法(Adaboost)和卷积神经网络（CNN）的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。Adaboost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。本文分别采用BP神经网络、支持向量机（SVM）、卷积神经网络以及Adaboost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差（RPE）,发现Adaboost-CNN的预测精度最高、模型泛化能力最强。结果表明,Adaboost-CNN能够较精确对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.