基于KPCA-GWO-SVM模型的岩爆预测及应用

岩爆是采矿、水利等工程的主要灾害之一，准确预测十分关键。选取应力系数σ_θ/σ_c、脆性系数σ_c/σ_t和弹性能量指数W_et作为分级预测指标，提出基于灰狼优化算法优化的支持向量机模型，采用核主成分分析对数据进行处理，建立岩爆预测的KPCA-GWO-SVM模型，预测结果表现出良好的分类性能。将建好的模型用于冬瓜山铜矿，并与BP神经网络模型进行对比，结果表明，KPCA-GWO-SVM模型是一种岩爆烈度高精度分类的有效工具。     

基于PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于组合赋权的T-FME岩爆倾向性预测模型研究及应用

为了提高岩爆倾向性预测模型的精度,确保岩爆多指标综合评价方法中指标赋权方式和关联度函数的选用更加全面合理,建立了基于组合赋权的T-FME岩爆倾向性预测模型。该模型在选取岩石脆性系数、切向应力指数和弹性应变能指数作为评价指标的基础上,由序关系分析法和Vague熵确定指标主、客观权重,引入最小鉴别信息原理对指标组合赋权,最后采用理想点法计算贴近度复合模糊物元得到岩爆倾向性等级。运用国内外15组工程岩爆实例对该模型进行测试,与其他模型预测结果进行对比,并将该模型应用于国内若干实际工程。结果表明:该模型预测精度更高,预测等级更加安全,对国内几项实际工程岩爆倾向性的预测等级与实际情况相符,说明该模型具有较强的适用性。     

基于核主成分分析与PSO-SVM的充填管道失效风险性分级评价模型

为了更精确地对充填管道失效风险性进行预测,建立核主成分分析与PSO-SVM相结合的评价模型。选取8项定量指标作为充填管道失效风险性的评价指标。统计15个矿山的样本数据,运用核主成分分析法对15个样本进行预处理,得出主成分,再利用改进的SVM模型进行预测,进而得到更加精确的管道失效风险性预测结果。研究结果表明,所得到的实际预测结果与期望值之间的平均相对误差控制在5%以内。利用核主成分分析法与PSO-SVM相结合的评价模型具有精度高和运算速度快的优点,为充填管道失效风险预测提供了一种可靠的方法。     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。     

基于核主成分分析的热轧带钢头部拉窄分析

将核主成分分析方法引入热轧生产过程的监控与诊断中,根据平方预测误差统计量进行生产过程监控,然后利用数据重构和优化的邻域选取策略相结合的方法求出各工艺参数对平方预测误差统计量的作用,分析引起过程异常的主要工艺参数,最后利用仿真和热轧带钢实际生产数据进行实验.结果表明:基于核主成分分析的平方预测误差统计量能较准确诊断过程的异常,并可以找出引起异常的原因,为调整生产过程提供方法支撑,防止次品的出现.      

基于支持向量机的边坡稳定性预测

为准确快速地对边坡进行稳定性分析,提出基于支持向量机(Support vector machine SVM)的稀土矿开采边坡的SVM预测模型,结合42个稀土矿开采边坡实际案例,并分别采用网格寻优算法、遗传算法(Genetic algorithm GA)、粒子群算法(Particle swarm optimization PSO)对SVM模型进行参数寻优,寻找适合稀土矿开采边坡的SVM模型参数算法,结果表明PSO算法适合稀土矿开采边坡的稳定性分析,该算法的预测准确率最高。     

基于AHP和熵权TOPSIS模型的岩爆预测方法

为了准确预测地下金属矿的岩爆情况,建立了AHP和熵权TOPSIS模型。运用AHP和熵权法的基本原理,从岩性条件、应力条件和围岩条件3个方面选取预测指标,最终确定的指标为岩石的单轴抗压强度〖σ〗_c、压拉比〖σ〗_c/σ_t、弹性变形指数〖W〗_et、切应力与单轴抗压强度的比值〖σ〗_θ/σ_c和完整性系数〖K〗_v,分别为各预测指标分配合理的权重。然后,运用TOPSIS的基本原理,结合AHP和熵权法得到的权重来计算各岩爆等级临界值和实际矿山数据的贴近度,通过对比这2个贴近度来预测岩爆是否发生。实例研究表明：所建模型得到的预测结果与工程实际情况相一致,因此认为AHP和熵权TOPSIS模型可用于准确预测地下矿山的岩爆问题。     

基于时序趋势特征的回转窑喂煤SVM分类方法

提出一种基于时序趋势特征的回转窑喂煤支持向量机（SVM）分类方法,根据回转窑多个热工数据之间的动态变化规律预测喂煤变化趋势,指导人工喂煤调节的操作。首先对回转窑热工数据进行预处理,将喂煤时间序列分段线性表示,并提取相应趋势特征,形成训练样本;然后采用粒子群（PSO）算法优化SVM参数,构建SVM分类器,进而对测试样本进行分类,实现对喂煤趋势的分类预测。通过采用现场数据进行对比分析,证明本文提出的喂煤趋势预测方法具有较高的预测准确率,提高了窑前控制的鲁棒性,模型达到了现场应用的水平。     

基于MICE_RF的组合赋权—极限随机树岩爆预测模型

目前岩爆预测的真实训练数据量小、数据存在缺失,为了更加准确地预测岩爆等级,提出了一种基于链式随机森林多重插补（MICE_RF）算法的组合赋权—极限随机树（ET）预测模型。首先,在选取岩爆灾害主要评判指标的基础上,采用MICE_RF算法插补缺失数据;然后,由改进层次分析法（IAHP）和基于指标相关性的权重确定方法（CRITIC）确定指标主、客观权重,并引入权向量距离概念对指标组合赋权;最后,将插补和赋权后数据集采用ET算法,构建岩爆等级预测模型。利用国内外工程实例数据进行20次随机抽样试验,并与其他模型进行对比分析。结果表明：MICE_RF插补后可显著提高岩爆模型预测效果;改进AHP-CRITIC法较改进前更具优势,该模型平均预测准确率为93.10%,各比较指标结果均优于对比模型,预测结果更稳定。