基于熵权法-多维云模型的围岩稳定性分类研究

针对围岩稳定性影响因素的不确定性和模糊性问题,在云模型的基础上,结合熵权法建立了考虑多种地质和水文因素的稳定性评价模型,并实现围岩稳定性分类。该方法利用熵权法计算得到分类模型中的各指标的权重,并结合云理论将围岩稳定性各指标分类标准整合到1个考虑多因素的数学模型中。以该方法建立1个5维度云模型,并依托实测围岩样本数据进行计算分类,将其评价结果与实际分类结果对比,结果表明该评估模型在围岩稳定性分类中应用的准确性及易用性。     

人工神经网络对隧道围岩进行分类的应用研究

围岩分类是一典型的不确定性问题。应用神经网络的联想记忆功能，以隧道围岩五个类别作为训练标本，建立隧道围岩与分类指标之间的对应关系的BP判定模型，为隧道围岩分类提供了一条新途径。     

基于BP神经网络的巷道围岩稳定性识别

本文从分析巷道围岩稳定性影响因素入手,确定了影响巷道围岩稳定性的主要分类指标。在分析BP神经网络的基本原理和学习算法的基础上,根据改进的BP神经网络建立了围岩稳定性分类的神经网络识别模型,并运用VC++6.0编写程序对学习样本实现了分类。     

基于遗传算法和人工神经网络的巷道支护研究

针对软岩巷道围岩的复杂性和离散性特点,采用单一围岩稳定性影响因素无法进行巷道围岩准确分类,进而无法准确地确定支护设计方案的现状,采用遗传算法和人工神经网络建立了围岩稳定性分类预测模型。通过算例验证了该模型能在考虑多影响因素下准确地代表围岩稳定性影响因素与围岩类型之间的非线性关系,并预测出软岩巷道的围岩分类,从而为软岩巷道稳定性分类及控制技术提供参考依据。     

基于博弈论-云模型的隧道围岩稳定性分析模型研究

为科学合理评估隧道围岩稳定性，考虑了隧道围岩安全具有随机和模糊性特点，引入云理论建立综合评价模型。首先，在分析和参考文献基础上，选取了6个影响因素，构建了隧道围岩稳定性综合评价指标体系。其次，基于三标度理论改进层次分析法确定指标主观权重，引入变异系数改进CRITIC法确定指标客观权重，采用博弈论确定指标组合权重；根据稳定性分级标准确定云的数字特征并生成了指标云图，分别计算各评估对象不同等级下的单指标隶属度和综合确定度，并基于最大隶属度原则确定等级。最后将模型应用到隧道围岩安全性评价中，并与可拓理论和属性识别评价模型对比，研究结果表明所建立的评价模型评估结果准确可靠、切合实际，对隧道施工具有一定的指导意义，为隧道围岩稳定性评估提供了一条可量化的新思路。     

正态云模型在煤巷围岩稳定性分类中的应用

为研究煤巷围岩的稳定性,选取顶板围岩完整性、顶板围岩强度、煤体强度、弱岩层厚度和埋藏深度5个影响因素,采用正态云理论和德尔菲法建立了围岩稳定性评价的正态云模型,并应用于工程实际。结果表明,基于正态云模型的煤巷围岩稳定性分类判别结果符合实际,并优于BP神经网络法的判别结果。     

煤矿冲击地压预测的PCA-GRNN神经网络方法

为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA—BP、PCA—GRNN 4种神经网络模型。预测结果表明所建PCA—GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。     

围岩稳定性分类的灰色优化模型及其在新城金矿的应用

用灰色关联方法进行围岩稳定性分类 ,是一种能考虑多种因素和不确定性的综合分类方法 ,更能反映围岩的自然特性。本文介绍了灰色优化理论模型函数的建立方法及其在新城金矿围岩稳定性分类中的应用。     

基于PNN的巷道围岩稳定性分类

针对巷道围岩稳定性与影响因素之间存在复杂非线性关系,对煤矿回采巷道围岩稳定性影响因素进行了分析,建立围岩稳定性分类指标体系;介绍了概率神经网络(PNN)的基本原理,构建了基于PNN的巷道围岩稳定性分类模型,并利用Matlab工具箱编程对模型性能进行了检验和工程应用,当径向基扩散系数6.30≥spread≥0.64时,样本分类准确率为100％,样本分类时间小于4ms.结果表明,基于PNN的巷道围岩稳定性分类模型识别能力强,运行速度快,计算效率高,可以进行推广应用.     

基于机器学习的煤巷围岩稳定性预测与应用

煤巷围岩稳定性分类对指导现场岩体工程设计、施工、管理具有重要的理论和工程实际意义。本文选取了影响煤巷围岩稳定性的7个关键指标，采用现场案例、调查问卷和文献计量等方法收集样本并建立了围岩稳定性分类数据库，基于6种机器学习方法分别建立了煤巷围岩稳定性分类预测模型。经模型计算得出，神经网络和改进的支持向量机模型具有较高的预测准确性。将模型应用于霍州矿区实际工程，结果表明，神经网络和改进的支持向量机方法预测精度高、可靠性好。     

基于GA-GRNN的地表下沉系数预测方法研究

将遗传算法(GA)和广义回归神经网络(GRNN)方法进行融合,采用GA算法搜寻最优的GRNN光滑因子,简要分析了地表下沉系数的影响因素,建立了基于GA-GRNN的地表下沉系数预测模型。以我国典型观测站的数据资料作为学习和测试样本,将预测结果与实测值进行比较。结果表明:采用GA-GRNN模型预测地表下沉系数能够综合考虑诸多的地质采矿因素,预测结果与实测值得最大相对误差仅为5.44%,完全满足现场工程的需要,为今后预测地表下沉系数提出了一种新的方法。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。     

基于Fisher判别分析法的隧洞围岩分类

针对隧道围岩分类问题,基于Fisher判别分析理论,选用岩石质量指标、完整性指数、饱和单轴抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为判别因子,以30组隧洞围岩数据作为学习样本进行训练,建立相应的Fisher判别模型。利用回代估计方法对建模数据逐一进行检验,正确率达93.3%。将建立的判别模型应用于工程实例,预测结果与实际情况吻合良好,与Bayes判别法、神经网络模型判别结果一致。研究结果表明,Fisher判别分析用于围岩分类简便可行,正确率高,是解决隧洞围岩分类的一种有效方法。     

基于GRNN模型的硫化矿石堆氧化自热温度预测

为得到硫化矿石堆氧化自热温度的变化规律,自主设计硫化矿石堆氧化自热模拟试验装置,以含硫量、矿石块度、升温梯度作为试验影响因素,将硫化矿石堆氧化自热温升速率作为试验判定指标,采用L9(34)正交表构造三因素三水平回归正交试验。运用MATLAB建立硫化矿石堆氧化自热温度的GRNN神经网络模型,通过K-折交叉验证优选得到GRNN神经网络的最佳光滑因子σe,并与RBF神经网络模型、灰色神经网络模型预测效果进行对比。结果表明：GRNN神经网络在小样本预测模型中网络逼近能力、收敛速度、算法稳定性等方面具有优势,对硫化矿石堆氧化自热温度的预测精度高,预测误差为3.51%。     

基于混沌-广义回归神经网络的矿井涌水量预测

针对矿井涌水量预测研究中存在的相关影响因素考虑较少、模型预测精度不高和适用性不强的问题,建立了混沌理论与广义回归神经网络耦合的新的预测模型(Chaos-GRNN模型)。从理论上分析了矿井水文系统产生混沌现象的机理;由混沌理论得到涌水量序列相空间重构后的嵌入维数、时间延迟和最大Lyapunov指数,以此确定GRNN的输入层神经元个数、取值和预测时长;采用交叉验证法获得GRNN的光滑因子,建立Chaos-GRNN模型;对平煤十二矿涌水量(2014年1月至2015年12月)进行模型验证。结果表明：矿井水文系统演化过程的循环迭代是产生混沌的根本原因,其表象特征为演化过程的不可逆性、非平稳性和演化结果的多样性;平煤十二矿涌水量时间序列具有混沌特征,其嵌入维数m=7,即涌水量的影响因素为7个,GRNN输入层神经元个数为7;时间延迟τ为13个月,由此确定了GRNN输入层神经元的取值;最大Lyapunov指数为0.053 0,确定了GRNN预测时长为19个月;Chaos-GRNN模型预测精度达到了94.98%。该预测模型利用混沌理论量化了广义回归神经网络的输入层和预测时长,充分考虑了矿井涌水量的影响因...     

基于PCA-FOA-GRNN的回采工作面瓦斯涌出量预测

回采工作面瓦斯涌出量受多种因素共同影响,很难用线性方法进行准确预测。广义回归神经网络(GRNN)是一种前馈神经网络,具有鲁棒性好和高容错率的优点,并且调节参数只有1个,因此,基于GRNN构建预测模型,运用改进的果蝇优化算法(FOA)对传统GRNN模型进行优化,应用主成分分析法(PCA)对样本数据进行降维简化处理,以减少次要因素对预测结果的干扰。选取晓明矿数据对模型进行验证,预测效果良好,其平均绝对误差为3.98%,低于传统GRNN模型的7.06%。     

基于改进广义回归神经网络的工作面低氧预测模型研究

为了更有效合理地解决煤矿工作面中低氧问题,以神东某煤矿工作面监测数据为样本, 考虑监测物理参数之间的相互影响关系,借助主成分分析法对广义回归神经网络(GRNN)进行 改进,构建工作面氧气浓度预测模型,编制改进的GRNN模型程序。 将预测氧气浓度结果与实测 数据对比,证明改进后的GRNN模型具有良好的拟合准确度和泛化能力,比改进前GRNN模型和 BP神经网络模型更适合于煤矿工作面低氧问题的预测;利用改进的GRNN模型分析了工作面 进、回风压力及进风温度对工作面及回风平巷氧浓度的影响,为矿井工作面低氧预测及工作面低 氧防治技术提供了参考。     

基于向量机的煤层顶底板围岩稳定性分类研究

煤层顶底板围岩是一种高度非线性的复杂动态系统,机理复杂、其影响因素众多。单一的评价指标已不能准确描述煤层顶底板围岩稳定性分类情况。结合云贵高原某煤矿的实际情况,选用岩石质量指标、完整性系数、埋藏深度、地下水渗水量、结构面强度系数和单轴饱和抗压强度6个关联程度不同的影响因素作为支持向量机模型的输入。建立支持向量机煤层顶底板围岩稳定性分类模型。将此模型应用于云贵高原某煤矿煤层顶底板围岩的稳定性分类预测。结果表明:向量机模型的煤层顶底板围岩稳定性分类是可行的。     

沿空留巷围岩稳定等级综合评判及返修控制技术研究

为解决沿空留巷复用难题,综合运用层次分析和物元评价法建立了多层次多指标沿空留巷围岩稳定综合评价模型,对采动后沿空留巷围岩稳定程度进行评判,得出单因素评价指标权值与指标等级分类标准,确定围岩稳定级别,并提出相对应的返修复用控制技术。主要结论如下:(1)从留巷围岩中遴选出15个评价指标并建立递阶层次结构评价体系,确定指标权值及致险主控因素,详述各指标取值方法及量值范围;(2)建立留巷围岩稳定等级综合评价的层次分析-物元评价模型,计算得到顶板为Ⅴ级,充填体为Ⅱ级,煤帮为Ⅴ级,底板为Ⅳ级,围岩整体为Ⅳ级,总体处于不稳定状态;(3)提出以顶板和煤帮修复为主,以底板和充填体修复为辅的复用关键技术。返修后围岩稳定等级为Ⅱ级,说明围岩整体稳定,满足复用要求。     

基于BP神经网络的巷道围岩稳定性分级识别

矿山围岩稳定性分级是矿山工程的基本参数,为矿山支护设计提供基础数据,利用BP神经网络进行围岩稳定性分级识别,有利于真实地刻画矿山围岩稳定性分级与其影响因素之间的非线性关系.本文研究了BP神经网络的工作原理及其改进,分析了某矿巷道围岩稳定性影响因素,确定建立了围岩稳定性分级的神经网络识别模型,并利用该模型对某矿山围岩分级进行了拟合,取得了很好的效果.