BP神经网络在煤矿爆破振动强度预测中的应用

根据BP神经网络理论,对煤矿主斜井爆破开挖产生的振动强度进行了预测。通过建立合理的网络预测模型,以影响爆破振动特征参量的主要因素作为模型的输入,在模型误差小于0.001的前提下,对21组数据进行了重点预测。参量预测误差均小于10%,可以满足该复杂场地条件下安全施工的预测要求。     

基于灰色分析和神经网络的爆破振速峰值预测

爆破给国家带来了巨大经济效益、给施工提供便利条件的同时避免不了会带来一些负面效应,为此,如何才能既降低爆破振动危害又保证施工进度,己经成为当前隧道工程界亟待解决的一项重要课题。以北京地铁昌平二期05段岩石隧道爆破为例,通过灰色关联分析法确定了对爆破振速峰值有显著影响的指标和输入变量,建立BP神经网络模型,对爆破振动速度峰值进行预测。将结合了灰色关联分析法的BP神经网络模型预报的结果与神经网络模型、传统方法预测的结果相比,其结果为:萨道夫斯基公式的平均误差为18.86%,萨道夫斯基拓展式为16.57%,BP神经网络的误差为14.61%,灰色关联分析神经网络法仅为8.23%。预测结果表明结合灰色关联分析法并运用BP神经网络对爆破振速峰值预测是可行的。     

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。     

基于BP神经网络的露天采场爆破振速预测

以首云露天铁矿爆破震动实测数据为基础,运用BP神经网络原理,建立了以总药量、最大段药量、爆心距和高程差为输入层的神经网络模型,预测爆破震动峰值振速。将爆破震动监测数据与BP神经网络预测结果和萨氏公式预测结果比较,BP神经网络预测爆破震动峰值平均误差为17.16%,远低于萨氏公式预测的平均误差44.12%,表明BP神经网络预测爆破震动强度精度更高,结果更可靠。     

独头巷道掘进过程中排烟时间预测

分析了炮烟在独头巷道中的运移情况,从质量守恒角度建立了炮烟抛掷区中的炮烟排出数学模型。对归来庄金矿-118 m穿脉巷道爆破作业的现场炮烟监测,监测点炮烟浓度先增加后减小,炮烟排出过程中符合指数衰减。从爆破、炸药、通风条件、巷道情况4个方面分析了影响排烟时间的因素,利用BP神经网络模型,将炸药量、炮眼数目、风筒到掘进面的距离、监测点到掘进面的距离、风筒风量、风流温度、巷道温度、巷道相对湿度等因素的10组实验数据作为输入量,排烟时间作为输出量,获得稳定的网络结构。再将5组输入量实验数据代入BP网络训练,预测的排烟时间与实测的排烟时间相对误差在7%以内,运用BP网络模型取得了较好的预测效果。准确预测排烟时间,可以合理安排掘进作业,避免炮烟中毒事件发生,对矿山安全高效生产有重要的意义。     

基于BP神经网络的磨削加工误差补偿研究

通过分析磨削加工过程中的误差产生的原因,使用学习训练后的BP神经网络建立了双面磨床磨削加工误差补偿模型,详细阐述了网络模型的组织结构与核心算法,提出了实现磨削加工实时误差补偿技术的硬件组成方法,并通过实验验证了模型的使用效果,结果证明,基于BP神经网络的磨削加工误差补偿模型可以有效减小磨削误差,提高磨削加工精度。     

基于灰色分析和神经网络的爆破振速峰值预测（增刊）

爆破给国家带来了巨大经济效益、给施工提供便利条件的同时避免不了会带来一些负面效应, 为此,如何才能既降低爆破振动危害又保证施工进度,己经成为当前隧道工程界亟待解决的一项重要课题。以北京地铁昌平二期05段岩石隧道爆破为例,通过灰色关联分析法确定了对爆破振速峰值有显著影响的指标和输入变量,建立BP神经网络模型,对爆破振动速度峰值进行预测。将结合了灰色关联分析法的BP神经网络模型预报的结果与神经网络模型、传统方法预测的结果相比,其结果为：萨道夫斯基公式的平均误差为18.86％,萨道夫斯基拓展式为16.57％,BP神经网络的误差为14.61％,灰色关联分析神经网络法仅为8.23％。预测结果表明：结合灰色关联分析法并运用BP神经网络对爆破振速峰值预测是可行的。     

BP神经网络在基坑变形预测中的应用及改进

在对某基坑工程采用BP神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用Matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和L-M法三种数值优化方法对BP网络训练算法进行了改进。研究结果表明:与常用的基于梯度下降原则相比,改进后的BP神经网络在训练时间和预测误差方面均有明显的优势,采用L-M法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4%,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳。     

基于神经网络的矿山安全预警专家系统

为了预防和减少矿山安全事故,本文首先对基于神经网络的矿山安全预警专家系统进行了总体设计,其次采用神经网络训练方法分析系统的安全状态,制定安全级别,提出合适的安全措施计划,然后基于大量规则的知识库,通过传统BP与改进BP的实验仿真,采用优化后的BP神经网络算法进行推理,大大提高了推理效率,最后系统进行了实验,结果表明系统预测结果与实际情况基本一致,可以在煤矿中推广使用。     

露天煤矿抛掷爆破有效抛掷率预测

有效抛掷率是评价抛掷爆破效果最重要的指标之一,预测有效抛掷率可以指导露天煤矿准确制定生产计划。在分析了抛掷爆破有效抛掷率影响因素的基础上,选取抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入,以有效抛掷率为网络的输出,建立了有效抛掷率预测模型,并通过MATLAB编程来实现了网络的训练和预测。实例结果表明：广义回归神经网络能够较准确地预测有效抛掷率,预测误差一般在5%左右,预测结果能够满足工程要求。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

基坑爆破开挖产生的振动效应受多种因素综合影响，传统的经验公式预测振动速度难以满足爆破安全需求。因此，如何优化爆破参数，减小爆破振动效应对保证临近既有建筑的安全具有重要意义。基于某基坑工程现场爆破监测所得的400组样本数据，采用遗传算法（GA）优化BP神经网络，对振动速度进行预测，将GA-BP神经网络振动速度预测结果与BP神经网络、萨氏公式的振动速度预测结果进行比较分析。结果表明：BP神经网络的振动速度预测精度显著优于萨氏公式，且经遗传算法优化的BP神经网络振动速度预测精度得到进一步提升。     

锡石多金属硫化矿磨矿技术效率模型预测研究

研究了磨矿时间、磨矿浓度和磨机充填率对锡石多金属硫化矿磨矿技术效率的影响，利用Matlab编程技术建立了粒子群优化算法-BP神经网络磨矿技术效率预测模型并对模型进行了预测验证研究。结果表明，在磨矿时间8 min、磨矿浓度70%、充填率30%时，可获得较好的磨矿技术效率。迭代次数对锡石多金属硫化矿磨矿技术效率模型预测值与试验值误差影响显著; 在合适的迭代次数下，学习因子对模型预测值与试验值误差的影响很小，绝对误差小于±0.01个百分点，相对误差小于±0.04%。迭代次数达到500次后，粒子群优化算法-BP神经网络磨矿技术效率预测模型趋于稳定，模型可靠性高、适应性强。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

台阶爆破块度的SVM预测模型研究

以矿山台阶爆破块度分布分析为例,建立了爆破块度预测的SVM模型。预测模型与实测结果相比,平均相对误差为6.67%,与BP神经网络模型、R-R分布及G-G-S经验模型相比,SVM模型预测爆破块度具有明显的优越性和可靠性。     

基于灰色神经网络预测青东矿10煤层底板破坏深度

传统的预测底板破坏深度方法主要有力学及数理统计、定性比较分析等,然而这些方法的预测值往往达不到预期的效果或与实际值差距较大。通过对比检验样本的预测误差可得出基于灰色理论的神经网络预测模型的精度高于BP神经网络的预测结果。故此次选用灰色理论与神经网络相结合的方法建立模型预测青东矿104采区10煤底板破坏深度,预测结果为16.86m。     

基于神经网络的中厚板凸度预报

应用改进BP神经网络建立中厚板凸度预报的三层神经网络预报模型，用自适应学习速率法和附加动量法两种改进BP算法结合起来训练神经网络模型。试验仿真结果表明，该模型对测试数据预报结果均在3％之内，精度高，训练速度较快，具有很好的实用性。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

基于BP神经网络的矿石非计划贫化预测

为了消除等效线性超挖（Equivalent Linear Overbreak Slough,ELOS）经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明：基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值（0.7 m）相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果（0.80 m和0.55 m）,可用于实际矿山的矿石非计划贫化预测。     

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。