基于GA-SVM的条带开采下沉系数预测

将遗传算法(GA)与支持向量机(SVM)相结合,采用GA算法优化SVM变量因子,通过对条带开采地表下沉系数的主要影响因素进行分析,建立了基于GA-SVM的条带开采地表下沉系数预测模型,解决了条带开采下沉系数预测误差较大的问题。     

基于GA和LS-WSVM矿区地表下沉系数预测

 针对传统方法中预计地表下沉系数存在的缺陷。以我国典型的地表移动观测站数据为例,采用启发式算法遗传算法进行参数寻优,提出将小波理论与最小二乘支持向量机结合而成的最小二乘小波支持向量机的方法对地表下沉系数进行预测。实验结果表明,与改进的BP神经网络和PSO-SVM两种方法相比,基于GA和LS-WSVM矿区地表下沉系数预测方法收敛速度更快,精确度更高。     

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PCA-PSOSVM的煤自燃程度预测研究

针对煤自燃程度指标多且与气体产物之间存在复杂非线性关系的特点,将主成分分析理论(PCA)和支持向量机算法(SVM)相结合,建立了煤自燃程度的预测模型。对表征煤自燃程度的10个指标进行主成分分析,提取其中3个主要成分作为支持向量机的输入,利用MATLAB实现回归预测,运用粒子群算法(PSO)对支持向量机的参数寻优,并与遗传算法(GA)参数寻优进行了对比。预测结果显示,PCA-PSOSVM模型的预测精度相对较高,其相对误差绝对值的平均值为4.26%,而PSOSVM、GASVM和PCA-GASVM的相对误差绝对值的平均值分别为8.16%、10.62%和7.81%,表明经PCA降维处理后的SVM预测准确率高于未经PCA降维处理的SVM预测结果,PSOSVM比GASVM具有更好的预测效果。     

基于神经网络的地表下沉系数计算

在实测资料以及综合分析地表下沉系数影响因素的基础上 ,采用人工神经网络方法建立了地表下沉系数的计算模型 ,并用实际数据对网络进行学习训练和检测。结果表明 ,用改进BP算法得出的地表下沉系数预测结果与实际情况相吻合。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

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SVM的厚松散层矿区开采下沉系数预测模型

针对厚松散层薄基岩矿区开采沉陷变形预计中存在的下沉系数偏大问题,以23个开采工作面的地质采矿条件及其下沉系数为学习和测试样本,将文化-随机粒子群算法(CA-rPSO)和支持向量机(SVM)相结合,利用CA-rPSO的快速并行寻优功能优化SVM参数,建立了厚松散层薄基岩开采条件下下沉系数的SVM预测模型。通过实例验证SVM的预计结果与实际符合较好。     

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度，提出一种采用遗传模拟退火算法混合优化支持向量机（SVM）参数的瓦斯含量预测模型（GRA-GASA-SVM模型）。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数，以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析（GRA）压缩数据集维度，建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明：SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型，GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。     

基于GAPSO-SVM的煤层底板破坏程度预测

为了对煤层底板破坏程度进行正确预测,分析遗传算法(GA)和粒子群优化(PSO)算法存在优化支持向量机(SVM)易陷入局部最优解和分类精度相对较低的问题,提出了GAPSOSVM优化算法。综合考虑GA和PSO算法的优点对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡。通过对曹庄煤矿底板破坏程度的预测表明,该方法不仅能够取得良好的分类效果,分类精度高于GA-SVM和PSO-SVM,而且有较好的鲁棒性。     

基于组合权重的地表下沉系数预测分析

地表下沉系数是地表沉陷预计中的重要参数,其取值的精度会对沉陷预计结果产生直接的影响,由于煤矿开采地表下沉系数影响因素众多且因素间存在着不确定性和非线性等复杂关系,从而导致地表下沉系数预测工作极为困难。为解决地表下沉系数难以准确预测的问题并提高预测精度,根据国内35个矿区的实测地表移动观测站数据,构建地表下沉系数预测模型。选取开采厚度、煤层倾角、平均釆深、走向宽深比、倾向宽深比、推进速度、松散层厚度和覆岩平均坚固系数等8个影响因素,采用灰色关联度分析和主成分分析相结合的方法求取地表下沉系数影响因素的组合权重,根据组合权重对地表移动观测站数据中的地表下沉系数影响因素进行排序,获得影响地表下沉系数的主要影响因素,并将主要影响因素作为输入,地表下沉系数作为输入参数,进而提出一种地表下沉系数预测分析的BP神经网络模型。结果表明：松散层厚度、推进速度、平均采深和倾向宽深比的组合权重更大,是地表下沉系数的主要影响因素;由地表下沉系数主要影响因素建立的地表下沉系数BP神经网络预测模型的预测精度高,其绝对误差最小值为3.954%,最大值仅为-6.918%,平均相对误差可以达到7.179%,与实测值极其接...     

膏体充填综采工作面地表沉陷规律研究

为了对膏体充填综采地表沉陷进行准确预计和有效保护地表建(构)筑物,采用理论分析、室内试验、工程实测和数值模拟相结合的方法,对膏体充填综采工作面地表沉陷规律及参数预测进行了研究。结果表明:充填体抗压强度1~3 d初期增加较快,7 d后充填体抗压强度趋于稳定,充填体最终抗压强度略低于煤体的抗压强度;在开采影响边界处地表有上升的现象,主要影响角正切值较小,影响范围较大;以大明煤矿(立井)膏体充填综采工作面为实例,基于概率积分法预计该矿岩移参数,其地表下沉系数为垮落法开采下沉影响系数的0.19~0.22倍;应对预计模型进行适当改进,以提高预计的准确性。     

基于布谷鸟算法优化SVM的尾矿库坝体变形预测

为解决SVM 模型在尾矿库坝体位移预测中,参数寻优时间较长,模型稳定性较差的问题,引入布谷鸟算法(CS)进行优化,构建的CS-SVM模型用于辽宁省风水沟尾矿库2#副坝的位移预测实例中,将该模型预测值与SVM模型和PSO-SVM模型的预测值进行对比分析,结果表明,CS-SVM模型有较高的预测精度,预测值趋近于真实值,模型构建合理,验证了CS-SVM模型在尾矿库坝体位移预测中的可行性和有效性。     

概率积分预计参数的ENN优化算法

为了提高ENN(Elman neural network)神经网络获取概率积分预计参数的准确性，以我国30个地表移动观测站的实测数据作为学习训练和测试的样本数据，采用强稳健局部加权回归法（Rlowess,RW)对30个地表移动观测站数据进行降噪处理，采用蚁群算法（Ant Colony Optimization,ACO）对ENN神经网络的权值和阈值进行优化，构建了ACO ENN概率积分预计参数解算模型。结果表明：对比分析ACO ENN模型解算RW降噪处理前后的实测数据，发现RW降噪处理显著提高了数据质量，提高了解算模型的预测精度；利用ACO ENN模型解算下沉系数、水平移动系数、主要影响角正切及拐点偏移距的平均相对误差分别为2.41%、3.48%、6.11%和1.67%， ACO ENN模型对于概率积分预计参数的解算精度优于传统ENN算法，为精确获取概率积分预计参数提供了新思路。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

概率积分法参数对预计地表下沉的影响度分析

地表沉陷预计的常用算法——概率积分法的预计参数及参数间交互作用对变形值不同的影响程度,造成参数选取、反演的不确定性.针对这一问题,采用五元二次正交旋转组合设计,研究了概率积分法中预计参数对地表点最大下沉的影响关系,得出了单因素与两两因素交互作用对地表点最大下沉值的影响规律.研究结果表明:沉陷预计参数中的下沉系数、主要影...     

基于PCA-GWO-SVM的矿山边坡变形预测

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。     

大强矿深部开采地表沉陷规律及机理研究

针对深部开采地表沉陷预测与控制问题,以铁法矿区大强矿为例,通过资料分析了深部开采地表沉陷规律;采用数值模拟方法,分析了深部开采地表移动机理。研究表明,深部极不充分开采,地表下沉值和下沉速率均较小,地表下沉活跃期不明显。深部开采表现为地表一定范围内的整体下沉,影响范围扩大,地表下沉系数相应减小。采用概率积分法进行开采沉陷预计时,应对地表移动参数进行修订。     

基于ICTS的水文地质参数并行寻优机制研究

连续禁忌搜索改进算法(ICTS)是一种启发式全局迭代寻优算法,在水文地质参数反演计算中具有收敛速度快、求解精度高、寻优能力强的优点。该文利用MPI函数库对ICTS算法的初始化、参数设置、邻域搜索等环节实行不同的并行化策略,提出三种分别基于解空间划分(PICTS-1)、邻域分解(PICTS-2)和多任务搜索(PICTS-3)的并行连续禁忌搜索算法(PICTS),并以水文地质参数寻优问题为例,在两台计算机并行计算环境下验证并行PICTS算法的有效性。算例研究表明,三种PICTS算法的加速比分别为1.91、1.76和1.26,可根据需要灵活使用,具有较强的实践意义。