基于改进PSO-ELM的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机（ELM）模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差的问题,引入基于线性递减权重法改进的粒子群算法（IPSO）对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机（IPSO-ELM）模型。将该模型运用到尾矿坝实例预测中,在选取的35个样本数据中,将前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。     

基于GA-ELM的瓦斯涌出量预测

为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。     

基于灰色GM(1,1)和神经网络组合模型的基坑周边地面沉降预测分析

为了预测基坑周围地表道路的沉降,该文结合常州恒生科技园二期建设工程实例,提出了灰色GM(1,1)与神经网络模型组合构成灰色神经网格模型。基于层次分析法,选取建筑物沉降、围护结构顶部水平位移、竖向位移、地下水位作为影响地表道路沉降的主要因素,并将其作为模型的输入因素。研究结果表明,灰色神经网络模型结合三次样条插值建立的组合预测模型,具有较高的预测精度,有利于基坑的预测、预警,有效地保障了基坑施工的安全。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

基于JADE-ELM的煤巷围岩稳定性预测

为了对煤巷围岩稳定性进行科学、准确的预测,提出了一种将自适应差分进化算法(JADE)与极限学习(ELM)结合的煤巷围岩稳定性预测新方法。基于ELM训练速度快、泛化能力好和易获取全局最优解的优点,采用JADE优化ELM的输入权值矩阵和隐含层偏差,减少随机性造成的误差,建立JADE-ELM煤巷围岩稳定性预测模型。利用霍州煤矿区煤巷实测数据进行实例分析,并将预测结果与ELM、BP、RBF神经网络比较。结果显示:JADE-ELM模型预测平均精度为97.85%,比ELM、BP、RBF模型分别高出4.05%、17.85%、22.85%,JADE-ELM模型具有更高的预测精度,能够更准确的对煤巷围岩稳定性进行预测。     

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。     

尾矿坝浸润线序列的支持向量机预测研究

从尾矿库监测系统功能出发,结合尾矿库安全监测数据内容和特点,在充分认识数据挖掘技术如何处理和应用的基础上,提出一种基于单因素时间序列支持向量回归机的浸润线预测方法。从尾矿库监测数据中选取有效样本,运用留一法对支持向量回归机参数进行优化,建立预测模型。结果表明：该方法能在小样本、高精度要求下对浸润线进行准确预测。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

ELM神经网络爆堆形态预测模型的研究及应用

以Moore-Penrose广义逆的定义和欧几里德空间内线性系统的最小二乘范数解原理为基础,运用Extreme Learning Machine(ELM) 神经网络--一种快速的前向神经网络学习算法,以Weibull函数的2个控制参数 α,β 以及松散系数 ξ 为输出层,提出了一种预测高台阶抛掷爆破爆堆形态的模型。该预测模型提高了爆堆形态预测的准确度,通过对黑岱沟露天煤矿爆堆形态的预测表明,ELM神经网络高台阶抛掷爆破爆堆形态预测模型的预测准确度高于同期使用BP神经网络预测的结果,更加接近于爆堆实际形态。     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

基于Geo-studio的尾矿库加高扩容后坝体稳定性分析

加高已有尾矿坝是扩大尾矿库库容的一种经济可行的办法,但尾矿库等级升高,溃坝风险增大。以辽宁某尾矿库为例,通过现场勘查和室内试验获得堆积层基本物理力学参数;对比实测浸润线,利用Geo-studio软件模拟分析尾矿坝加高前后渗流场并优化渗透系数,进一步分析坝体静力稳定性和地震动力响应。结果表明：尾矿库浸润线最小埋深在10 m以上,符合规程要求;采用瑞典圆弧法和简化Bishop法计算的安全系数均高于允许最小安全系数,地震对坝体安全性影响较小,只有局部液化;加高后最危险滑面位于初期坝附近370 m标高以下,主要为深层圆弧形滑移,原因是尾粉土渗透性较低导致浸润线升高,建议实时监测尤其是洪水期浸润线高度,必要时采取相应措施降低浸润线,有效杜绝渗透破坏。     

矿井顶板突水模型试验多场信息的归一化处理方法

为了消除量纲和取值范围的差异,基于线性函数转换的归一化算法,将矿井突水模型试验中采集的位移、渗透压力、应力和视电阻率等多物理场信息映射到0~1范围内进行处理,在同一坐标系下绘制出多物理场信息归一化曲线,并与原始数据曲线进行对比,分析突水过程中各物理量的变化趋势及其相互关系。发现渗透压力、视电阻率和应力信息是较为理想的突水预报信息源,渗透压力在突水前很长时间就出现异常波动,视电阻率和应力在突水发生前会突然增大,且视电阻率的变化早于应力的变化。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

某尾矿库渗流分析与研究

浸润线是湿排尾矿库的生命线,其埋深直接影响着坝体的稳定。近些年来,一些学者针对尾矿库浸润线开展了广泛的研究。作者已某尾矿库为例,采用GEO-studio软件对尾矿库正常工况和洪水工况的渗流情况进行了模拟分析,分析结果可为该尾矿库的排渗系统的设置以及安全运行提供指导和参考。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

基于PSO-RBF神经网络的主要影响角正切求取方法

主要影响角正切tanβ是采用概率积分法进行矿山开采沉陷预计的主要参数之一,决定着开采沉陷的影响范围。为了提高tanβ求取精度,在分析tanβ及其影响因素的基础上,选取tanβ的5个主要影响因素作为输入层神经元,将粒子群(PSO)快速搜索全局最优解算法与径向基(RBF)神经网络相结合,提出一种求取tanβ的PSO-RBF神经网络预测模型,获得tanβ和地质采矿条件之间的非线性映射关系。运用我国30个典型观测站的实测数据作为学习训练和测试样本,进行了PSO-RBF神经网络模型的适应度和泛化能力测试,对预测结果与实测值进行了对比分析。结果表明：应用PSO-RBF神经网络模型预测tanβ,收敛速度快,预测精度高。预测结果的最大相对误差为6.54%,最小为2.56%,所得到的tanβ精度有了一定的提高。