尾矿坝监测数据分析的RBF神经网络方法

尾矿坝监测是保证尾矿坝安全运行的重要手段之一。本文建立了尾矿坝监测数据分析的RBF神经网络模型,并利用实际数据对此网络进行了训练和检验。最终将检验结果与经过优化设计的BP神经网络的检验结果进行了比较,表明RBF神经网络的性能更为优越。     

尾矿坝自动化安全监测系统

论述了影响尾矿坝安全的因素,确定了尾矿坝安全监测系统的监测内容。并开发了基于Internet-Intranet的尾矿坝自动化安全监测系统,实践表明,该系统的应用效果较好。为进一步开展研制工作提供了较好的借鉴作用。     

尾矿坝安全监测阈值及监测实例

影响尾矿坝安全监测阈值设定的因素为: 安全监测的测量中误差, 坝体变形趋势线的形状, 潜在滑动与破坏的模式。针对尾矿坝工程的特点及尾矿坝监测的目的, 结合工程实例, 同时探讨了尾矿坝安全监测测点的埋设、监测方法与要求及监测制度。     

姑山矿尾矿坝安全监测方法的探讨

对姑山矿尾矿坝位移观测的方法和数据成果整理进行了总结评价，重点论证了视准线法的精度，探索了数据分析的方向。     

矿山尾矿坝位移监测方法及监测数据管理系统

变形观测是矿山尾矿坝监测的重要内容,介绍矿山常用的尾矿坝位移监测方法,探讨矿山尾矿坝位移监测的精度要求。阐述了矿山尾矿坝监测数据管理系统开发的基本思想以及系统的主要功能。     

基于Internet-Intranet的尾矿坝自动化安全监测系统

论述了影响尾矿坝安全的因素,确定了尾矿坝安全监测系统的监测内容;着重阐述了系统选型、硬件选择和软件开发的原则,开发了基于Internet-Intranet的尾矿坝自动化安全监测系统,通过工程实例证明了该系统的实际应用效果,为研制开发尾矿坝自动化安全监测系统提供了很好的借鉴和参考。     

尾矿坝自动化安全监测系统设计与实现

针对影响尾矿坝安全的主要因素,并结合现代计算机技术、网络技术、影像视频传输技术和GPS卫星定位技术,提出了当前尾矿坝安全监测的解决方案,设计了一个集可视化、自动化、智能化于一体的软件结构,并成功开发了风水沟尾矿坝自动化安全监测及预警系统,为尾矿坝的安全生产和今后的扩容提供了技术支撑。     

尾矿坝深部变形监测与稳定性分析

通过对钻孔测斜仪工作原理的介绍以及在具体尾矿坝工程中的应用,得到了尾矿坝坝体内部的变形情况,结果表明该坝体边坡具有中下部垂直坝体向外移动、而上部垂直坝体向内移动的规律,KC10测斜管在35 m深度处位移达到最大,有剪切变形的趋势.数值模拟计算得到坝体边坡的稳定系数分别为1.26(正常运行)和1.24(洪水位运行),都满足规范的要求,最危险滑动面的位置正好穿越KC10测斜管变形最大处,与监测结果吻合较好.     

尾矿坝的运行特征

对 1994年美国大型坝体学会 (USCOLD)尾矿坝分会调查报告中所述的尾矿坝事故进行了评价 ,并将其与USCOLD报道的蓄水坝事件及更近一段时期的尾矿坝事件进行了对比。评价结果表明 :尾矿坝的事故原因是多方面的 ,包括 :漫顶、静态条件下或地震引起的不稳定性、渗漏及内部侵蚀作用和基础条件。结果还表明并没有特定类型的尾矿坝或操作条件更易于引发事故。另外 ,研究结果证实尾矿坝的选址、设计、使用和复垦应该建立在对坝址条件、选矿生产、地基监测和尾矿特性充分了解的基础上     

测斜仪在尾矿坝变形监测中的应用

测斜仪是探测岩土体坝坡、边坡内部水平位移和滑动面位置的有效仪器,将其应用到尾矿坝的内部变形监测上,在国内还是首次,本文就这方面的内容作了介绍,供参考.     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

RBF神经网络在岩爆预测上的运用

岩爆是煤矿生产中常见的动力灾害,岩爆的预测一直是矿井灾害预测中的难点。由于岩爆的发生突然、机理复杂、干扰和影响因素多,因此很难对岩爆进行有效的预测。人工神经网络具有并行分布处理与存储、高度容错、自组织、自适应和自学习功能,能分析较为复杂的非线性系统。文中以MATLAB7.0为开发环境,利用其神经网络工具箱的RBF网络,通过一套权值和阀值来仿真模拟岩爆对岩爆进行预估。通过实际模拟表明利用RBF神经网络对岩爆进行预估是一种成功的的方法,其预测结果与实际情况相一致,说明利用该网络模型对岩爆的预测是可靠的。     

基于RBF神经网络的堤防管涌预测方法

影响堤防管涌的各种因素是不确定和随机的,在堤防管涌的发生过程中各因素间表现出复杂的非线性行为。运用基于RBF神经网络的基本原理,建立了堤防管涌预测的RBF神经网络模型,从新的角度研究堤防管涌的预测问题,对该问题进行了探索性的研究。对该理论的建立以及预测方法进行了系统的讨论,为该领域的研究提供了完整的技术方法。对于23个典型堤防管涌实例的研究表明,RBF网络较BP网络有较高的预测精度,较短的预测时间和较快的预测速度,能够较好地描述堤防管涌的非线性特征。     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

基于RBF神经网络的露天矿山边坡失稳预警方法

边坡失稳研究是露天矿山安全生产的关键问题,边坡失稳智能化预警的实现是失稳研究的核心内容。以马钢南山铁矿凹山采场高陡边坡工程为例,建立了RBF神经网络预警模型,采用梯度下降训练算法并进行了改进,根据经验来设置算法的学习步长,选取黏聚力、内摩擦角,边坡角、边坡高度,孔隙水压力比、容重等6个因素作为网络的输入单元,利用所选的25组样本数据完成了RBF神经网络的学习。应用学习好的预警模型对南山铁矿凹山采场的2个帮进行了边坡失稳预警分析,得到2个帮的稳定性等级结果分别为1级和3级,即极稳定和基本稳定,与现场情况一致。该预警方法合理,具有推广应用价值。     

弹簧式光纤应用于尾矿坝内部变形监测的研究

研究了基于光时域反射技术的弹簧式光纤传感器。通过传感器设计试验,分析得出弹簧式光纤传感器的变形监测公式,并通过结构变形监测的应用试验,验证弹簧式光纤变形监测公式的准确性,为将弹簧式光纤传感器用于尾矿库变形监测提供参考。     

某铜铁矿尾矿库废水神经网络预测研究

金属矿山尾矿库废水中含有H^ 、CN^-和多种金属离子，是矿区及其流域酸性污染和金属污染的主要污染源。在收集某铜铁矿尾矿库废水14年水质监测资料基础上，运用人工神经网络的改进BP算法对其8项水质指标进行了分析、分类和仿真预测，揭示了该矿尾矿库废水的污染特性，查清了主要污染物。     

PSO-Elman神经网络在尾矿坝位移预测中的应用

由于BP神经网络模型容易出现局部极小值和训练时间长等缺陷,Elman神经网络模型有搜索速度慢、易出现局部最优等不足,因此考虑采用PSO-Elman神经网络模型进行尾矿坝位移预测。利用Matlab神经网络工具箱对PSO-Elman神经网络、Elman神经网络、BP神经网络三种模型进行编程,结合工程算例,验证了PSOElman神经网络模型在尾矿坝位移监测数据预测分析中具有更好的预测效果。