矿区非线性沉降的GM(1,1)预计残差改进模型及应用

矿区地表移动变形关系到矿区安全生产和地面建(构)筑物的安全,对矿区地表进行定期监测并预测具有重要现实意义。矿区地表沉降由于持续时间长,观测数据具有长时序且表现为非线性变化的特征,因此存在建模数据区间难以选取、GM(1,1)模型预测精度不高的问题。针对以上问题,本文建立了基于残差加权改正的GM(1,1)改进模型,提出了先阶段后截尾的建模数据区间选取方法、预测流程和模型精度评定标准。经过实例应用验证,GM(1,1)预计残差改进模型预测精度优于GM(1,1)模型,且先阶段后截尾的建模数据区间选取方法能够提高预测精度。     

喀斯特山区重复采动下地表沉陷预测研究

为保护矿区地表生态环境,提高喀斯特山区重复采动下地表沉陷变形的预测精度,首先理论分析了煤层采出后上覆岩层运移碎胀特征以及地表滑移机理,确定煤层采动引起山区地表移动变形的影响因素;在原有平地重复采动地表最大下沉值预测模型的基础上,考虑地表滑移对地表最大下沉值的叠加影响,构建了山区重复采动下地表最大下沉值预测模型,并结合数值模拟的方法,研究不同地面坡度下煤层采动对地表沉陷变形的影响;最后分别利用平地、山区重复采动下地表最大下沉值预测模型对采空区地表沉陷变形进行概率积分法预测,将预测结果与实测值进行对比分析.研究结果表明:基于山区重复采动下地表最大下沉值预测模型对采空区地表下沉值的预测精度较原有预测模型提高了1.4个百分点,水平移动值的测精度提高了4.3个百点分,表明山区重复采动下地表最大下沉值预测模型具有实用性,可为类似矿区的地表沉陷研究提供参考.     

地表移动概率积分法计算参数的相关因素分析

为建立地表移动的概率积分法计算参数与地质采矿条件之间的数学关系,以我国主要矿区的大量地表移动观测站实测数据为原始数据,采用逐步回归的方法建立了开采沉陷概率积分法参数与地质采矿条件之间的统计回归公式。采用中误差和威尔莫特一致性指数(WIA,Willmott’sIndex of Agreement)对回归公式的精度及预测能力进行评定,计算结果表明所建立的回归公式误差较小,各参数回归公式均具有较好的泛化性能。为进一步验证所建立的回归公式的正确性,以4个测试样本数据进行计算,计算结果与实测结果吻合。最后,以淮北某矿地表移动实测数据为例,计算结果表明采用统计规律所计算的概率积分法参数进行开采沉陷预计计算可以得到与实测相符的地表移动变形数据。研究成果为缺少实测资料矿区进行开采沉陷预测确定概率积分法参数提供了科学依据。     

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。     

基于SVM的高层建筑变形的时间序列预测

介绍了支持向量机回归原理,建立了某高层建筑变形的时间序列预测模型,并采用网格搜索法对模型参数进行选择,保证模型的泛化能力.实验结果证明,和BP神经网络相比,支持向量机有更好的预测精度.     

基于RS-GWO-GRNN的充填管道失效风险研究

为克服充填管道失效风险评判指标间的复杂性,传统方法预测精度低及适用性差等缺陷,提出基于粗糙集(RS)和灰狼优化(GWO)算法融合广义回归神经网络(GRNN)的充填管道失效风险评价模型。选取10项风险评价指标,通过属性约简提取影响充填管道失效的主要风险因素,运用GWO优化GRNN的参数,构建预测模型,以国内某具体矿山充填系统为例进行实证研究,结果表明:与其它预测模型相比,RS-GWO-GRNN模型的预测精度更高,泛化能力更强,为充填管道失效风险研究提供了新思路,具有较好的借鉴意义。     

基于自适应AR模型的矿区地表沉降预测

讨论了AR模型的建模过程,建立了自适应的AR模型;通过对某矿区地表沉降模拟预测,表明所建立的AR模型比利用BP神经网络预测精度高,能够满足矿山变形监测所需精度,具有一定的可行性.     

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。     

基于中位数回归分析的矿区变形监测数据处理

经典的一元和多元线性回归模型多采用最小二乘方法进行参数解算,但最小二乘估计无抗差能力,遇到异常值干扰易导致参数估值出现偏差。为提高回归分析方法的抗差性,将中位数引入回归分析方法中,提出了一种基于中位数的回归分析方法。详细分析了回归分析的相关理论以及基于中位数的回归分析方法的基本原理;以淮北某矿区建筑物的实际变形监测数据为例,分别对变形监测数据进行了最小二乘回归分析、抗差最小二乘回归分析以及中位数回归分析,并对其拟合及预测效果进行了对比。结果表明：观测量受到粗差污染时,中位数回归分析方法可有效抵抗异常值的影响,拟合效果及预计结果均优于其他2种方法,对于提高矿区变形监测数据的处理精度及效率有一定的参考价值。     

基于广义回归神经网络的浮选加药量预测

针对现有煤泥浮选加药量预测精度不足的现状,提出了基于广义回归神经网络(GRNN)的浮选加药量预测。首先介绍了GRNN的网络结构,然后通过交叉验证搜索算法确定了模型的结构参数,最后通过与BP网络模型的比较,得出了该模型在算法时间和预测精度方面的优越性,更加适应于浮选加药的预测。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

利用随机森林回归模型预计水平移动系数

水平移动系数b是开采沉陷预计的重要参数之一,对于精确确定开采沉陷地表影响范围具有决定性作用。为精确有效地计算b值,进而提高开采沉陷的预计精度,首先详细分析了R语言特点及随机森林(Random forest,RF)算法的基本原理及实现流程;然后,详细探讨了影响b值的地质采矿因素,并确定了5个基本变量,即开采厚度、煤层倾角、开采深度、工作面斜长、覆岩评价系数;最后,结合R语言构建了一种RF回归模型并用于预计b值。用于训练和测试RF回归模型的样本来源于我国一些主要矿区的典型地表移动观测站实测资料,试验结果表明:利用基于R语言编程的RF回归模型预计的b值与实测值的最大相对误差仅为4.559%;相对于BP神经网络、支持向量机(Support vector machine,SVM),RF回归模型在预计精度和模型稳定性等方面优势较明显,且该模型具有较强的泛化能力,可基本满足实际工程需要,为高精度预计b值提供了一种有效方法。     

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。     

GA-SVR算法在矿区GPS高程拟合中的应用

针对矿区地形条件复杂,常规水准测量工作量大、时效性差的问题,基于统计学习理论,提出利用支持向量回归算法计算高程异常精化似大地水准面,将GPS高程应用到矿区快速水准测定。采用基于遗传算法的全局搜索优化支持向量回归训练参数,解决了回归模型训练中人为选取参数的盲目性,提高了算法的泛化能力和回归精度。最后采用矿区实测数据,对比多项式拟合、径向基神经网络计算高程异常,结果表明：基于遗传算法的支持向量回归算法结构简单,回归精度优于多项式拟合和径向基神经网络,可以应用于矿区GPS高程拟合。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明：与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

k-means和QGA优化RBF神经网络模型在导水裂缝带高度预测方面的应用

导水裂缝带高度选取精度的高低直接影响到水体下采煤系统的安全性。为准确预计导水裂缝带高度,本文构建了RBF神经网络基础模型,采用QGA量子遗传算法和K-means算法对基础模型进行优化,获得了K-means和QGA优化的RBF神经网络导水裂缝带高度预计模型。模型经过训练学习和检验,发现模型预计精度满足工程精度需求,且与PSO-RBF神经网络相比,精度更高、收敛速度更快。