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。     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.     

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...     

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。     

基于GA-GRNN的露天矿山边坡稳定性评价

边坡失稳是露天矿山常见的地质灾害,快速确定边坡的稳定状态对于确保矿山安全生产意义重大。利用广义回归神经网络(General regression network,GRNN)的非线性逼近性能并结合遗传算法(Genetic algorithm,GA)的非线性寻优性能对某露天矿山的边坡安全系数进行了预测,结果表明:基于遗传算法优化的广义回归神经网络(GA-GRNN)对露天矿山边坡安全系数的预测结果较为精确,且预测速度较快,为实际工程中快速判断露天矿山边坡的稳定状态提供参考。     

矿区地表沉陷预测的KPCA-LSSVM模型

针对矿山地下开采引起的地表沉降问题,考虑到影响地表下沉量的多元因素,将核主成分分析法(Kernel principal component analysis,KPCA)与最小二乘支持向量机(Least squares support vector macine,LSSVM)相结合,构建了矿区地表沉陷预测的KPCA-LSSVM模型。该模型首先采用KPCA法对地表沉陷的影响因素进行分析,然后基于LSSVM理论,根据确定的主成分因子,构建了矿区地表沉陷预测模型。研究表明:(1)煤层赋存深度、煤柱宽度、煤层倾角为影响矿区地表最大下沉量的主要因素;(2)通过将华北某矿区煤层赋存深度、煤柱宽度、煤层倾角作为自变量,地表最大沉陷量作为因变量,构建的矿区地表沉陷KPCA-LSSVM预测模型得出的最大沉陷量与实测值的绝对误差为0.006~0.009 m,远小于FLAC3D模拟值与实测值的误差(0.108~0.217 m),表明该模型可以对矿区地表沉陷进行高精度预测。     

淮南矿区地表下沉系数主控因素分析与回归计算

针对煤矿开采地表下沉系数预测困难问题,采用灰色关联分析结合回归分析的研究方法,对淮南矿区研究区域地表下沉系数与其影响因素之间的关联程度进行分析,并得出下沉系数的线性回归预测公式。结果表明,基岩软硬程度系数、松散层厚度占比因素对下沉系数影响最大,为主控因素;采厚和推进速度因素的影响次之,倾角因素的影响最小。下沉系数与基岩软硬程度系数和松散层厚度占比因素的线性回归预测公式,适用于基岩岩性中硬、松散层厚度占比大于0.5的类似条件矿区,11组数据误差均值为6.42%,7组误差值小于误差均值,说明回归预测公式是可行的。     

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。     

基于BP神经网络算法的开采沉陷岩体力学参数反演研究

对煤矿开采地表沉陷区域进行定量计算和预测是进行地表沉陷治理的先决条件,以郭庄矿9213工作面作为实验面,采用神经网络参数反演方法建立了地表下沉与覆岩力学参数的映射关系,并将反演的数据与实测值进行对比分析,研究结果表明:反演参数数值模拟下沉值与实测值有较好的一致性,最大绝对误差为4cm,最大相对误差为11.6%,满足工程需要。BP神经网络算法解决了传统力学模型存在的问题,可获得准确的数值模拟参数,为模拟煤层开采覆岩沉降提供了技术支撑。     

江西盘古山钨矿区开采沉陷预计的GA-SVA算法

传统矿山开采沉陷监测方法存在耗时较多且精度不高等不足,且难以对矿区开采沉陷发展趋势进行准确预计。以江西盘古山钨矿区为例,将遗传算法(Genetic algorithm,GA)与支持向量机(Support vector machine,SVM)算法相结合,提出了一种基于GA-SVM算法的开采沉陷预计方法。首先利用遗传算法(GA)对支持向量机(SVM)进行选择、变异和交叉,生成精度符合要求的数据集群;然后采用GA-SVM算法对概率积分法开采沉陷预计参数进行了训练,对矿区开采沉陷进行了预计。研究表明:基于GA-SVA算法的开采沉陷预计值与实测值的误差小于5%,基于该算法的预计值构建的矿区数字高程模型(Digital elevation model,DEM)与基于实测数据构建的数字高程模型(DEM)具有高度的一致性,表明利用所提算法预计矿山开采沉陷具有较高的精度。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

开采沉陷动态预测模型

为了准确预测地下开采引起的地表沉陷,针对Knothe时间函数模型的不足,借鉴岩石流变力学中非定常流变模型的建模思路,假定Knothe时间函数中的时间影响系数不是固定不变的常量,而是与时间有关的变量,从而对Knothe时间函数模型进行了改进。在此基础上,提出了一种新的地表下沉盆地模型,并将该模型与改进的Knothe时间函数模型相结合,建立了一种新的开采沉陷动态预测模型。利用实测资料对模型的合理性进行了验证,结果表明：该模型能够描述开采沉陷随时间的动态发育过程,且预测曲线和实测数据吻合良好,说明模型具有一定的适用性。     

覆岩移动静态预计模型的构建及实测研究

为了研究覆岩内部的移动变形规律,以随机介质碎块体移动概率分布为基础,通过理论推导,得出了单元开采覆岩内部静态下沉预计模型和水平移动函数模型,以此为源型,研究得出了覆岩内部三维空间任意点沿任意方向的移动和变形公式。通过理论研究和实测资料分析,得出了覆岩沉降系数与地表下沉系数的关系为q岩=1-(H-zH)n(1-q)。采用预计模型对范各庄矿覆岩移动进行了预测,结果表明,预计值与实测值最大偏差162mm,相对误差仅为4.7%,预计值与实测值吻合较好,覆岩静态预计模型能够付诸工程实践。     

基于松散层厚影响的概率积分法开采沉陷预计模型

为提高厚松散层开采下概率积分法的预计地表沉陷精度,表明下沉盆地边缘收敛缓慢的问题,基于概率积分法理论提出了新的开采沉陷预计模型,该模型考虑了松散层厚度的影响,引入了松散层影响系数这一新参数。结合淮南潘北矿1212(3)工作面实例验证,研究结果表明:新预计模型比概率积分模型的预计精度高,拟合相对中误差由原来的8%减少到6%;松散层影响系数与主要影响半径呈正相关,两者之间大小关系明确。     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。     

基于改进果蝇算法的概率积分法预计参数反演

由于概率积分法函数模型的非线性表现形式以及各参数之间的相关性,概率积分法开采沉陷预计参数反演时存在计算复杂、易发散、容易陷入局部最优解等问题。利用参数设置少、计算效率高、算法实现容易、全局寻优能力强且精度较高的果蝇算法进行基于概率积分法的开采沉陷预计参数反演,并对算法进行改进。以实测下沉值为参照,将预计结果与实测值相比较,结果表明,改进的果蝇算法对概率积分法的开采沉陷预计参数反演具有适用性,对于用概率积分法进行开采沉陷预计的精度的提高有一定的积极作用。     

矿区高压线塔基础沉降动态预计与监测

为确保开采沉陷区高压线路正常运行,研究了某矿区高压线塔基础沉降预计和监测方法。首先基于概率积分法地表下沉动态预计原理,设计了高压线塔基础沉降动态预计方法,预计了不同时段输电线塔基础中心点的下沉值和倾斜值,并根据高压线路运行的相关规范,分析了高压线塔的安全等级;然后采用GPS-RTK技术对研究区高压线塔基础点进行了位移监测,并提出了一种基于平面拟合原理的高压线塔基础倾斜值计算方法;最后将高压线塔基础中心点的实测值（下沉值、倾斜值）与预计值（下沉值、倾斜值）进行对比,进一步分析了预计方法的可行性。试验结果表明：受GPS-RTK技术观测精度的影响,在下沉盆地中心附近高压线塔基础中心点的预计值（下沉值、倾斜值）与实测值（下沉值、倾斜值）较接近,而在下沉盆地边缘附近高压线塔基础中心点的预计值（下沉值、倾斜值）与实测值（下沉值、倾斜值）偏差较大,表明开采沉陷区高压线塔基础变形动态预计与监测方法切实可行,但在条件允许的情况下,建议采用精度优于RTK技术的方法对下沉盆地边缘附近的高压线塔进行变形监测。     

模糊关系方程法在矿山开采沉陷最大下沉值预测中的应用

为了准确预测矿山开采沉陷的最大下沉值,利用模糊数学理论和方法,建立地表最大下沉值与影响下沉的诸因素之间的模糊关系方程,并使用Fuzzy矩阵转换法找出了各指标之间的模糊关系,根据工作面的各影响因素指标,求解得到预计工作面地表最大下沉值。采用某矿区实测资料对模型进行验证,预计结果最大相对误差9%,可以满足矿山开采沉陷预测的要求。研究成果表明模糊关系方程法可以准确地预计煤矿开采沉陷地表最大下沉值,为矿区开采沉陷预测提供了一种新的方法。