动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析

为了提高在变形监测中数据预测的精度以及它的可靠性,该文提出了基于动态灰色时序模型与神经网络组合的预测方法。根据已有的地铁沉降数据,对地铁隧道结构变形进行数据分析与预测,并与动态灰色模型、动态灰色时序模型进行精度对比。实例证明,该组合模型在地铁隧道结构变形预测中的精度较高。     

基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。     

基于多元线性回归与BP神经网络的矿井瓦斯预测模型应用

矿井瓦斯涌出量受众多因素的影响。经研究表明,煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进度及日产量是影响瓦斯涌出的主要因素。利用多元线性回归和BP神经网络理论,分别对矿井瓦斯涌出量进行了预测,最后建立了多元线性回归与BP神经网络的组合预测模型。该模型兼顾了多元回归分析的非线性特性和神经网络的时序特性,通过具体的实例研究,对比了各种方法的预测结果。结果显示,组合预测的结果与实际有较高的拟合度,可靠性高。     

基于组合模型的矿山设备产量预测研究

鉴于矿山设备产量具有灰色和不确定性的特征，本文利用矿山设备产量的历史数据，建立了基于灰色和BP神经网络的组合预测模型。组合预测模型中各单一模型的权系数通过熵值法确定，克服了传统权系数确定方法的主观性，使得组合预测方法更具客观性最后，实例验证了所构建的组合模型较传统的单一预测模型有良好的预测效果。     

灰色时序组合模型在基坑水平位移预测中的应用

以宿迁苏豪银座项目为例,对基坑开挖过程引起的周围深层水平位移进行检测,并运用灰色理论和时间序列对实测资料建立模型,用此模型对后几期监测结果预测,计算结果表明灰色时序组合模型较单一的模型预测精度高,得出组合模型更适合于对该基坑变形监测数据进行建模的结论.     

组合优化模型在巷道围岩变形监测中的应用

将灰色GM(1,1)模型、回归分析法和神经网络模型的预测结果结合起来,以各种模型误差平方和最小为基准,进行加权优化组合,建立了组合优化预测模型并将该组合模型应用到巷道围岩变形监测中。经过实验分析与对比,验证了组合预测模型在巷道围岩变形预测中优于单一的预测模型,也是提高巷道围岩变形预测的一种有效方法。     

基于注意力机制的CNN-GRU煤层气产能预测方法研究

为优化当前煤层气产气量预测方法，探讨煤层气产能排采数据历史状态影响及时序过长导致丢失关键信息的问题，提出了一种基于Attention机制的卷积门控循环单元网络的煤层气产能预测模型；选取5个与日产气相关性较高的排采参数，利用韩城区块煤层气井现场排采数据构建并训练煤层气产能预测模型，预测未来该井区160 d的产气量情况。研究结果表明：引入注意力机制的组合模型CNN-GRUA，通过提取数据高层特征、并降低历史序列关键信息丢失的影响，克服了传统预测方法无法处理数据间非线性、时序性以及信息丢失的问题；相比BP神经网络、卷积神经网络、门控循环单元和未引入注意力机制的CNN-GRU等模型，组合CNNGRUA模型具有更高的预测精度，平均绝对误差百分比仅为1.72%。     

联合DInSAR的3种下沉时序模型关键点缺失问题研究

针对难以全面研究沉陷区下沉变形的动态过程和单一监测手段可能会错失地表沉降阶段某些关键点的问题,以局部地表单点为切入点,联合InSAR与水准数据分别建立幂指数Knothe时间模型、Logistic模型和Weibull模型,进而研究矿区地表动态沉降规律。通过模拟数据分析了沉陷区地表观测点下沉变形特征以及影响上述3种时间函数曲线拟合的各因素;并以淮北袁二煤矿某采区为试验区,采用合成孔径雷达差分干涉测量(DInSAR)技术获得各水准点InSAR时序形变值;最终联合InSAR和水准监测数据,对比分析基于多源或单一监测方式2种情况下3种模型拟合曲线的不同。试验结果表明：(1)各时间序列模型地表下沉待估参数的大小对曲线拟合形态有较大影响,保证一定的监测周期,可反演出合适的下沉参数,才能更准确地拟合沉陷区观测点下沉时间序列,均方根误差最大可提高95.56%。(2)幂指数Knothe时间模型、Logistic模型和Weibull模型随时间序列变化的过程与地表沉陷区观测点物理下沉时序过程相符,均能较好地由地表单点下沉时间序列拟合出沉降曲线;3种模型虽下沉曲线拟合效果差异不大,但下沉速度曲线的拟合有明显差异...     

基于遗传算法和模糊神经网络的矿区GPS高程转换

基于模糊神经网络和遗传算法的原理,确定了矿区GPS高程转换的遗传算法-模糊神经网络模型,研究了遗传-模糊神经网络、二次曲面拟合和 BP 神经网络3种模型在CPS高程转换中的应用.结果表明:遗传-模糊神经网络模型拟合数据的精度更高、网络性能更稳定,有效的避免了局部极值的问题,可以用于GPS高程转换.     

基于RSM与BP神经网络的煤浮选试验研究

针对山西某高硫原煤进行浮选试验研究,分别建立了单一的响应曲面分析(RSM)模型和基于BP神经网络的响应曲面模型,并进行分析。结果表明,改进后的灰分模型达不到所要求的代表性,但回收率模型预测结果表明,基于BP神经网络的响应曲面的模型拟合程度较单一响应曲面模型高且优化结果优于单一的响应曲面法。由基于BP神经网络的响应曲面模型得到的该煤炭浮选的最佳条件为:煤油用量540.43 g/t,水玻璃用量1110.14 g/t,超声处理时间为5.0 min,在该条件下得到的浮选精煤回收率为68.98%,对应的精煤灰分为10.12%,同试验验证结果基本一致。     

人工神经网络在边坡稳定性预测中的应用

对人工神经网络及BP神经网络的基本知识进行了介绍,并以BP神经网络为基础建立了边坡稳定性预测的数学模型,利用MATLAB的神经网络工具箱实现了边坡稳定性的预测,通过收集到的边坡实例进行训练。结果表明,利用BP神经网络对边坡稳定性进行预测,预测结果与实际相吻合,能够满足工程需要,说明应用BP神经网络进行边坡稳定性的预测是可行的。     

露天矿最终边坡角的BP神经网络预测及数值模拟验证

利用专家调查表的方式分析露天矿山边坡稳定性的主要影响因素,确定网络模型的输入层神经元。研究BP神经网络的结构和输出方式,对神经网络模型进行优化,并收集大量矿山稳定边坡的相关参数作为样本库,建立神经网络预测模型,将该模型用于某大型深凹露天矿山最终边坡角的预测。根据预测边坡角参数,采用SURPAC—MIDAS—FLAC3D多软件组合的方式,创建逼真的矿山边坡稳定性三维数值计算模型并进行模拟分析,结果表明,模型预测的边坡角满足设计要求。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

GPS高程拟合方法研究

当前工程测量中采用的高程为正常高,而GPS测量获得的高程为大地高,两者之间存在高程异常。为求解高程异常值,结合Matlab软件,对GPS高程拟合方法进行了研究。结果表明：①测区点位呈面状分布时,采用曲面拟合法更能反映测区的似大地水准面状况,其精度优于曲线拟合法;②BP神经网络拟合法的拟合效果较好,并且组合法的拟合精度优于单一拟合法的精度;③曲面拟合法、曲线拟合法、BP神经网络拟合法以及组合法的内、外符合精度均满足四等几何水准要求。研究表明,运用Matlab软件进行GPS高程拟合精度较高。     

Neural network forecasting model based on phase space re-construction in water yield of mine

The neutral network forecasting model based on the phase space reconstruction was proposed. First, through reconstructing the phase space, the time series of single variable was done excursion and expanded into multi- dimension series which included the ergodic information and more rich information could be excavated. Then, on the basis of the embedding dimension of the time series, the structure form of neutral network was constructed, of which the node number in input layer was the embedding dimension of the time series minus 1, and the node number in output layers was 1. Finally, as an example, the model was applied for water yield of mine forecasting. The result shows that the model has good fitting accuracy and forecasting precision.     

基于混沌神经网络方法的边坡稳定性分析

非线性科学为边坡稳定性分析提供了全新理论。搜集整理了大量边坡稳定或破坏实例,应用混沌神经网络方法构建的混沌神经网络模型,对边坡稳定性进行评价预测。把该方法应用到某露天矿边坡稳定性分析,结果表明混沌神经网络预测结果与传统极限平衡计算结果一致。同时应用该方法进行了影响边坡稳定各因素的敏感性分析,结果表明,内摩擦角、黏聚力、边坡角、边坡高度、重度对边坡稳定的敏感性依次降低。     

矿井瓦斯涌出量预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来，并运用于矿井瓦斯涌出量的预测中。通过对矿井瓦斯涌出量时间序列的模糊分形处理，用BP神经网络对影响因素间的非线性关系进行拟合。检验结果表明，模型可靠，预测精度高。     

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。     

橡胶输送带迟滞特性分析与恢复力模型参数预测

橡胶输送带非线性恢复力模型的建立与参数识别是研究输送带动力学特性的关键,采用椭圆函数描述输送带的非线性阻尼力,采用傅里叶级数描述其非线性弹性恢复力,通过对比不同阶数的弹性恢复力模型拟合结果,选取二阶傅里叶级数描述弹性恢复力;采用果蝇优化算法对RBF网络的扩展参数进行全局优化,再对不同激励下弹性恢复力模型系数进行预测,最后通过实验对神经网络预测结果进行验证,研究结果可为节能型橡胶输送带的研发提供理论基础。