大跨度地上硐室开挖动态力学特性及支护设计研究

针对南芬铁矿地下硐室开挖与支护设计，采用有限元分析研究大跨度地下硐室动态力学效应，结果表明，不同的开挖顺序，对围岩的稳定性具有显著的影响。     

基于均匀设计法的地下硐室位移反分析

基于均匀设计理论,对小湾水电工程地下硐室位移进行反分析,获得了地下厂房附近区域的材料参数和地应力大小,在此基础上,对厂房硐室的后期开挖进行了预演,预测结果与实际监测结果一致,从而证明均匀设计法在地下工程位移反分析中具有较高的实用价值和广阔的应用前景。     

大跨度地下硐室开挖的模拟分析

在大跨度地下硐室的开挖过程中，采用不同的开挖顺序，对围岩的稳定性具有显著的影响，用有限元法寻求最佳开挖顺序，可使围岩受损程度和范围减小，从而确保硐室开挖的安全进行。     

金川Ⅲ矿区破碎站硐室施工变形监测与优化控制

为了有效控制金川Ⅲ矿区1 165m水平破碎站大断面硐室围岩变形,根据对破碎系统工程的大件道工程围岩变形监测、变形影响因素的分析得出该矿区岩体具有临界蠕变应力低和碎裂剪胀蠕变特征,且变形持续时间长.针对该岩体的变形特点,在破碎站大断面硐室施工中采用“留空让压强支”原则,并提出留空让压强支方案的综合评价指标.设计了3因素4水平的正交数值模拟试验方案,通过综合评价指标的分析确定了合理让压位移量,即毛硐让压变形90 mm,初衬让压变形0,一次支护让压变形50 mm.为了破碎站硐室的安全评价和长期稳定性预测,采用FBG点式光纤光栅传感器监测围岩变形.     

小浪底工程急倾斜大断面硐室开挖实践

在小浪底急倾斜大断面发电硐室施工中，采用急倾斜小断面矩形导硐反向掘进、水平椭圆工作面全为面开挖，收到较好效果，文中介绍了施工过程，其中对倾斜扇形孔的现场几何作图给眯法作了较为详细的介绍。     

某大型地下硐室不良地质体变形及控制措施研究

某地下硐室群地质条件复杂,根据前期地质勘探揭露的地质资料,该硐室区存在大量的不良地质体( PH 条带)。 通过不同的计算分析方案,采用三维有限元数值分析软件 MIDAS-GTS / NX,精确模拟了 PH 条带等大型地质 结构面,研究地下硐室开挖过程中 PH 条带宽度与围岩变形及塑性区分布特征,并在此基础上对硐室群进行加强支护 等措施。 结果表明:地下硐室群的围岩稳定性与不良地质体的厚度有关,即 PH 条带宽度越大,对硐室群围岩稳定性 影响越大。 数值模拟结果较好地体现了不良地质体对围岩稳定性的破坏特征,可为制定大型地下硐室群的开挖设计 和支护措施提供较好的科学依据。     

不同地应力下的地下硐室动态特征分析

采用FLAC3D对地震动荷载作用下不同地应力状态的地下岩体硐室的动态特性进行了初步分析。分析结果表明,地震荷载作用下,硐室位移随地应力侧压系数的增加明显减小,地应力侧压系数λ<1时的硐室位移量值随侧压系数的变化幅度明显大于地应力侧压系数λ>1时的情况;当侧压系数λ<1,随剪切波入射角的变化,硐室测量点位移响应先增加后减小;而当侧压系数λ>1,随剪切波入射角的增加,硐室测点位移先减小后增加,同时随地应力侧压系数的增加有减小的趋势。     

地下选厂硐室开挖过程围岩应力动态分布特征分析

针对张家湾地下选矿厂开挖引起的围岩应力变化及相关力学问题,采用FLAC^3D数值分析方法,研究了阶梯形硐室群随开挖工作面推进的围岩应力场变化特征和主应力旋转变化特征。结果表明,围岩应力场的扰动主要集中在开挖工作面前后各约0.5倍硐室宽度范围内;开挖面前方硐室顶部和底部的偏应力高度集中,开挖面后方边墙部位的偏应力在一定范围内递增;主应力旋转主要位于工作面前方,但不同的初始主应力分布会导致不同的应力分布规律。     

不同开挖方式地下硐室压力拱的演变机理研究

对不同开挖方式地下工程压力拱的发展演变过程进行了分析。分析结果表明,随着开挖的进行,地下工程拱顶部压力拱内边距变化不大而压力拱的厚度在增加;地下硐室两帮、底板中部压力拱内边距较大;核心土对硐室拱脚处压力拱的内边距有较大影响;分步开挖可使压力拱内边距减小而对压力拱厚度影响较小,即可使压力拱向硐室边沿移近。     

基于遗传神经网络的龙煤矿业集团销售量预测研究

将遗传神经网络应用到龙煤矿业集团销售量预测中,预测采用三层前馈BP神经网络,利用遗传算法对神经网络初始权值进行优化,实际数值计算表明该算法在龙煤矿业集团销售量预测中的学习速率和精度都比单纯BP神经网络得出的结果好,适合于销售量预测。     

边坡位移时间关系模拟的人工神经网络模型

利用Matlab语言编程建立BP神经网络模型，并基于大量的历史位移数据模拟了边坡位移与时间的关系．最后将模型用于山东省莱州仓上金矿北帮边坡的位移预测．比较表明，模型计算结果与监测值相差很小，说明应用模型预测边坡位移是可行的．     

基于粒子群优化BP神经网络的巷道位移反分析

以某煤矿资料为基础,确定出岩体物理力学参数水平,并设计正交试验表。根据巷道边界条件建立几何模型,通过有限元法计算得出的位移值建立起PSO-BP神经网络学习样本,从而得到矿山巷道位移反分析预测岩体物理力学参数模型。研究结果表明：实测位移量与由预测参数计算位移量间的最大误差为3.27%,通过实测位移值反分析求得的岩体物理力学参数值可信,PSO-BP神经网络应用于矿山巷道位移反分析是可行的。     

某大跨度地下厂房开挖过程变形监测研究

结合白山水电站抽水蓄能工程地下厂房施工实例,介绍了地下厂房开挖过程中的变形现场监测过程。监测地下厂房变形的仪器包括多点位移计和收敛计。随着同一施工层的继续向前开挖,引起地应力的进一步释放,导致地下厂房岩壁的向内移动,现场变形观测数据对于及时修改支护参数和开挖计划起到了关键的作用。     

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R²分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。     

基于PSO-GRNN神经网络的煤矿井下定位算法研究

为进一步提高井下定位精度,本文提出一种基于粒子群算法-广义回归神经网络(PSO-GRNN)的煤矿井下定位算法。该算法利用广义回归神经网络(GRNN)建立井下定位模型,通过粒子群优化算法(PSO)寻找广义回归神经网络最优的平滑因子,降低人为调整的影响,提高定位精度。将信标节点接收到的信号强度(RSSI)值输入训练好的神经网络,神经网络的输出就是待测节点的坐标。仿真实验表明,PSOGRNN模型相比未经优化的GRNN模型和BP模型,定位精度更高;相比BP模型,算法复杂度更低,效率更高,满足井下自适应定位要求。     

Study on the non-linear forecast method for water inrush from coal seam floor based on wavelet neural network

Directing at the non-linear dynamic characteristics of water inrush from coal seam floor and by the analysis of the shortages of current forecast methods for water inrush from coal seam floor, a new forecast method was raised based on wavelet neural network （WNN） that was a model combining wavelet function with artificial neural network. Firstly basic principle of WNN was described, then a forecast model for water inrush from coal seam floor based on WNN was established and analyzed, finally an example of forecasting the quantity of water inrush from coal floor was illustrated to verify the feasibility and superiority of this method. Conclusions show that the forecast result based on WNN is more precise and that using WNN model to forecast the quantity of water inrush from coal seam floor is feasible and practical.     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

工作面煤与瓦斯突出电磁辐射的神经网络预测方法研究

以自适应神经网络的基本原理为基础，系统研究了煤与瓦斯突出电磁辐射自适应神经网络预测的原理，将电磁辐射自适应神经网络模型应用于煤与瓦斯突出危险性预测，实现了煤与瓦斯突出危险性的电磁辐射动态趋势预测．应用结果表明，煤与瓦斯突出电磁辐射神经网络预测法具有预测方法简单、准确性高等特点，可应用于工作面煤与瓦斯突出危险性的预测．