基于改进的RS-TOPSIS模型的岩爆倾向性预测

针对目前岩爆倾向性中预测模型权重确定存在不足导致模型精度不高的现状,为更准确地预测岩爆倾向性,提出综合运用粗糙集理论中的代数观和信息观,确定属性最优权重,并修正岩爆倾向性与评价指标之间的关系,建立岩爆等级理想点矩阵。根据岩爆发生条件,选取岩石脆性指数、切应力指标和弹性应变能指数3项指标作为岩爆判别指标,以国内外20组典型岩爆数据为样本,建立改进的粗糙集—理想点法（RS-TOPSIS）岩爆倾向性预测模型,并应用该模型对玲珑金矿等工程实际进行了岩爆倾向性预测。结果表明：改进后样本预测精度相比于改进前有了显著提高,所建立的模型对实际工程的岩爆倾向性预测效果良好,预测结果更准确。     

基于组合赋权的T-FME岩爆倾向性预测模型研究及应用

为了提高岩爆倾向性预测模型的精度,确保岩爆多指标综合评价方法中指标赋权方式和关联度函数的选用更加全面合理,建立了基于组合赋权的T-FME岩爆倾向性预测模型。该模型在选取岩石脆性系数、切向应力指数和弹性应变能指数作为评价指标的基础上,由序关系分析法和Vague熵确定指标主、客观权重,引入最小鉴别信息原理对指标组合赋权,最后采用理想点法计算贴近度复合模糊物元得到岩爆倾向性等级。运用国内外15组工程岩爆实例对该模型进行测试,与其他模型预测结果进行对比,并将该模型应用于国内若干实际工程。结果表明:该模型预测精度更高,预测等级更加安全,对国内几项实际工程岩爆倾向性的预测等级与实际情况相符,说明该模型具有较强的适用性。     

基于KPCA-GWO-SVM模型的岩爆预测及应用

岩爆是采矿、水利等工程的主要灾害之一，准确预测十分关键。选取应力系数σ_θ/σ_c、脆性系数σ_c/σ_t和弹性能量指数W_et作为分级预测指标，提出基于灰狼优化算法优化的支持向量机模型，采用核主成分分析对数据进行处理，建立岩爆预测的KPCA-GWO-SVM模型，预测结果表现出良好的分类性能。将建好的模型用于冬瓜山铜矿，并与BP神经网络模型进行对比，结果表明，KPCA-GWO-SVM模型是一种岩爆烈度高精度分类的有效工具。     

烧结矿质量预测中神经网络的结构优化

利用BP神经网络，建立了烧结矿质量预测模型，预测烧结矿FeO含量和碱度及指标。并采取遗传算法、网络隐含层节点自构性学习等办法优化网络构造。仿真结果表明，模型能取得良好的预测结果。     

基于核主成分分析与SVM的岩爆烈度组合预测模型

为了更好地预测岩土工程中的岩爆烈度,建立了基于多类型核函数的主成分分析方法与遗传算法或粒子群优化算法(GA/PSO)优化的支持向量机(SVM)相结合的组合预测模型。选取围岩最大切向应力σ_θ、岩石单轴抗拉强度σ_t、岩石单轴抗压强度σ_c、应力集中系数SCF、脆性指数B_1和B_2以及弹性应变能指数Wet共7个指标构成岩爆预测指标体系。基于统计的246个国内外岩爆实例数据,分别运用主成分分析和基于线性核函数、RBF核函数以及MLP核函数的主成分分析对数据进行预处理,得到2～4个线性无关的主成分。再将降维后的数据输入GA/PSO优化的SVM模型进行训练和预测。经测试,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为最佳组合模型,为岩土工程中的岩爆烈度预测提供了一种可靠的方法。     

基于未确知测度理论评判模型的岩爆倾向性预测

随着钨矿山的深部开采,各类地压问题也不断出现,特别是作为高地应力条件下的岩石能量释放方式之一的岩爆现象更为多见,岩爆倾向性预测评价是矿山安全的重要内容。采用未确知测度理论与熵值法相结合的方法进行岩爆倾向性预测。根据岩爆倾向性的影响因素和分级标准,运用未确知测度理论建立了地下矿山岩爆倾向性预测评价指标的未确知测度函数,用熵值法确定评价指标的权重,依据置信度识别模型对地下矿山岩爆倾向性预测进行评价,并结合实例进行了对比分析。研究结果表明,该方法为地下矿山岩爆倾向性预测评价提供了一种新方法。     

地下工程中基于人工神经网络的岩爆预测

通过收集国内外多个地下工程和矿山实际岩爆资料,分析了影响岩爆发生的主要因素,运用人工神经网络方法,建立了岩爆预测的人工神经网络模型,并根据某地下工程的实测参数,验证了预测模型的可靠性.结果表明,所建立的模型具有较高的预测精度.     

地下工程岩爆的倾向性预测

基于地下工程中岩爆的基本特征与影响因素,论述岩爆倾向性预测的基本思路、方法、主要流派与判据,引出基于储能岩石冲击性与岩体性态的倾向性预测指标体系;辅以广西大厂高峰矿100号矿体地下工程岩爆的倾向性预测实例,并就此提出相应的岩爆控制对策。     

基于距离判别分析的矿山岩爆倾向性评价

为了科学有效地应用距离判别分析法评价某矿山深部岩爆倾向性等级,通过搜集整理大量国内外岩爆数据,并结合矿山深部现场情况,确定6个岩爆倾向性指标。选取9个待测点,进行力学试验获得待测点的岩爆指标,引用马氏距离建立评判准则,确定待测数据的岩爆倾向性,并通过回代误判率和交叉误判率检验判别准则的准确度。结果表明：该金属矿待测点X2、X3、X4、X5、X7、X8和X9的岩爆倾向性均为轻微岩爆,待测点X6的岩爆倾向性为中等岩爆,待测点X1的岩爆倾向性为强岩爆。矿山实际情况表明,待测点X1有强岩爆现象发生,评价结果与矿山实际情况相符。该方法在矿山岩爆倾向性评价中具有较好的适用性和有效性。     

函数型数据分析与优化极限学习机结合的弹药传输机械臂参数辨识

为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性.      

基于正态隶属度—属性区间识别模型的岩爆倾向等级预测

岩爆是地下工程开挖面临的关键问题之一,为了准确预测深埋隧洞中岩爆烈度倾向等级,提出了正态隶属度—属性区间识别模型的岩爆预测方法。针对岩爆倾向等级属于典型的多属性有序分割类问题,构建了属性区间识别模型,并将岩爆倾向等级划分为4个等级进行预测。根据岩爆发生的成因和机理,选取应力系数、脆性系数、弹性应变指数和岩石完整性系数作为预测指标,考虑各指标之间、指标与标准等级之间的交互关系,采用正态隶属度函数和Jousselme距离计算评价指标权重。结合13个深埋隧洞工程对该预测模型进行准确性测试,并以双江口水电站SPD9厂房为例进行工程实例验证,该模型预测结果与实际相吻合,证明该模型用于具体工程实践中是可行且有效的,研究结果可为类似深埋隧洞岩爆倾向等级预测提供新的思路。     

基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型

铜锍品位是富氧底吹铜熔炼过程中的一个关键工艺参数,针对铜锍品位实时检测困难、检测结果滞后时间长、指导生产工艺参数优化滞后等问题,基于生产数据深入挖掘及处理,提出了一种基于FA-PSO-RBF神经网络的铜锍品位预测模型。首先为了降低模型的预测误差,利用FA分析方法对原始生产数据进行降维处理,确定主要因子数量为6个,并计算因子得分,然后针对RBF神经网络模型对关键参数依赖性较大的不足,利用改进PSO算法对网络结构中的关键参数进行寻优,最后,以因子得分为输入,铜锍品位值为输出,通过实际生产数据验证模型的准确性,并与RBF、标准PSO-RBF预测模型进行对比,结果表明,本文构建的铜锍品位预测模型预测精度更高,与标准PSO-RBF预测模型相比,RMSE和MAE的值分别降低了17.2%和21.2%,该预测模型对富氧底吹铜熔炼生产过程参数优化控制提供了一种方法借鉴。     

基于AHP和熵权TOPSIS模型的岩爆预测方法

为了准确预测地下金属矿的岩爆情况,建立了AHP和熵权TOPSIS模型。运用AHP和熵权法的基本原理,从岩性条件、应力条件和围岩条件3个方面选取预测指标,最终确定的指标为岩石的单轴抗压强度〖σ〗_c、压拉比〖σ〗_c/σ_t、弹性变形指数〖W〗_et、切应力与单轴抗压强度的比值〖σ〗_θ/σ_c和完整性系数〖K〗_v,分别为各预测指标分配合理的权重。然后,运用TOPSIS的基本原理,结合AHP和熵权法得到的权重来计算各岩爆等级临界值和实际矿山数据的贴近度,通过对比这2个贴近度来预测岩爆是否发生。实例研究表明：所建模型得到的预测结果与工程实际情况相一致,因此认为AHP和熵权TOPSIS模型可用于准确预测地下矿山的岩爆问题。     

基于MICE_RF的组合赋权—极限随机树岩爆预测模型

目前岩爆预测的真实训练数据量小、数据存在缺失,为了更加准确地预测岩爆等级,提出了一种基于链式随机森林多重插补（MICE_RF）算法的组合赋权—极限随机树（ET）预测模型。首先,在选取岩爆灾害主要评判指标的基础上,采用MICE_RF算法插补缺失数据;然后,由改进层次分析法（IAHP）和基于指标相关性的权重确定方法（CRITIC）确定指标主、客观权重,并引入权向量距离概念对指标组合赋权;最后,将插补和赋权后数据集采用ET算法,构建岩爆等级预测模型。利用国内外工程实例数据进行20次随机抽样试验,并与其他模型进行对比分析。结果表明：MICE_RF插补后可显著提高岩爆模型预测效果;改进AHP-CRITIC法较改进前更具优势,该模型平均预测准确率为93.10%,各比较指标结果均优于对比模型,预测结果更稳定。     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

工程围岩岩爆的实验室综合评判方法

在多种岩爆室内试验评价指标中,在考虑岩爆发生机制基础上选用围岩应力指数、岩体脆性指数、岩体完整性系数、弹性能量指数4个指标进行岩爆的模糊数学综合评判。对岩爆发生及烈度倾向进行了预测。并选用不同工程围岩岩体在室内进行岩爆模拟性试验。结果发现和预测情况比较相符,证明了岩爆预测方法的有效性。     

基于PSO-RBF神经网络的轧辊偏心在线辨识

在实际生产中,轧辊偏心往往会导致带材厚度的波动,降低带材的质量。离线辨识轧辊偏心的控制方法在实际生产中效果不明显甚至会其反作用。为了使轧辊偏心能够在线自适应辨识,提出了一种基于改进粒子群算法优化的RBF神经网络的在线辨识方式,建立在线训练模型,对轧辊偏心信号进行在线辨识研究并与未采用该算法的在线辨识方式进行对比。结果表明,基于改进粒子群算法优化的辨识方式速度更快、精度更高,能迅速地辨识出生产过程中的轧辊偏心信号的变化,达到了期望的结果。     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。