人工神经网络在高梯度磁选试验研究中的应用

用人工神经网络建立了高梯度磁选过程模型，对不同隐含层节点数的神经网络模型预测性能进行了评价。并对高梯度磁选过程进行了模拟研究，结果表明，在相当宽的操作范围内，模型有比较好的预测结果，这说明建立的模型是合理的、可行的。     

用人工神经网络建立高梯度磁选过程模型及其模拟研究

用人工神经网络建立了高梯度磁选过程模型，对不同隐层节点数的神经网络模型的预测性能作了评价；利用选择的最终模型，对高梯度磁选过程的模拟研究表明，该模型可在相当宽广的操作范围内取得较好的预测结果，这说明所建立的模型是合理的、可行的。     

基于MATLAB的型钢梁的设计

通过建立神经网络的输入层、隐含层、输出层，确定输入单元、输出单元和隐含层节点数，从而建立了神经网络的模型，并根据已有的一些数据，对网络进行训练，使其具有分析和判断的功能，从而能应用于工程设计。     

BP神经网络在相似材料研制中的应用研究

针对模型试验中相似材料配制问题,提出了以正交试验作为学习样本对单隐含层BP神经网络进行训练,然后对配制出来的相似材料性能进行预测的方法,以此来缩短相似材料配制周期。随后采用均匀试验对3~20节点数目的单隐含层BP神经网络的预测效果进行了测试,并对测试误差进行了详细的分析,总结了网络节点数目、初始权重阈值对网络预测能力的影响,并对使用单隐含层神经网络对相似材料配比预测的应用提出了建议。     

高梯度磁选数学模型及计算机模拟的研究（Ⅱ）

利用有限差分法、龙格－库塔法等数值方法对高梯度磁选数学模型进行了数值求解，估计出了模型参数与影响因素之间的关系表达式，选择磁性产品的产率、品位及回收率等工艺指标为模型输出掼标，开发了高梯度磁选计算机模拟软件，在各种操作条件下对高梯度磁选非线性动态模型进行了验证和模拟研究，结果表明，模型的计算值和试验结果相，说明建模的方法是可行的，模型的结论是合理的，模型能比较全面地、正确地描述各种影响因素对高梯度磁选过程的影响。     

基于遗传神经网络的瓦斯体积分数预测模型

利用改进的遗传算法对传统BP神经网络的隐含层节点个数和网络拓扑结构进行优化,提出利用遗传神经网络预测矿井工作环境中瓦斯体积分数的模型,并结合某矿瓦斯体积分数实例进行仿真试验研究,试验结果与实际比较吻合。     

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BP神经网络的地下水水位预测

基于BP网络模型 ,对地下水水位变化规律进行了定量预测。网络模型由三层构成 :输入层、隐含层、输出层。节点单元以及各层间的连接强度决定了BP网络的执行情况。实验结果表明 ,BP神经网络是一种较为有效的预测方法     

基于神经网络的工程结构事故分析

建筑工程是一个庞大的工程，在建筑结构事故中，涉及到的因素很多，如何进行准确的判断，不但需要有理论知识而且经验往往也是很重要的，同时又要耗费大量的人力和物力。利用神经网络的原理，根据已有的一些数据，通过建立神经网络的输入层、隐含层、输出层，确定输入单元、输出单元和隐含层节点数，从而建立了神经网络的模型，并用神经网络的方法来分析，为分析结构工程事故的原因提供了一种计算机的方法。     

高梯度磁选数学模型及计算机模拟的研究(Ⅱ)

利用有限差分法、龙格-库塔法等数值方法对高梯度磁选数学模型进行了数值求解,估计出了模型参数与影响因素之间的关系表达式.选择磁性产品的产率、品位及回收率等工艺指标为模型输出指标,开发了高梯度磁选计算机模拟软件,在各种操作条件下对高梯度磁选非线性动态模型进行了验证和模拟研究.结果表明,模型的计算值和试验结果相一致,说明建模的方法是可行的,模型的结构是合理的,模型能比较全面地、正确地描述各种影响因素对高梯度磁选过程的影响.     

Forecasting time-to-failure of machine using hybrid Neuro-genetic algorithm – a case study in mining machinery

Forecasting of time-to-failure is an important aspect of a mining machine for the performance assessment, fault detection and schedule maintenance. The knowledge of failure time allows more defined arrangement of preventive maintenance. Traditional methods, including lifetime distribution models, fault tree analysis and Markov models, have a limitation of assuming a specific statistical distribution function to fit the failure time data. In this study, a hybrid data-driven method using neural network and genetic algorithm is proposed to forecast failure time. The forecasting model was developed using neural network algorithm and all the neural network parameters, i.e. input nodes, hidden nodes and the learning algorithms, are selected automatically using the genetic algorithm. The developed model was validated using the failure data of a mining machine. A case study was conducted investigating a load-haul-dump machine (LHD) in the mining industry. Failure historical data for the LHD machine were collected, and cumulative failure time was calculated for time-to-failure forecasting. Study results demonstrate that the developed model performs satisfactory in the prediction of next failure time. A comparative study reveals that the proposed method performs better than existing methods.     

BP神经网络在居住建筑电力节能效果评价中的应用研究

为量化改造后居住建筑节能效果,以神经网络为基础,提出一种电力节能效果评价方法。根据常用的居住建筑电力能耗种类,结合能耗运行特征、建筑设计参数与供配电形式,构建节能效果评价指标体系,明确各指标权重,基于一般的反向传播神经网络,利用近似均方误差的梯度下降法推导出敏感性递推关系,完成敏感性反向传播,通过融合反向传播神经网络与居住建筑电力节能效果评价指标,经明确评价因子、分类评价等级、设置网络参数以及确定网络限值等阶段,实现电力节能效果评价。仿真实验结果表明,所提方法的居住建筑电力节能效果评价精度较高,评价时间较短。     

磁种分离技术在煤系高岭土提纯中的应用

本文较详细介绍了磁种分离技术在煤系高岭土这一新领域的应用研究。研究了分散剂种类及用量、磁种种类及用量、矿浆ｐＨ等对脱除煤系高岭土中铁、钛杂质矿物的影响。结果得出，对于铁、钛杂质主要为无磁性或磁性很弱的矿物，如褐铁矿、赤铁矿、黄铁矿、钛铁矿、金红石等且呈微细粒嵌布的煤系高岭土，采用磁种（天然细磨磁铁矿或人造铁氧体）分离工艺，煤系高岭土中Ｆｅ２Ｏ３和ＴｉＯ２的脱除率可达４０％～５０％，较单纯进行高梯度磁选提高３０％～４０％以上。有效地解决了常规选矿方法较难实现的煤系高岭土的提纯问题。     

高应变率下岩石的蚁群智能动态本构模型

针对蚁群算法在优化网络权值过程中存在搜索速度慢和精确度的问题,将梯度下降法作为优化算子嵌入蚁群神经网络,提出了一种新型混合蚁群神经网络,并根据花岗岩的高应变率动态实验,构建了一种动载高应变率作用下花岗岩本构关系分析的蚁群智能模型,其拟合结果与实际情况吻合,对于研究在高应变率下岩石动力学性能具有借鉴意义。     

浅析聚磁介质在磁选机中的应用

高梯度磁选机是在其他强磁选机的基础上发展起来的一种新型强磁选机。通过整个高梯度磁选机工作体积的磁化场是均匀的,即工作体积中的任何一个颗粒受到的力相同,且磁化场中的磁介质被均匀磁化,同直径的磁介质在磁化空间的任何位置,其梯度的数量级是相同的,与一般磁选机相比较,磁场梯度大大提高,从而为磁性颗粒的选别提供强大的磁力克服流体阻力和重力,使微细粒弱磁性颗粒可以得到有效的回收。高梯度磁选是在能产生高梯度的聚磁介质上进行的,而高梯度的产生与聚磁介质的材质、形状、放置方式、相对尺寸及充填率等参数有密切关系,对磁选机的磁选指标有较大的影响。     

开放磁系永磁强磁选机用于钛铁矿分选研究

强磁选—浮选工艺逐渐成为原生钛铁矿分选的主体流程,但现有高梯度强磁选机精矿夹杂较严重,脉石矿物钛辉石易进入浮选流程影响浮选效果。分析了钛铁矿高梯度磁选过程中脉石夹杂机理,指出高梯度磁场力难以调控、脉石难以脱离是影响强磁选效果的主要原因。提出了采用开放磁系永磁强磁选机分选钛铁矿的技术尝试,研制了永磁强磁选机试验样机,分选区磁场力达到钛铁矿捕收要求,同时易于抛出钛辉石等弱磁性脉石矿物,经试验验证可以提高高梯度磁选产品的TiO_2品位。