基于BP神经网络的巷道围岩稳定性识别

本文从分析巷道围岩稳定性影响因素入手,确定了影响巷道围岩稳定性的主要分类指标。在分析BP神经网络的基本原理和学习算法的基础上,根据改进的BP神经网络建立了围岩稳定性分类的神经网络识别模型,并运用VC++6.0编写程序对学习样本实现了分类。     

煤层顶底板围岩稳定性分级预测的GA-RBF模型及应用

为了探讨地下工程中围岩稳定性分级情况,运用粗糙集理论(RS)中的属性约简和条件属性重要度评价,对影响煤层顶底板围岩稳定性分级的评价指标进行数据挖掘,确定影响煤层顶底板围岩分级的主要评价指标。在此基础上,利用径向基神经网络(RBF)拟合评价指标和围岩等级之间映射关系。建立围岩分级预测的遗传优化的RBF模型。将模型应用于贵州某矿山的M17-1煤层底板围岩稳定性分级。预测结果证明,遗传优化的RBF模型评价结果与围岩分级情况较为一致。     

应用神经网络方法评定巷道围岩稳定性

开滦荆各庄煤矿地质构造独特,大量数据表明该矿地应力与巷道夹角、顶板岩性、地下水和巷道断面积是影响巷道围岩稳定性的主要因素。在实验室研究的基础上,利用BP神经网络方法建立巷道围岩稳定性模型,结合该矿山的实测数据进行了验证,为该矿巷道进行有效支护提供了保证。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

深部巷道围岩稳定性类别的BP网络识别方法

以BP神经网络模型为平台,对已知稳定性影响因素样本学习训练后,可以实现待测样本的巷道稳定性类别的识别,整个模型的求解过程是通过MATLAB软件来完成,利用BP网络模型的拟合特点及MATLAB的计算优势,可以准确、快速地完成对深部巷道围岩稳定性类别的鉴定工作,为深部巷道围岩锚喷支护设计提供依据。     

基于修正BQ值法的矿山围岩稳定性分级评判

矿山围岩的稳定性分级是矿山地下工程井巷支护设计和采场结构参数设计等工程基础数据,结合赤峰中色白音诺尔矿业有限公司现场调查资料及岩石力学试验数据,利用修正的BQ值进行围岩稳定性分级识别,综合考虑天然应力、地下水等因素,对矿山围岩进行工程质量分级和评判,确定围岩的稳定性,为矿山经济安全开采提供科学可靠的依据。     

基于机器学习与构建井巷围岩分级模型初探

巷道围岩稳定性是煤矿安全生产的关键，准确的巷道围岩分级是围岩控制的基础。本文采用BP人工神经网络，设计训练得到一种巷道围岩分级模型，用以自动识别巷道围岩稳定性。根据工程实践中巷道的围岩稳定性分析案例，考虑巷道围岩的相关地质力学参数，通过Python构建改进的BP神经网络模型，对样本进行学习并将预测结果与实际相拟合。研究表明，构建围岩分级模型能够较为准确地对巷道围岩稳定性类别进行有效判断。     

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PNN的巷道围岩稳定性分类

针对巷道围岩稳定性与影响因素之间存在复杂非线性关系,对煤矿回采巷道围岩稳定性影响因素进行了分析,建立围岩稳定性分类指标体系;介绍了概率神经网络(PNN)的基本原理,构建了基于PNN的巷道围岩稳定性分类模型,并利用Matlab工具箱编程对模型性能进行了检验和工程应用,当径向基扩散系数6.30≥spread≥0.64时,样本分类准确率为100％,样本分类时间小于4ms.结果表明,基于PNN的巷道围岩稳定性分类模型识别能力强,运行速度快,计算效率高,可以进行推广应用.     

金属矿山巷道喷锚支护智能设计的研究与应用

依据巷道围岩稳定性分类作为喷锚支护的基础数据,研究运用神经网络对地下巷道围岩稳定性进行类别识别,建立改进的BP神经网络(MBP)的围岩稳定性识别模型;把喷锚支护设计的间接类比和整体加固理论与专家系统等人工智能技术相结合,研制了喷锚支护工程设计的智能系统,并运用工程实例验证了本智能系统的正确性。     

岩体可爆性分级的神经网络判别方法

以神经网络技术为基础,利用MATLAB软件设计了岩体可爆性分级的BP神经网络判别模型,使用此模型完成对某铁矿中7种不同岩体岩体可爆性分级判别,并将此判别结果与使用模糊识别方法的判别结果进行比较分析,得出的结论一致。体现了使用MATLAB语言设计BP神经网络模型不仅简便精确,而且还具备较强的可行性和客观性。     

基于BP神经网络的回采巷道围岩稳定性分类

针对袁店矿回采巷道围岩条件复杂、现有分类方案不够完善、巷道收敛率较大等问题,探索一种准确、高效、易于使用的回采巷道围岩稳定性预测方法.以袁店矿区回采巷道作为工程研究背景,采用BP神经网络预测原理,在分析出回采巷道围岩稳定性的影响因素基础之上,设计出一种基于BP神经网络的回采巷道围岩分类方法,利用Matlab7.0BP神经网络工具箱,实现算法编程和GUI友好的用户操作界面,结果证明此方法具有相当高的预测精度.     

基于神经网络铀矿边坡稳定性分析

如何能比较准确地预测滑坡的发生,已成为各矿山开采过程中的难题之一。对人工神经网络及BP网络模型作了简要的介绍,分析BP网络的结构特点、参数选择、数据收集与处理、构造网络模型等问题之后, 以中核金安铀矿的边坡稳定状况为学习训练样本及预测样本, 建立了预报模型。讨论了基于BP神经网络技术的边坡岩体稳定性分析方法及其有效性。实例计算表明,通过样本的训练检验,利用人工神经网络方法对边坡稳定性的预测取得了比较满意的效果,为今后此类边坡稳定性的评价提供了可借鉴的方法。为神经网络在矿山边坡稳定性的应用提供了可行性。     

BP神经网络在露天矿边坡稳定性分析中的应用

对边坡进行稳定性分析是治理边坡工程的基础,正确确定露天矿边坡稳定性对于露天矿山工程具有非常重要的意义。本文在分析国内外大量露天矿边坡稳定性研究成果的基础上,采用改进的BP神经网络算法建立了露天矿边坡稳定性分析的神经网络预测模型,并对模型的预测精度进行了验证,结果表明,实际输出与期望输出基本吻合。将所建立的网络模型应用某露天矿边坡稳定性预测,取得了较好的效果。     

基于BP神经网络的露天边坡角预测

针对广东泥竹塘铁矿露天边坡稳定性问题,为了获得矿山的稳定露天边坡角,研究使用BP神经网络进行预测分析。在预测过程中,以边坡岩体质量系数、岩体综合抗压、抗拉强度、内聚力、结构面力学特性、边坡高度及岩体密度等7个指标为输入因子,综合国内矿山27组露天矿山现场数据,建立网络学习、训练样本库,从而实现泥竹塘铁矿稳定露天边坡角的预测。结果表明,露天边坡角的BP神经网络预测模型最大误差小于3%,训练输出误差较小,精度较高,得到的泥竹塘露天铁矿上盘最终边坡角的预测值为42.8°,上盘最终边坡角的预测值为40.1°。多年的生产实践表明,该预测成果与实际基本相符,可为今后类似工程提供参考。     

基于GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

BP网络在露天矿边坡角优化中的应用

基于影响边坡稳定性的主要自然和工程因素,运用BP神经网络预测岩质边坡的稳定性,经大量样本进行网络训练,得出可靠的BP网络模型,预测露天矿最终边坡的最优化角度,并将结果与多元线性回归的预测角度比较。研究表明神经网络法具有精度高、收敛速度快、容错能力高等特点,能够满足实际工程的需要,是有一定实用价值和参考价值的边坡稳定性预测方法。     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

运用神经网络方法评定软岩巷道顶板安全性

在综合考虑现有的几种软巷道围岩分级方案的基础上，确定用围岩水理性质，单轴抗压强度，围岩稳定性系数和开采深度作为软岩巷道顶板安全分级的指标，设计了实现安全分级的BP神经网络算法，并结合实例进行了计算。计算结果表明，本文所述的分级方法是可行的。