改进遗传算法在软土路基沉降预测中的应用

软土路基在外荷载作用下的沉降在时序上常表现复杂的非线性,本文采用抛物线模型预测软基的沉降趋势。针对简单遗传算法存在的问题,进行了大量改进,改进后的遗传算法能有效克服传统方法易陷入局部极小的缺陷,大大提高算法的搜索效率、精度和稳定性。实践表明该方法是一种有效可靠的沉降预测新方法。     

应用遗传-神经网络方法预测软土路基沉降

理论方法预测软土地基沉降与实际存在较大的差距,使得预测结果很难达到设计要求,不利于指导施工.将现有的理论方法同现场观测信息相结合,对软土地基变形作出更为准确的预测,有利于指导和控制工程施工.采用遗传算法和BP最优化法相结合的算法来训练网络,用遗传算法来优化BP神经网络中权值;用龚帕斯曲线来分解沉降时序,通过沉降趋势线偏移量来训练网络.采用这种方法预测软土路基沉降取得了较好的应用效果.     

双曲线配合法在软土路基沉降预测中的应用

根据广东省某公路软土路基实测沉降资料，应用双曲线配合法推算了该段软土路基的最终沉降量，并与实测的最终沉降值相比较，结果表明，用双曲线配合法预测的路基工后沉降值虽然较实测值稍偏大，但该方法预测误差较小，精度是合理可取的。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

改进的BP神经网络在路基沉降预测中的应用

针对传统的BP神经网络存在的缺点,提出了用附加动量法、自适应学习速率和L-M优化算法等几种算法进行优化。通过对比分析,证明了采用L-M优化和附加动量因子算法相结合取得了最优的预测效果。该方法克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结合现场实测数据,将该优化模型与传统的BP神经网络预测模型对比,预测结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

GA-BP神经网络在偏压隧道拱顶沉降预测的应用

运用组合优化的思想,基于遗传算法(GA)优化BP神经网络,将优化后的神经网络(GA-BP)用来预测偏压隧道拱顶沉降量。通过对比分析BP神经网络和经过遗传算法优化过的神经网络的预测结果数据表明,在偏压隧道拱顶沉降预测中,后者比前者性能更好,更能精确的预测偏压隧道拱顶沉降量。     

基于力学观点的软土路基沉降变形研究

针对我国软土地区路基不规则沉降问题,从力学土体的蠕变现象出发,通过origin软件对路基沉降数据进行了分析汇总,并以凯尔文模型为拟合公式,求出公式参数,确定拟合函数,对指导工程变形监测具有一定指导意义。     

基于BP神经网络遗传算法的药型罩优化

线性聚能装药爆破效果的影响因素有很多,且各因素的影响多是非线性的,而且非常复杂,其中药型罩结构的优化设计一直是重点。为了探索有效的药型罩优化方法,本研究对楔形罩运用正交试验法设计方案,利用ANSYS/LS-DYNA进行数值模拟获得结果,再以结构参数和最大射流速度分别作为BP神经网络的输入和输出进行训练,并将预测值作为适应度,结合遗传算法对药型罩进行最优结构药型罩参数和最优最大射流速度搜索。结果表明,该方法能够结合正交试验法和BP神经网络遗传算法的优点,快速精确地进行药型罩结构优化。     

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。     

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明：改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。     

复杂应力路径人工冻土三轴剪切试验及本构模型

构建人工冻土BP神经网络本构模型,利用冻土三轴实验数据对神经网络模型进行训练,并2次开发有限元本构程序。用BP神经网络本构模型能很好的反映人工冻土非线性,人工冻土三轴数值模拟值和实验值误差在2.43%范围内。通过深井冻结工程数值模拟表明:人工冻土BP神经网络本构模型能较好的描述复杂应力路径变形特征,数值结果和现场实测规律一致,且和实测位移误差在5.0%;应用BP神经网络冻土本构模型准确预测预报人工冻土帷幕应力场和变形场,为冻结工程设计与施工提供参考。     

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。     

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

采用遗传算法（GA）对BP神经网络（结构和初始权值、阈值）进行了优化，获得了影响煤粉着火温度预测的主要煤质指标（M_ad，A_ad，V_ad，O_ad），建立了优化的煤粉着火温度BP神经网络预测模型．对20个校验样本的预测结果表明：预测值与试验值的平均相对误差为0.29%，均方差为59.29，达到了较高的预测精度．     

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。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

GA-BP神经网络应用于边坡稳定性预测

为了提高边坡稳定性预测精度,本文引入遗传算法对BP网络的权阈值进行优化,建立GA-BP模型,并利用边坡稳定性的实测数据进行验证,通过数据的对比分析,表明GA-BP模型在预测精度上有很大的提高。