共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。 相似文献
4.
为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。 相似文献
5.
6.
为了对煤矿井下回采工作面推进过程中地表点沉降的位移量进行准确预测,以为地面煤层气开发钻井的工程防护和安全性预测提供准确的基础数据。建立了以回采速度、煤层埋藏深度和地表采动影响半径表征的地表沉降时间迟滞参数,准确的表征了不同矿区地质、回采条件下的地表及采场覆岩沉降的时间迟滞特性;同时,将该参数引入地表沉降曲线,建立了以矿区地表沉降参数和回采速度为基本参数的地表沉降时间函数。通过与兴隆庄煤矿地表沉降监测数据的对比分析可知,地表沉降时间函数模型的预测结果与实际监测结果是基本一致的,从而证明了模型函数的正确性。 相似文献
7.
8.
9.
BP神经网络可以解决地表沉陷等非线性关系问题,为了更精确地进行地表沉陷变形预测,引入Adaboost算法对BP神经网络进行改进,并运用Matlab R2014a建立基于Adaboost的BP神经网络地表沉陷预测模型。首先通过BP神经网络进行训练、测试,经过多次迭代,将每个BP神经网络作为一个弱预测器加权组合,形成强预测器,并首次对青岛地铁3号线保河区间隧道进行地表下沉值预测。预测结果表明:Adaboost的BP神经网络预测下沉值的平均绝对误差为0.585 3 mm,平均相对误差为5.82%,与BP神经网络预测相比,绝对误差降低了2.594 7 mm,相对误差降低了27.46%,由此表明Adaboost的BP神经网络适用于地表沉陷预测,且预测精度更高。 相似文献
10.
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。 相似文献
11.
12.
为深入分析徐楼铁矿地表沉降成因,预测矿区地面沉降规律,首先分析了该矿一期采矿工程地面沉降的发育现状,然后从围岩应力场、矿体赋存条件、矿区地下水疏排、区域地质构造、采空区充填等方面对矿区地面沉降成因进行了讨论,最后基于矿区现有的工程地质资料及地面沉降监测资料,采用概率积分法和曲线拟合法预测了矿区地面沉降范围及沉降量,并对预测结果进行了分析。结果表明:①该矿区地面沉降是围岩应力场、矿体赋存条件、矿区地下水疏排、区域地质构造、采空区充填等因素共同作用的结果;②概率积分法预测的采空沉陷区面积约0.22 km2,矿区主井、副井、风井及采矿工业场地大部分位于预测采空塌陷区内,可能引发的采空区塌陷灾害危险性较大;③曲线拟合结果与实测数据较吻合,可较好地反映矿区沉降的实际情况,精度较高。上述结果进一步表明:近年来,矿区地面沉降量和沉降范围呈剧烈加速的趋势,实测沉降影响范围及沉降量远小于预测结果,可见地表仍有一部分建(构)筑物及设施位于预测沉降范围内,此外,随着二期采矿工程的全面展开,矿区地面沉降量及沉降范围在短期内仍会继续增大。 相似文献
13.
软土地基沉降预测模型分析与研究 总被引:1,自引:0,他引:1
介绍了软土地基沉降预测中常用的指数曲线模型和双曲线模型。通过工程实例, 应用指数曲线模型和双曲线模型对沉降观测数据进行了最终沉降量和后期沉降的预测, 讨论了两者的适用性和局限性, 证明了指数曲线模型比双曲线模型在预测最终沉降量和沉降曲线拟合方面更加准确和适用。 相似文献
14.
目前我国西北部地区浅埋深薄基岩开采区地表沉降现象日益严重。以鄂尔多斯某矿区为例,基于该矿区覆岩性质、地质条件、开采技术条件、地表沉降点观测数据,运用概率积分法对首采区的地表开采沉降规律进行了分析预测,并对该矿区典型的薄基岩浅埋深开采地表沉降的主要影响因素进行了分析。结果表明:①概率积分法的矿区开采沉降预测结果与实测数据基本吻合,表明采用该方法预测矿区地表移动参数是可行的;②由于矿区整体构造简单,且工作面内煤层基本呈水平分布,煤厚、采深、倾角等因素变化较小,综合分析认为顶板松散层基岩厚度比(HS/HJ)、开采强度(工作面推进速度)是该矿区地表沉降的主要影响因素;③对工作面走向的顶板松散层基岩厚度比(HS/HJ)曲线、开采强度(工作面推进速度)曲线与地表沉降量曲线进行了对比分析,认为松散层基岩厚度比(HS/HJ)、开采强度(工作面推进速度)对矿区开采沉降具有相反的作用,且开采强度(工作面推进速度)对矿区开采沉降的影响较大。上述分析结论对于地质构造稳定的鄂尔多斯地区矿区开采沉降分析预测有一定的参考价值。 相似文献
15.
针对难以全面研究沉陷区下沉变形的动态过程和单一监测手段可能会错失地表沉降阶段某些关键点的问题,以局部地表单点为切入点,联合InSAR与水准数据分别建立幂指数Knothe时间模型、Logistic模型和Weibull模型,进而研究矿区地表动态沉降规律。通过模拟数据分析了沉陷区地表观测点下沉变形特征以及影响上述3种时间函数曲线拟合的各因素;并以淮北袁二煤矿某采区为试验区,采用合成孔径雷达差分干涉测量(DInSAR)技术获得各水准点InSAR时序形变值;最终联合InSAR和水准监测数据,对比分析基于多源或单一监测方式2种情况下3种模型拟合曲线的不同。试验结果表明:(1)各时间序列模型地表下沉待估参数的大小对曲线拟合形态有较大影响,保证一定的监测周期,可反演出合适的下沉参数,才能更准确地拟合沉陷区观测点下沉时间序列,均方根误差最大可提高95.56%。(2)幂指数Knothe时间模型、Logistic模型和Weibull模型随时间序列变化的过程与地表沉陷区观测点物理下沉时序过程相符,均能较好地由地表单点下沉时间序列拟合出沉降曲线;3种模型虽下沉曲线拟合效果差异不大,但下沉速度曲线的拟合有明显差异... 相似文献
16.
文中以目前使用较为广泛的灰色系统和BP神经网络预计方法对中国神华集团榆家梁煤矿52406工作面地表沉陷进行了预测,同时建立灰色系统与BP神经网络的等权组合预测模型进行沉陷预计,并与单独的模型预测进行对比分析。结果表明:等权组合预测模型精度较高,在开采沉陷预计中具有较好的研究意义和应用价值。 相似文献
17.
18.
《金属矿山》2017,(9)
传统最小二乘支持向量机拟合模型(Least squares support vector machine model,LSSVM)在进行矿区地表沉降GPS高程拟合时精度较低,为进一步提升矿区地表沉降监测精度,采用协同量子粒子群算法(Cooperative quantum-behaved particle swarm optimization,CQPSO)对LSSVM模型进行了优化。该算法的协同搜索策略是在解空间中使用多个子群取代整个种群,可有效解决由于单个种群、单个搜索策略导致的迭代后期种群多样性下降的早熟问题。以大冶铁矿为例,采用实地获取的矿区地表GPS监测数据对改进最小二乘支持向量机拟合模型(CQPSO-LSSVM)进行试验,并与BP神经网络拟合模型以及量子粒子群算法(Quantum-behaved particle swarm optimization,QPSO)优化的最小二乘支持向量机拟合模型(QPSO-LSSVM)进行比较,结果表明,CQPSO-LSSVM模型的内、外符合精度分别为±2.5 mm、±3.1 mm,BP神经网络拟合模型的内、外符合精度分别为±2.9 mm、±4.6 mm,QPSO-LSSVM模型的内、外符合精度分别为±2.8 mm、±3.5 mm,可见CQPSO-LSSVM模型的拟合精度稍优于其余两者,采用该模型对矿区地表沉降GPS数据进行拟合处理,可获得较高的监测精度。 相似文献
19.
针对分段Knothe时间函数地表动态沉降预计模型在厚松散层矿区地表动态移动预计方面误差较大的问题,通过理论分析,将煤层上覆基岩与松散层看作两种不同介质并分别采用分段Knothe时间函数与概率积分法模型对各介质动态沉降进行预计,最后将两种预计模型进行耦合优化。研究结果表明,优化后的模型较好地解决了原分段Knothe时间函数地表动态沉降预计模型在厚松散层矿区地表动态沉降活跃期预计误差较大和预计曲线整体较陡的问题。同时,相较于原模型,优化后模型的预计曲线更加平缓,且预计值的标准误差和相对误差分别减小近86.3%与84.1%,证明了优化后的模型在预计厚松散层矿区地表动态沉降方面具有较高准确度和适用性。 相似文献