基于GA-ELM的瓦斯涌出量预测

为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。     

基于AdaBoost-BAS-SVM模型的岩爆预测研究

岩爆是发生在深埋地下高应力岩体开挖工程中的一种动力破坏现象,作为矿山开采过程中的主要工 程地质灾害之一,其等级预测是必须解决的岩石工程的重大问题。综合岩爆预测过程中多因素影响,选取 σθ/σc、 σ c/σt、Wet作为岩爆等级预测指标。通过利用天牛须搜索（BAS）算法解决支持向量机（SVM）中的重要参数 C 与 gamma 择优问题,并引用 AdaBoost 集成学习算法对 BAS-SVM 弱学习器进行强化训练,解决了单一分类器不稳定问题, 最终建立了 AdaBoost-BAS-SVM 岩爆等级预测模型。通过收集到的 194 组实例数据对该模型进行训练测试,并与 SVM、BAS-SVM、AdaBoost-SVM 3 组模型进行结果对比。结果表明：该模型较其他 3 组模型预测准确度更高,其收 敛性能明显提高,可有效、快速地预测岩爆等级。     

深井金属矿山岩爆灾害研究现状

越来越多的金属矿山将进入深井开采,随着开采深度的增加,最显著的变化是显现“高应力、高温和高孔隙水压”的“三高”特性。高应力条件下的岩爆灾害是深部开采遇到的突出问题之一。较为系统地阐述了深井金属矿山岩爆灾害的研究现状,包括岩爆的影响因素分析、岩爆灾害预测预报技术和岩爆灾害控制技术。     

基于深部开拓巷道的岩爆预测及防治技术分析

岩爆是矿山在开采过程中严重的灾害现象,随着矿山浅部资源的日趋枯竭,矿山相继进入深部开采阶段,在“三高”作用的影响下,深部开采使得岩爆问题愈发突出,成为制约矿山安全生产的重大隐患,本文以棋盘井煤矿为研究对象,通过侧压系数进行巷道围岩的岩爆预测,针对该区域岩体具备中级岩爆的可能性,提出岩爆防治技术,通过对工作面前方进行超前卸压、松动爆破卸压及对工作面后方进行深孔卸压,有效地降低了巷道岩爆发生的可能性,在一定程度上,保障了矿山安全施工与开采。     

基于粗糙集理论的岩爆预测模糊综合评价

基于粗糙集理论和模糊集理论相结合的方法,利用粗糙集中的知识约简方法挖掘评价指标,把权系数问题转化为粗糙集中属性重要性评价问题,建立了关于岩爆发生和烈度分级评价的关系数据模型。利用国内外一些重大深部岩石工程实例作为学习的样本进行训练,经过训练后的模型判别估计误判率为0。利用该模型对实际工程项目贵州开磷集团马路坪深埋硬岩矿山岩爆情况进行预测,预测等级与实际结果吻合,说明该模型在研究岩爆预测中具有良好的实用性和有效性。该方法可为深部地下工程岩爆发生可能性及其烈度分级预测提供一种新思路。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

基于案例推理的岩爆预测方法

岩爆的发生受很多因素的影响,K-最近邻是一种简单易行且性能优秀的基于案例的机器学习推理技术.本文提出了基于K-最近邻案例推理的岩爆预测的新方法,该方法通过扫描深部开采中岩爆案例数据库,根据实例近邻性相似度函数,搜索出与预测事件在岩爆发生影响因素上最相似的多个岩爆实例,最后使用投票表决的方式推理预测新的复杂环境下岩爆发生的可能性.南非深部矿山的工程应用研究结果表明,该岩爆预测方法是科学可行的,容易实现且预测精度高,具有良好的应用前景.     

鸡冠嘴金矿深部岩爆倾向性预测

参考目前国内外有关岩爆的研究成果,对鸡冠嘴金矿即将进入深部开采阶段的矿岩进行综合分析,选用具有工程实用价值的岩爆判断准则预测其发生岩爆的可能性,分析岩爆的发生条件及影响因素,进而提出有效的预防措施。     

基于案例推理的岩爆预测方法

岩爆的发生受很多因素的影响,K-最近邻是一种简单易行且性能优秀的基于案例的机器学习推理技术.本文提出了基于K-最近邻案例推理的岩爆预测的新方法,该方法通过扫描深部开采中岩爆案例数据库,根据实例近邻性相似度函数,搜索出与预测事件在岩爆发生影响因素上最相似的多个岩爆实例,最后使用投票表决的方式推理预测新的复杂环境下岩爆发生的可能性.南非深部矿山的工程应用研究结果表明,该岩爆预测方法是科学可行的,容易实现且预测精度高,具有良好的应用前景.     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

应用距离判别法预测煤矿冲击地压危险性

以某矿区为实例,确定了影响该矿区冲击地压的主要地质及开采技术因素,应用距离判别法建立了距离判别预测模型,并利用统计软件对该矿区的冲击地压实测数据进行模型预测,预测效果非常明显。结果表明,建立的距离判别分析模型用于预测冲击地压强度是可行的,可以在实际工程中进行推广应用。     

拉拉铜矿落凼矿区深部地应力场特征及岩爆预测分析

拉拉铜矿位于川滇应力区中部,浅部资源接近开采结束,逐步由露天开采全面转为地下开采,由于其深部开采地质条件复杂,落凼深部矿区将面对开采过程中的地应力问题。以拉拉铜矿落凼矿区深部地应力场特征为研究对象,开展了10个钻孔的应力解除法地应力测试、22组围岩室内物理力学测试,结合国标法、Barton法及陶振宇法3种应力判据完成了深部开采区域的岩爆预测分析。结果表明：地应力值浅部离散分布,深部线性增长;最大主应力方向整体离散;岩爆程度随深度逐渐增大,浅部离散分布,深部逐渐集中,东区1780m标高可能出现强烈岩爆的现象;结合矿区断层及测试点分布特征,指出矿区断层及地层对地应力测试结果的影响,为该类金属矿山深部灾害预防及安全开采提供有益的参考。     

深井大规模矿床开采岩爆控制策略研究(2015-6增刊)

随着大规模矿床的开采,在高应力作用下,不断的产生破坏性岩爆等灾害,严重制约着这些矿床的正常生产。针对国内矿山即将进入1500m深度的千万吨级生产规模,本文对深井大规模矿山的采矿战略进行了研究,制定了深埋大规模硬岩矿床采矿的工作程序。设计阶段要遵守原则,如井下工程布置,采矿方法选择,实时监测系统布置等;生产阶段主要致力于日常矿山微震风险的管理工作,建立微震监测系统,调查破坏事件,分析应力场变化规律与预测风险区域,最终采取针对性的支护技术,合理安排出矿计划和特定工作环境下作业人员技能的培训等应对策略。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。     

鄂尔多斯深部典型煤矿冲击地压发生机制与防治实践

鄂尔多斯矿区深部多个工作面发生破坏性冲击地压事故,被列为该地区煤矿开采的主要灾害,影响的煤炭产量占该地区总量的近1/3.采用理论、 试验和实测等综合方法,系统研究了冲击地压类型及发生机制,提出防冲关键对策.针对矿区深部开采典型条件,提出基于应力优化减冲和应变控制防冲技术原理的"采前、 采中、 采后"防冲技术对策,并在现...     

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI_1,RCI_2,RCI_3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。     

基于“协同开采”理念的深部磷矿岩爆防控研究

随着浅层磷资源的逐步枯竭,磷矿山企业逐步转向深部开采,然而深部磷矿开采中的岩爆灾害突出,对井下人员和设备造成了严重的安全隐患。以某磷矿深部开采中呈现的岩爆现象为例,结合工程开挖环 境与开挖工况,引入“协同开采”理念,从应力转移、应力防控和岩性改善的角度对深部磷矿岩爆防控进行了研究。结果表明,①井下岩爆主要表现为开拓巷道掌子面附近的即时型岩爆和巷道交叉处及采区矿柱中上 部的滞后型岩爆;②对采场切割巷道掌子面附近采取“品”字形错位布置和泄压挂网的主动防护方式,可有效降低岩爆产生烈度和岩爆发生次数,并对岩爆瞬间飞溅碎屑进行阻拦;③通过优化矿区尺寸,采用间隔错 位开采方式优化回采工艺,并进行采区充填,可有效降低开挖引起的采区应力集中程度,从而在控制工程成本的同时降低作业现场安全隐患程度。基于“协同开采”理念的深部磷矿岩爆防控思路的提出,对于确保磷 矿深部安全高效开采具有一定的借鉴意义。     

岩爆等级预测的PCA-OPF模型

为了高效准确预测岩爆烈度,将主成分分析(PCA)和最优路径森林(OPF)算法相结合,选取岩石单轴抗压强度、应力系数、脆性系数、弹性能量指数以及完整性系数这5个指标建立了岩爆预测的PCA-OPF分析模型。通过SPSS软件对国内外50组岩爆工程实例数据做主成分分析,依据方差累计贡献率得出3个主要影响因素,作为输入因子对OPF模型进行训练、评估、测试。试验结果的平均预测准确率可以达到91.25%,对比于其它数学模型,PCA-OPF模型预测准确率更高且更稳定,表明PCA-OPF模型在岩爆等级预测中有较好的实用性,可作为一种新的岩爆等级预测方法。