基于PCA-GWO-SVM的矿山边坡变形预测

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。     

SVR-Markov复合模型在采空区地表沉降预测中的应用

提出了一种支持向量回归机(SVR)-马尔科夫(Markov)复合预测模型,该模型能够更好地反映采空区地表沉降规律,能够比较准确地预测地表沉降量。通过碾子沟煤矿采空区治理工程监测数据与支持向量回归机-马尔科夫复合预测模型与支持向量回归机模型进行对比,证明马尔科夫复合预测模型能够在支持向量回归机模型的基础上提高采空区地表沉降预测的精度。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于SVR和地震属性的构造煤厚度定量预测

为了提高谱分解和甜面属性组合预测构造煤厚度的精度和可靠性,利用回归型支持向量机(SVR)的非线性处理能力,将SVR和地震属性相结合,研究采区构造煤厚度定量预测方法。在SVR预测模型建立时,以正演模型数据为基础,通过训练和测试获得SVR预测模型的主要参数;结合井旁道数据,建立了采区构造煤厚度SVR预测模型。通过输入实际谱分解属性和甜面属性,定量预测了构造煤厚度。相对于传统地震属性预测来说,本次所预测的构造煤厚度精度较高、误差较小。当核函数类型为径向基核函数、输入为谱分解属性和甜面属性时,预测模型的预测效果最好。由于模型建立时未考虑地震资料信噪比的影响,预测模型不能克服其造成的不确定性。     

基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题,先利用网格搜索法粗略寻优确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,剩下9个作为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更好地预测精度和更高的预测效率,该模型能有效的对边坡稳定性状态预测。     

基于GS-PSO-SVM模型的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型(GS-PSO-SVM model)。为了解决支持向量机参数选取问题,首先利用网格搜索法粗略寻优,确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

成矿有利度的支持向量回归预测

应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法,对成矿有利度进行建模和预测研究,并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系,且比BP神经网络模型具有更高的精度,说明支持向量回归方法用于成矿有利度预测是可行有效的。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

基于改进DE-LSSVM模型的边坡变形预测

针对目前最小二乘支持向量机(LSSVM)在预测算法中存在的不足,通过改变差分演化算法(DE)中的缩放因子个数、杂交概率的个数和变异策略来建立改进DE-LSSVM预测模型,利用某矿山的边坡观测数据。结果表明,基于改进DE-LSSVM预测模型有较优的预测能力。     

BP神经网络在露天矿边坡位移预测中的应用

随着露天矿开采深度的不断增加,矿山边坡高度也不断增加,随之而来的是对边坡稳定的维护与控制的难度大大增加。在全球卫星定位系统(GPS)所获得的露天矿边坡位移监测资料的基础上,应用BP神经网络模型对实测数据进行模拟计算和预测。分析结果表明,模型合理、可靠,精度较高。     

基于FOA-SVR的矿井底板突水量预测模型应用研究

矿井突水是常见的突发性强烈的矿井灾害。为了更好地预防矿井水灾,降低灾害造成的物质损失以及减少人员伤亡,建立了一种基于FOA-SVR的矿井底板突水量预测模型,利用果蝇算法优化支持向量回归机算法(FOA-SVR)选出最优的模型参数。针对底板突水这种非线性、小样本问题,从突水因素中选取水压、含水层厚度、隔水层厚度、底板采动裂隙带深度以及断层落差这5个作为特征因素。然后利用FOA对SVR参数进行优化之后建立FOA-SVR底板突水量预测模型,输出即为需要预测的突水量。结合实例并将该模型的预测结果与SVR模型的预测结果进行对比,结果表明：该模型在预测突水量的精度上比SVR模型更高,具有一定的应用价值。     

灰色系统理论在露天矿边坡岩体变形预测中的应用

通过对灰色系统GM(1,1)模型的介绍,根据某露天矿边坡的实际情况,建立了预测模型并对某监测点空间位移进行了预测,通过与实测数据曲线对比发现模型预测精度较好,可以应用于实际工程。     

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。     

地震作用下矿山边坡永久位移非线性分析

地震作用下矿山边坡的稳定性一直是热点话题,而岩土体非线性强度特征对边坡安全影响更为显著。本文以不同破坏条件下的矿山边坡为研究对象,考虑岩体后缘抗拉强度折减的作用,选取极限分析法中平面应变的对数螺旋旋转机制构建屈服加速度的功能方程,以计算不同坡角、内摩擦角、顶部荷载强度、地震荷载以及张拉折减系数下的矿山边坡的稳定性;采用经典Newmark法对贺州市某矿山项目中典型矿山边坡位移进行推导计算。研究结果表明:考虑非线性破坏对于边坡屈服加速度的影响显著,而顶部荷载加剧屈服加速度的折减;考虑后缘张拉强度折减后矿山边坡的位移可达到传统分析的近2倍。因此,考虑岩土体抗拉强度折减的影响对矿山边坡的抗震稳定性设计至关重要。     

基于叠加马尔科夫链的边坡位移预测研究

针对边坡监测数据的时效性问题,运用叠加马尔科夫链对边坡位移增量进行预测,选取符合马尔科夫链数据要求的位移增量作为预测依据,采用均值-方差法将数据划分为3个状态分级数据区间,并对2019年11月1日至2019年12月30日的60个数据进行分级,得到了不同步长的转移矩阵和均值向量,预测了2019年12月31日、2020年1月1日和2020年1月2日的位移增量分别为2.88、2.84和2.73,预测精度可达到97.3%、89.08%和89.75%,预测精度高、效果好,为边坡位移监测数据发挥预警作用提供了案例支撑,对处理矿山边坡监测数据具有参考意义。     

基于鲸鱼算法优化支持向量机的露天煤矿边坡稳定性预测

边坡的稳定性对露天矿山的安全影响重大,为了快速地对露天煤矿边坡稳定状态进行判断,提出了一种基于鲸鱼算法(WOA)优化支持向量机(SVM)的露天煤矿边坡稳定性预测模型,该方法使用WOA对SVM模型的惩罚系数及核函数参数的取值进行了优化,解决了SVM模型的初始参数值选取困难的缺点。利用WOA优化后的SVM模型对收集到的边坡数据进行预测,并与RF、BP、SVM模型的预测结果进行对比。结果表明,WOA优化后的SVM模型具有更高的预测精度,该模型对确定露天煤矿边坡稳定状态有一定的参考价值。     

基于灰色理论的某露天矿边坡稳定性预报

以某露天矿GPS位移监测数据为依据,建立边坡稳定性灰色预报方案,对比监测值表明,通过灰色理论建立GM(1,1)模型,得出时间响应函数进行位移预测是可行的.由此编写相应预报软件,便于根据监测数据预测边坡稳定性,对现阶段位移数据预测表明,边坡稳定性较好,后期应加强监测和预报,对矿山安全生产和施工具有一定指导意义.     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。