LOO-XGboost模型预测岩石爆破块度

针对小样本条件下使用机器学习方法预测岩石爆破块度存在的数据利用率不足,预测精度存在浮动较大的问题.将留一法(LOO)与极限梯度提升(XGboost)算法结合,利用Python 3.7构建LOO-XGboost岩石爆破块度预测模型,选取31组爆破数据进行LOO-XGboost模型训练与预测,通过调用不同参数,得到模型的最...     

岩石系数A值在预测爆破块度分布中的应用

针对工程要求的多种规格石料级配开采难题,以新疆阿尔塔什水电站的排水料开采为工程背景,采用现场调研、模型预测、参数修正和实验验证等方法,研究了岩石系数A值在预测爆破岩石块度分布中的应用。实验结果表明:通过采用基于实验确定岩石系数A值的Kuz-Ram模型得到的爆破块度预测曲线与实际筛分结果更加接近,相关性更高,比传统的经验取值更准确、有效和可靠;排水料碾压前后的级配对比实验表明,用修正A值指导阿尔塔什水电站排水料的爆破开采是可行且有效的。     

长九神山灰岩矿开采爆破块度预测研究

长九神山灰岩矿是世界上生产规模最大的砂石骨料场,爆破块度直接影响矿山的生产效益.结合现场实际生产,在两个岩体节理发育的采区共进行了11次爆破试验.基于Kuz-Ram爆破块度预测模型计算了爆破后的平均块度,发现平均块度预测计算值与爆破后实测值差异巨大.进而研究了计算值与实际值差距较大的原因,结果表明:岩体结构中节理发育程度、岩石性质是影响块度分布的主要因素,修正的Kuz-Ram模型岩石系数A的计算严重影响预测结果,建议在计算岩石系数A时,不考虑岩石密度的影响.通过现场4次验证性爆破试验数据分析显示,基于Kuz-Ram模型并使用建议修正方法得到的岩石系数,计算得到的平均块度预测值准确性明显提升,相对误差均在10％以下,预测准确性大幅提高.     

基于改进LS-SVR和TOPSIS的FDM多响应优化

针对同时降低翘曲量和缩短打印时间的熔融沉积成型（FDM）多响应参数优化问题,提出一种基于改进最小二乘支持向量回归机（LS-SVR）和逼近理想点决策法（TOPSIS）的优化方法。首先,将打印速度视作函数型参数并使用Bezier曲线对其建模,曲线定义点与喷嘴温度、热床温度和填充率共同作为设计变量,通过超拉丁方抽样进行实验设计。其次,采用基于Fréchet距离改进核函数的LS-SVR建立参数与各响应之间的作用关系模型,使得函数型参数以函数形式嵌入整体模型中。最后,通过带精英策略的非支配排序遗传算法寻优并利用TOPSIS确定最优参数组合。优化结果表明,所提方法与基于Euclidean距离的LS-SVR和基于标量型参数的LS-SVR方法相比优化效果更好,说明了方法的有效性。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

工程爆破中岩石破碎块度的理论研究

利用爆破流体动力学理论分析，炸药在岩体内产生的速度势量场和速度场，来确定岩石的破碎块度，这样即可以与常用的经验公式相对照，相互补充，以求出其结果更符合实际。     

基于功能驱动的产品价格预测

以最小二乘支持向量机为工具,构建了基于功能驱动的产品价格预测模型.并以诺基亚手机产品价格预测为例,说明了样本功能数据标准化的原则及模型的计算过程.经随机选用2005年度诺基亚两款手机价格预测检验,模型预测误差分别为-11.89%、10.27%.     

基于交叉验证的矿岩爆破块度SVM模型优选研究

为克服传统预测模型凭个人经验随机选择核函数建立SVM的缺陷,基于交叉验证理论,将90个矿岩爆破样本随机切分成10个子集,每次保留其中一个子集作为测试集,迭代训练,通过支持向量机模型参数寻优,得到最优爆破块度预测模型。10次试验结果表明:基于径向基核函数的矿岩爆破块度SVM模型预测性能好,该模型的均方根误差、平均绝对误差的均值分别为0.101、0.0673。同时,基于R语言开发得到了矿岩爆破块度预测模型的程序代码,不仅可以保证预测模型与数据库样本的同步更新,而且为矿岩爆破块度预测模型的可持续性研究提供了技术支持。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

基于灰色关联分析及GA BP模型的岩体爆破块度预测

在土石坝筑坝材料的爆破开采过程中,准确预测岩体爆破块度并进行块度控制,可保证土石坝的填筑质量。结合长河坝工程的过渡料现场爆破试验,采用灰色关联分析法分析影响爆破块度的主要因素,以此选取孔距、不均匀系数等分别作为预测模型的输入、输出参数,并采用遗传算法(GA)优化反向传播(BP)神经网络,建立了预测爆破块度的GA-BP模型。该模型的工程应用结果显示,不均匀系数C_u、曲率系数C_c、分形维数D预测值的平均相对误差分别为5.918%、8.862%、2.867%,且预测级配曲线的线形及走向均与实际结果较为接近,表明预测效果良好。对比GA-BP模型与BP网络的预测结果发现,GA-BP模型预测值的平均相对误差更小,表明总体上GA-BP模型优于BP网络。     

基于PSO优化LS-SVM算法的水电站厂房结构振动响应预测

振动问题是攸关水电站运行安全的重要课题。水电站厂房结构振动主要由水力、机械和电气三大类振源引起,厂房结构与机组之间存在非线性的耦联振动关系。本文依据二滩水电站地下厂房和机组的原型观测数据,首先对机组和厂房结构振动的相关性进行了分析,据此建立了基于粒子群优化最小二乘支持向量机算法的厂房振动响应预测模型,预测结果与实测资料吻合。在此基础上,本文将运行水头作为输入因子引入到智能预测模型中,扩大了该智能预测模型的适用范围,取得了很好的效果。     

深孔爆破岩石破碎块度的控制研究

根据施工前进行试爆取得的爆破参数,建立了岩石破碎块度控制模型.按照工程地质条件和施工要求,对爆破参数进行了优化,取得了满意的控制效果.     

基于PCA-BP神经网络的岩石爆破平均粒径预测

岩石爆破平均粒径的预测对岩石采装及二次破碎具有重要意义,然而常规的神经网络预测岩石爆破平均粒径存在较大的误差。为更加合理准确预测岩石爆破粒径分布,选取台阶高度与钻孔荷载比(H/B),间距与荷载比(S/B),荷载与孔径比(B/D),炮泥与荷载比(T/B),粉因数(Pf),弹性模量(E)和现场块度大小(XB)7个主要影响岩石爆破粒径的因素,并结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的相关性和减少BP神经网络输入数据的特点,建立了基于PCA-BP神经网络的岩石爆破粒径预测模型。以48组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对岩石爆破粒径进行了预测。结果表明:BP神经网络与最小二乘法预测的平均误差分别为15.71%、27.32%,而PCA-BP神经网络预测平均误差仅为9.21%,实现了对岩石爆破粒径的较准确预测。综上所知,PCA-BP神经网络模型为岩石爆破平均粒径预测提供了一种科学、可靠的方法。     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

精确延时对台阶爆破岩石破碎块度影响的数值模拟研究?

为了研究精确延时间隔对岩石破碎的影响,利用有限元软件就不同延时间隔条件对岩石破碎的影响进行了数值模拟研究。研究结果表明:合理设定延时间隔利于台阶顶部岩石破碎块度控制,同时能够改善岩石破碎块度分布情况。通过爆生气体和应力波关系的分析,计算得出的延时间隔和数值模拟结果较为接近;在本次数值模拟中,延时间隔6 ms、抵抗线3 m,即延时间隔和抵抗线关系为2 ms/m情况下有利于岩石破碎。     

飞机复合材料结构损伤的预测方法

针对复合材料结构损伤机理的复杂性,很难准确预测结构损伤状态,本文提出一种基于动态主元分析(DPCA)和最小二乘支持向量机(LS-SVM)相结合的复合材料结构损伤演化预测新方法,并针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用经验模态分解(EMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(IMF),并通过计算各阶IMF分量的奇异熵作为各传感器的特征信息;然后采用DPCA对多传感器的奇异熵进行降维融合,得到融合后的奇异熵特征,再对其采用距离形态相似度方法定义结构健康指数;最后将结构健康指数作为建模数据,创建LS-SVM预测模型,并通过预测模型对飞机复合材料结构健康指数进行预测,其预测结果直接反映了飞机复合材料结构的健康状态。试验验证表明,该方法可有效地实现飞机复合材料结构损伤预测效能,具有很好的工程应用价值。     

爆破应力波的传播及其远区破坏效应研究现状述评

从研究爆破应力波的远区传播机理和确定其破岩效应出发,介绍了爆炸应力波的传播及其破岩效应研究从简单到复杂、从理想化材料到尽可能与现实实际相吻合的材料、从近到远的研究历程,及其各阶段取得成果与不足.认为目前的研究已由过去尽量简化岩性(弹性均质体)和爆源(球状药包),向尽量反应炸药爆炸与装药结构特征、反应岩体现状与本性的方向发展;由以破岩为目的,向爆破后续的安全问题发展.并为研究爆破对保留岩体的影响及其稳定性,提出了今后应加强工作的具体意见.     

A comparative study of just-in-time-learning based methods for online soft sensor modeling

Most traditional soft sensors are built offline and only to be used online. In modern industrial processes, the operation condition is changed frequently. For these time-varying processes, online soft sensor modeling is required, since the prediction result is highly related to other components of the process control system. In the present paper, a comparative study of three different just-in-time-learning (JITL) methods for online soft sensor modeling is carried out, which are based on partial least squares (PLS), support vector regression (SVR) and least squares support vector regression (LSSVR). Different from traditional soft sensors which model the process through a global and offline manner, the JITL-based method exhibits an online local model structure, depending on which the change of the process can be well tracked. Besides, the process nonlinearity can also be addressed under this modeling framework. As a further contribution of this paper, a real-time performance improvement strategy is proposed to enhance the online modeling efficiency of the JITL-based soft sensor. For performance evaluation, two industrial case studies are provided.