共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
3.
基于优化的BP神经网络地层可钻性预测模型 总被引:1,自引:0,他引:1
提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。 相似文献
4.
5.
建立了一个预测扩底桩单桩竖向极限承载力的BP神经网络模型.该模型以桩长、桩径、扩底高度、扩底直径以及桩周土体参数为输入层神经元,经过30个扩底桩资料的训练,并以另外9根桩对网络进行检验.预测结果与实测结果较为吻合,表明BP神经网络在扩底桩单桩竖向极限承载力预测方面是有效的. 相似文献
6.
为准确预测矿井煤与瓦斯突出的危险性 ,本文基于反向BP神经网络提出了一种改进的自适应变步长BP网络模型 ,加快了BP网络的收敛速度。实际应用效果表明 ,该模型具有收敛速度快、准确性高、可靠性和实用性强等特点 ,是一种有效的煤与瓦斯突出危险性预测方法 相似文献
7.
8.
指出了对煤矿安全性指标进行合理预测的传统预测方法存在的不足,提出了应用人工神经网络建立BP网络及其改进模型的预测方法,并通过基于时间序列的实例比较了BP网络及其改进模型的预测结果。结果表明,用神经网络改进方法进行安全预测效果较好。 相似文献
9.
10.
11.
基于遗传BP神经网络模型的矿区开采沉陷预计 总被引:1,自引:0,他引:1
为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法(Genetic algorithm,GA)对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型(GA-BP)。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型(GA-BP)的训练样本(15个监测点数据)和测试样本(其余10个监测点数据),分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示:遗传BP神经网络模型(GA-BP)具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。 相似文献
12.
在探究充填体强度值大小时为了减少人力、物力的损耗,尝试利用BP神经网络模型对某矿山的四种尾砂材料浇筑的充填体试块进行预测。建立了输入层为8,隐含层为9,输出层为2的BP神经网络模型,并用该模型对某矿山四种不同尾砂材料浇筑的充填体试块进行预测试验。在随机选择的8种试块预测试验结果中,去除误差较大的情况后,充填体27天强度预测平均误差5.8%,充填体60天强度预测平均误差为5%,其中最优预测值与实际偏差值仅为1%。实利了利用BP神经网络模型在不同胶凝材料、不同灰砂比、不同浓度等多个条件下对充填体强度的预测。为其它矿山充填体强度的预测提供一种新的思路。 相似文献
13.
14.
苗明义 《有色金属(矿山部分)》2013,65(3)
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。 相似文献
15.
建立煤矿安全管理绩效评价指标体系,介绍BP神经网络评价法的结构和原理,构建煤矿安全管理绩效评价的BP神经网络模型,对其输入输出参数、各层连接权值和域值进行界定;以matlab6.0软件为平台,利用其内嵌的神经网络工具箱和样本数据对构造好的神经网络进行训练,同时对煤矿安全管理绩效进行预测。 相似文献
16.
17.
改进梯度下降BP算法在地下水位预测中的应用 总被引:2,自引:0,他引:2
本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。 相似文献
18.
19.
20.
为了消除等效线性超挖(Equivalent Linear Overbreak Slough,ELOS)经验图表法估算矿石非计划贫化的局限性,采用BP神经网络算法,以采场稳定指数、水力半径、钻孔平均偏斜量和炸药单耗为输入变量,以量化矿石非计划贫化的等效线性超挖深度为输出变量,建立了隐含层神经元节点数为6的3层BP神经网络预测模型。经过120组样本数据模型训练和样本测试,BP神经网络预测模型的拟合度为0.987 42、均方误差为9×10-5,预测的相对误差约6%,形成了矿石非计划贫化预测方法。应用BP神经网络非计划贫化模型对三道桥铅锌矿试验采场进行了矿石非计划贫化计算。结果表明:基于BP神经网络的矿石非计划贫化计算值为0.717 m,与现场实测值(0.7 m)相比,其相对误差为2.4%,优于经验图表法和数值模拟分析法的计算结果(0.80 m和0.55 m),可用于实际矿山的矿石非计划贫化预测。 相似文献