BP神经网络在相似材料研制中的应用研究

针对模型试验中相似材料配制问题,提出了以正交试验作为学习样本对单隐含层BP神经网络进行训练,然后对配制出来的相似材料性能进行预测的方法,以此来缩短相似材料配制周期。随后采用均匀试验对3~20节点数目的单隐含层BP神经网络的预测效果进行了测试,并对测试误差进行了详细的分析,总结了网络节点数目、初始权重阈值对网络预测能力的影响,并对使用单隐含层神经网络对相似材料配比预测的应用提出了建议。     

矿井通风网络最优化评价的BP神经网络模型

从基本指标、辅助指标两个方面确立了包含16项矿井通风网络最优化的评价指标,建立了矿井通风网络最优化评价体系。通过采用样本数据对BP神经网络进行训练,确定隐含层神经元个数,通过对检验样本进行预测,校验BP神经网络。将训练后的BP神经网络模型用于葛亭煤矿、山东新河煤矿、淮南潘一矿通风网络评价,所得结果与矿井通风网络的实际情况较吻合。分析表明,BP神经网络模型可用于对矿井通风网络进行有效评价,可供类似矿山参考。     

基于优化的BP神经网络地层可钻性预测模型

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。     

煤灰软化温度建模与预测

基于Elman网络建立了煤灰软化温度预测模型,该模型以煤灰成分为输入向量,以煤灰的软化温度为输出向量。为了选取最优预测模型,分别讨论了输入向量维数、隐含层单元数以及激励函数对模型预测结果的影响。使用获得的最优网络模型对测试样本进行测试,结果表明该模型的预测精度高于常规BP网络。由所建最优预测模型可知,存在一个最优的煤灰成分分析数量。     

扩底桩竖向极限承载力的人工神经网络预测

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.     

基于自适应变步长BP法的煤与瓦斯突出预测

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     

遗传算法优化BP神经网络预测上覆岩层破坏范围

对吕梁矿区部分煤矿不同煤层的上邻近层瓦斯卸压范围展开了深入的探究和分析,并提出了遗传算法优化BP神经网络预测上覆岩层破坏范围的模型。通过新旧模型对20组矿井开采情况在训练预测冒落带、裂隙带范围的实际对比,可以发现,优化后的网络模型收敛更快、误差更小、拟合效果更佳。     

安全性预测模型的神经网络方法及其改进的对比研究

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。     

基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

基于PLS-BP神经网络模型的导水裂缝带高度预测

针对淮南煤田走向长壁垮落式采煤法条件下导水裂缝带高度难以精确预测的问题,建立基于偏最小二乘法的BP神经网络模型,提高了导水裂缝带高度的预测精度。首先运用偏最小二乘法对导水裂缝带高度的影响因素进行分析,对原始数据降维处理提取主成分,优化了原始数据,克服了变量间因样本量小而产生的多重相关性影响,并对自变量、因变量具有很强的解释能力。再将提取的主成分作为BP神经网络模型的输入层,导水裂缝带高度为输出层,对网络进行训练。该方法既简化了网络结构,其精度也高于经验公式以及单一的偏最小二乘法模型与BP神经网络模型。     

基于遗传BP神经网络模型的矿区开采沉陷预计

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。     

基于BP神经网络模型的充填体强度值预测

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。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

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。     

基于BP神经网络的煤矿安全管理绩效评价

 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。     

基于气体传感器阵列的矿井可燃混合气体分析

由于气体传感器的选择性差,交叉敏感严重,单一BP神经网络识别方法存在识别能力低,分析误差较大,在非期望节点有噪声输出等难题,影响气体分析的精度和效果。对基于常规BP神经网络的定量分析方法进行了改进,提出一种双层复合神经网络的气体分析模型,并以矿井中常见的H2S,CO和CH4 3种可燃混合气体为实验对象,进行混合气体的定量分析。实验结果表明,基于双层复合神经网络的可燃混合气体定量分析最大相对误差为4.4%,大大提高了定量分析精度。     

改进梯度下降BP算法在地下水位预测中的应用

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。     

硫化矿石自燃倾向性鉴定技术

以BP神经网络为基础,建立了硫化矿石自燃倾向性鉴定模型,模型选用硫化矿石的吸氧量、自热起始温度和比表面积为输入层单元,自燃倾向性等级为输出层单元。运用MATLAB软件对模型进行了实现,将模型应用到硫化矿石自燃倾向性的实际鉴定中,预测结果真实可靠。     

基于遗传神经网络的瓦斯体积分数预测模型

利用改进的遗传算法对传统BP神经网络的隐含层节点个数和网络拓扑结构进行优化,提出利用遗传神经网络预测矿井工作环境中瓦斯体积分数的模型,并结合某矿瓦斯体积分数实例进行仿真试验研究,试验结果与实际比较吻合。     

基于BP神经网络的矿石非计划贫化预测

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。