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。     

综采工作条件下覆岩导水裂隙带高度预测模型优化

准确预测导水裂隙带高度是煤炭防治水中的重要问题,也是保障煤矿安全生产的前提。目前,导水裂隙带高度预测模型存在预测准确性差等问题。在广泛收集各地不同煤矿区综采导水裂隙带发育高度实测数据的基础上,总结前人研究成果,选取采厚、工作面斜长、倾角、采深和硬岩比例系数5个因素建立导水裂隙带高度预测模型。同时,采用因素分析法分析了影响因素的权重,确定主控因素,并建立多元线性回归模型、多元非线性回归模型及BP神经网络预测模型,并对预测模型计算导水裂隙带高度进行准确性检验。以西山矿区实测导水裂隙带高度为例,选出最优模型,对最优预测模型BP神经网络模型进行检验分析,并与“三下”规范经验公式、多元线性回归模型和多元非线性回归模型计算结果进行对比。结果表明,“三下”规范经验公式与实际数据存在失真,已不能指导综采条件下导水裂隙带高度预测,而BP神经网络预测模型误差在10%以内,且绝对误差和相对误差较为稳定,同时该模型降低了因素之间的相关性,提高了预测准确性。因此,BP神经网络预测模型在预测导水裂隙带高度方面具有较好的准确性和应用性。研究成果可为指导矿井现场防治水害的工作提供参考建议。     

导水裂隙带发育高度预测模型对比研究

为了提高导水断裂带发育高度预测的准确性，通过收集以往地质采矿条件相似地区导高实测数据，综合分析取采高、埋深、倾角及工作面斜长4个因素作为算法模型的导高主要影响因子，利用工程探测、机器学习和数值模拟相结合的方法，对采矿覆岩导水断裂的发育特征进行分析研究。通过钻孔试验以及数控摄像技术对浅埋煤层综采条件下的导水断裂带发育高度进行实测；通过构建基于自适应粒子群算法优化最小二乘支持向量机回归算法（APSO-LSSVR）和UDEC数值模拟的导高预测模型，结合实测导高数据确定华宁煤矿覆岩破坏高度计算方法。结果表明：研究区实测导水断裂带发育高度处于60.3～90.6 m；基于APSO-LSSVR算法的导高模型的预测结果与真实值的拟合优度为94.79%，均方根误差为1.652 3，预测的准确性较高，将其应用到研究区不同工作面导水断裂带高度的预测中，该模型与实测数据相比平均相对误差为1.36%，相较于传统UDEC数值模拟预测方法，其准确性相对提高了9.03%。可以看出经自适应粒子群算法优化后的支持向量机模型对于数据特征较小的数据集合处理性能较高，能够较好反映导水断裂的发育情况，可满足实际开采需求；将基于A...     

基于SSA-BP算法的锚护机器人误差补偿研究

生产、装配、碰撞或磨损都会造成锚护机器人末端精度降低，负载工作导致机身变形也会影响末端精度，为降低锚护机器人锚钻误差，高精度完成井下打孔、对孔、支护任务，本文提出了一种由麻雀算法改进BP神经网络(SSA-BP算法)的误差补偿方法。首先，利用旋量法搭建误差模型，并采用虚拟样机验证误差模型的正确性；其次，搭建末端位姿误差预测模型，实现对误差的预测和补偿；最后，通过SSA-BP算法、BP算法和PSO-BP算法三种补偿法的对比仿真，证明了SSA-BP算法的补偿精度更高、稳定性更好。经过试验验证，锚护机器人末端误差可降至10 mm以下，精度提高了80%。由此可知，SSA-BP算法在锚护机器人误差补偿方面有着优秀的准确性、优越性和可行性，为矿山安全开采提供了高效保障。     

基于ANN的煤层顶板导水断裂带高度预测

为预测煤矿顶板导水断裂带的最大高度，分析了顶板导水断裂带发育的影响因素，提取了10个指标形成裂高预测指标体系，并收集整理了近10 a来我国24项裂高观测数据，建立了样本数据库.基于BP人工神经网络的理论及方法，建立了煤层开采工作面顶板导水断裂带高度预测模型，模型检验成功.依据计算权值，分析了各指标对裂高的影响程度，提出工作面倾斜长度、埋深对裂高影响较大并加以解释.     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

基于SSA-BP神经网络的概率积分法预计参数求取研究

为解决BP(Back-ProPagation,BP)神经网络求取概率积分法预计参数出现的局部最优解和收敛速度慢的问题,采用麻雀搜索算法(Sparrow Search Algortihm,SSA)优化BP神经网络的结构,得到最优的权重值和偏置项,建立了基于SSA-BP神经网络的概率积分法预计参数求取模型。结合50组典型的实测数据,随机抽取45组数据输入SSA-BP神经网络模型进行训练,剩余数据输入训练好的模型求取概率积分法预计参数,并与实测数据对比,分析SSA-BP神经网络模型和BP神经网络模型的优劣;通过改变训练样本和测试样本的数量,讨论模型精度与训练样本数量的关系。研究表明:(1) SSA-BP神经网络模型预计下沉系数q、水平移动系数b、开采影响传播角θ、主要影响角正切值tanβ和拐点偏移距s/H的平均绝对百分比误差分别为1.33%、3.48%、0.49%、3.86%和9.33%,BP神经网络模型的相应取值分别为8.05%、7.34%、3.33%、9.82%和19.60%,可见前者求解精度更高。(2)两种模型求取的预计参数均与实测数据较接近,SSA-BP神经网络模型最大相对误差为21...     

滕州矿区3#煤综放开采顶板导水断裂带高度预测模型北大核心

为精确预测滕州矿区山西组3#煤综放开采顶板导水断裂带发育高度,以滕州矿区18个采煤工作面导水断裂带高度和各主控因素实测数据为基础,运用SPSS软件对采厚、采深、煤层倾角、走向长度、倾向长度、顶板厚度6个因素进行相关性分析,并构建了导水断裂带高度多元线性回归预测模型;以藤县煤田4个工作面为例,分别采用“三下规范”公式、中国矿业大学(北京)总结经验公式和回归模型对导水断裂带高度进行计算并进行误差分析对比;借助UDEC数值模拟分析进行辅助验证。结果表明:本模型预测值与实测值更接近,较经验公式计算结果精度更高,误差基本控制在8%以内,提高了预测精度。     

基于人工神经网络技术的综放导水断裂带高度预计

在对综放开采条件下导水断裂带发育规律分析的基础上，将基于非线性理论的人工神经网络技术用于煤层覆岩破坏高度的预测，选取采高、基岩柱厚度、倾角、顶板单轴压强度、泥岩比例和覆岩结构6种因素作为导水断裂带预测模型的影响因子，建立导水断裂带高度预测模型，并在我国首个海域下综放工作面加以应用.     

大采高开采条件下导水裂隙带发育高度预测研究

为了提高大采高开采条件下导水裂隙带高度预测准确度,结合BP神经网络模型,通过进行导水裂隙带高度影响因素的主成分分析,建立了以采高和岩性为主要影响因素的BP网络导水裂隙带高度预测模型,并通过实例对模型效果进行了验证。     

基于ISSA-FNN的采煤机健康状态评估

为了准确地评价采煤机的健康状况,提出一种改进麻雀搜索算法（ISSA）优化模糊神经网络（FNN）的评估模型。针对麻雀搜索算法（SSA）的不足,引入精英混沌反向学习策略生成初始麻雀种群,提高算法收敛性能,采用柯西高斯变异策略提升种群多样性保持能力和局部空间逃逸能力。实验表明,所提方法提高了FNN的收敛精度和泛化能力,ISSA-FNN在采煤机健康评估中优于SSA-FNN与PSO-FNN模型。     

鄂尔多斯盆地深部煤层开采导水断裂带发育特征

鄂尔多斯盆地多数煤矿主采侏罗系煤层,开采条件具有大采高、大采深的特点,顶板含水层众多并严重威胁矿井安全,开展侏罗系煤层上覆顶板导水断裂带高度的研究尤为重要。以鄂尔多斯某矿为例,通过理论计算、数值模拟以及相似类比法等手段,对采空区顶板的导水断裂带的发育高度和裂采比进行预测分析。结果表明:裂采比为22.07,导水断裂带发育高度大约为154.48 m,类比所得拟合公式所预测该矿的导水断裂带高度与理论计算值误差较小。     

基于混沌优化神经网络的冲击地压预测模型

为了改进BP神经网络用于冲击地压预测的精度和泛化能力,利用BP算法和混沌优化算法优缺点的互补性,构建了一种组合式优化预测模型（COBP）.将该模型应用于重庆砚石台煤矿冲击地压的预测,结果显示,该模型既利用混沌优化帮助BP算法克服了易陷入局部极值的缺点,又利用BP算法克服了基本混沌优化局部搜索能力有限和有时不能搜索到全局最优的缺陷.     

数值模拟在煤层导水断裂带分析中的应用

为研究煤层采空区上方导水断裂带高度,检验计算机模拟在导水断裂带高度计算中的效果,以古窑煤矿1202(1)回采工作面为研究背景,通过现场调查、理论分析计算、FLAC~(3D)数值模拟以及现场钻孔实测得出了1202(1)回采工作面导水断裂带高度,运用"上四带"理论得出导水断裂带高度为60 m,与实际测量数据62.18 m误差仅为3.51%,运用FLAC~(3D)数值模拟得出的导水断裂带高度为58 m,误差为6.72%,与实测结果相符合。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

基于BP神经网络的导水裂隙带高度预测研究

在对复杂地质及水文地质条件下开采形成的导水断裂带发育规律分析的基础上,将基于非线性理论的人工神经网络技术用于导水裂隙带高度的预测.选取了顶板岩性、顶板抗压强度、覆岩类型、倾角、覆岩厚度、泥岩比、煤层采厚等因素作为导水断裂带预测模型的影响因子,建立了导水断裂带高度的预测模型.取得了较好的效果,准确判断了煤层开采后导水裂隙带的发育高度,为煤矿合理设计开采方式方法提供了重要的参数依据和技术支撑.     

基于支持向量机的导水裂缝带高度预测模型

文中研究并建立了基于支持向量机(SVM)的长壁冒落开采条件下采空区顶板导水裂缝带高度非线性预测模型。首先分析了影响导水裂缝带高度的因素,搜集多个矿区的导水裂缝带高度实测资料作为训练和测试样本,将SVM模型与BP神经网络模型(BP-NN)的预测结果进行对比分析。结果表明:SVM的预测精度和稳定性相比BP-NN有较大提高,综合反映了采空区顶板导水裂缝带高度与地质采矿条件的非线性关系,是导水裂缝带高度预测的一种新思路,值得进一步研究和推广。     

基于ANN导水裂隙带高度预测的过程优化

分析了影响导水裂隙带高度的因素,并将其分为主要因素和次要因素,构建了导水裂隙带高度影响因素体系。采用BP神经网络模型,并选取煤层厚度、顶板岩性、煤层倾角、覆岩硬度、工作面斜长、推进速度、岩体碎胀性作为主要因素用于导水裂隙带高度的预测,为了简化预测模型,加快计算速度,在确定的采矿地质条件下可忽略次要因素。预测结果表明,简化的BP神经网络模型能够满足导水裂隙带高度预测的准确度需要,该预测方法可为水体下采煤提供一定的技术指导。     

基于PCA-SAPSO-BP神经网络的瓦斯涌出量预测研究

为提高煤矿井下瓦斯涌出量预测效率和准确性,针对瓦斯涌出量影响因素的多重相关性、复杂性问题,提出使用主成分分析法对影响因素进行降维处理,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,引入退火粒子群算法优化BP神经网络的权值和阈值;利用Matlab软件编写并构建了PCA-SAPSO-BP神经网络耦合算法对瓦斯涌出量进行预测;选取开滦钱家营煤矿瓦斯涌出量及其影响因子数据作为样本,使用BP神经网络模型、PSO-BP模型和SAPSO-BP模型对样本进行预测。结果表明：PCA-SAPSO-BP神经网络模型的预测平均相对误差为1.06%,PCA-PSO-BP模型为2.20%,PCA-BP模型为3.00%,SAPSO-BP模型为1.61%,PSO-BP模型为2.81%,BP模型为3.98%;预测模型的归一化均方误差为0.002 5,希尔不等系数为0.005 5,平均绝对误差为0.07 m3/min,判定系数为0.997 5,证明PCA-SAPSO-BP神经网络模型提高了BP模型瓦斯涌出量的预测精度。