基于BP神经网络与时间序列的滑坡变形预测分析

多种非线性的组合可提高滑坡位移预测的精度。采用BP神经网络模型与时间序列模型来预测滑坡的位移,充分发挥两非线性方法的优点,利用BP神经网络预测滑坡位移中的稳定趋势项部分,并利用时间序列模型预测滑坡位移的残差部分,实现了滑坡位移预测的目的。通过实际工程数据,证明了综合采用两非线性方法可将预测误差控制在3%以内,具有很强的实用性。     

紧邻露天矿的地表移动变形神经网络预测

紧邻露天矿边坡的地表受采剥过程中多种因素耦合的影响,出现移动变形,从而威胁到了毗邻露天矿的工业及民用建筑物的安全使用,为了预测其变形值,通过建立增加动量项的自适应BP神经网络,借助已有样本数据,对网络进行训练、测试,经与目标值对比,其精确度较高。将训练好的网络应用于观测网络的测点预测,得到了其2013年的沉降变形值。该方法对多因素耦合作用的地表沉陷预计具有重要意义。     

基于神经网络算法的多轴式机车运动轨迹优化

为了提高井下机车的运行效率及稳定性,提出一种基于神经网络算法的运行轨迹优化方法。根据机车多轴控制特点,完成了控制系统硬件设计。通过空间轨迹状态的最优控制理论,建立了多目标动态评价函数,将机车在侧翻约束条件下的轨迹要求作为优化目标,与神经网络算法相结合,实现多目标优化。将优化算法应用于Matlab分析,对机车侧向速度、加速度以及横摆角速度进行数值模拟,结果表明,优化后的轨迹可缩短运行时间,并降低运行的波动性,提高控制精度。     

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明：即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。     

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R²分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。     

基于BP神经网络的堆积型铝土矿洗矿流量预测

针对堆积型铝土矿矿床复杂的成矿原因和赋存条件,提出了基于人工神经网络的洗矿流量模型系统,并通过相应的计算机软件运行,用实例检验证明了模型和系统的正确性和实用性.     

灰色关联优化BP神经网络预测工作面瓦斯涌出量

根据义马中部井田瓦斯地质规律,选取埋深、开采强度、开采顺序和煤层厚度作为自变量,瓦斯涌出量为目标量,构建自变量矩阵和参考序列,进行瓦斯涌出量影响因素灰色关联度分析;由于各瓦斯地质影响因素与瓦斯涌出量的高度非线性关系,将各影响因素进行归一化处理,建立优化神经网络预测瓦斯涌出量数值模型,样本训练收敛速度快,误差在0.12%以内,并用此模型对耿村井田深部煤层瓦斯涌出量进行了预测。     

基于粒子群优化神经网络的煤层底板突水预测

阐述了运用粒子群优化人工神经网络建立煤层底板突水预测模型的思路与方法,利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点.实践表明:该方法不仅能更快地收敛于最优解,且预测精度有明显的提高.     

基于动力系统自忆性原理的地下工程围岩变形预测方法

将“动力系统自记忆原理”引入到地下工程围岩位移时间序列预测研究,以量测得到的围岩位移时序数据作为围岩非线性动力学演化模型的一个特解,采用双向差分原理反导出围岩位移非线性常微分方程。以此作为微分动力核,运用自记忆原理建立了地下工程围岩变形预测的自记忆模型、方法和预测程序。将该方法应用于广西铜坑锡矿505 m中段巷道和湖北水布垭电站尾水隧洞围岩位移预测,研究结果表明：围岩位移自记忆预测模型具有较高的预测精度,对不同地下工程围岩时序曲线形态具有较强的适用性。     

基于多元线性回归-BP 神经网络的自移式破碎机生产能力预测

本文在对自移式破碎机系统生产能力影响因素分析的基础上,选取设备运行时间、炸药单耗和电铲作业周期时间作为可量化自变量,以系统生产能力为因变量建立多元线性回归方程,得到系统生产能力的预测模型。对多元线性回归模型预测结果的残差建立BP神经网络模型,利BP神经网络非线性拟合能力对残差进行调整。以某露天煤矿自移式破碎机系统生产数据为样本进行计算,多元线性回归模型预测误差为7％,修正后的模型预测误差为1．42％,预测精度显著提高。     

基于多因素位移时序PSO-SVM的边坡变形预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。针对位移时间序列未能完全考虑环境因素对边坡变形的影响,故将影响边坡变形的有效降雨量加入监测位移时序,组成多因素位移时间序列。引入粒子群算法(PSO)对支持向量机(SVM)的模型参数寻优,结合滚动预测方法,建立了适合边坡变形预测的多因素位移时间序列PSO-SVM模型。以华光潭一级厂房后边坡表面观测位移为例进行预测分析,研究表明,新模型预测结果科学可靠,有效弥补了传统PSO-SVM后期预测泛化能力的不足,提高了模型的预测精度。新模型在边坡位移时序预测中具有一定的工程应用价值。     

基于GIS与BP神经网络的矿区塌陷易发性预测

为了提高矿区塌陷预测的效率及简便性,提出使用神经网络算法进行分析预测。选取水文特征、地质构造、终采时间、覆岩强度、顶板跨度、开采深度、采煤高度、空间迭置层数8个致灾因子作为塌陷易发性的评价指标,并将矿区划分为4个塌陷易发性等级;利用GIS的空间分析功能对各预测数据进行栅格化;并以矿区中部及南部单元作为样本进行训练构建BP神经网络模型,余下的北部单元检验预测效果;结合GIS系统将模型输出结果图像化得到矿区的塌陷易发性分区图。结果显示:神经网络模型在训练过程中达到快速的收敛效果,预测结果和已发生的塌陷基本吻合,适合应用于初期对矿区塌陷的预测。     

基于PSO算法优化的自组织竞争神经网络在煤与瓦斯突出预测中的应用研究

为了提高煤与瓦斯突出预测的准确率和方法的合理性,在分析突出机理的基础上,提出了运用经PSO算法优化的自组织竞争神经网络来预测煤与瓦斯突出的方法.由于影响突出的因素是多方面的,根据可以反映其相互关系最大钻屑量(S)、煤屑解析指标(K1)、钻孔瓦斯涌出初速度(q)和煤的坚固性系数(f)来建立预测模型,并且运用PSO算法对网络权值进行优化.结果表明,该方法结果稳定,准确率高,因此运用该方法来预测煤与瓦斯突出是可行的.     

基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测

为提高煤矿回采工作面瓦斯浓度预测精度,考虑瓦斯浓度受历史状态制约,提出长短时记忆神经网络LSTMNN煤矿回采工作面瓦斯浓度动态预测模型。利用山西省某煤矿回采工作面瓦斯浓度实测数据构建该模型学习训练样本,并检验预测效果。研究表明,LSTMNN算法通过遗忘、记忆过程对过去一段时间瓦斯浓度信息进行筛选,克服传统预测方法将输出值独立看待的短板,提高矿井瓦斯浓度预测精确度及可靠性;将LSTMNN算法预测结果与实测值对比,预测模型平均绝对误差、平均相对误差、均方根误差、纳什模型效率指数分别为0.004 319、0.800 6%、0.005 714、0.436 3。     

基于BP神经网络的覆岩“两带”高度预测研究

为了研究五阳矿采动影响后上覆岩层卸压带高度变化规律,运用BP神经网络预测分析法,以控制"两带"(垮落带、断裂带)高度的开采方法、工作面长度、工作面推进速度、煤层倾角、覆岩性质、回采高度等致裂因子为输入层,以垮落高度和断裂高度为输出层,借助MATLAB6.x神经网络工具箱,构建了"两带"高度BP神经网络结构,经过BP神经网络模型初始化,BP神经网络模型训练及检验,建立可靠的"两带"高度BP神经网络预测模型。利用BP神经网络预测模型与国外经典预测模型对"两带"高度进行预测对比,得出国外的几种计算方法的误差都比较大,"两带"高度BP神经网络预测模型因其具备非线性函数逼近的特征,计算误差较小;以五阳矿3号煤为研究对象,运用BP神经网络预测模型在多种开采环境下对"两带"高度进行了预测,预测结果与实测结果基本吻合,得出开采方法的改变,影响着"两带"高度变化规律,特定的开采方法条件下"两带"高度与采高呈正相关,增长幅度趋缓;卸采比与采高呈负相关;工作面长与"两带"高度、卸采比均呈正相关,且相关性不受开采方法影响,无论何种开采方法,工作面推进速度与"两带"高度均呈负相关性,且推进速度与"两带"高度线性...     

基于多源信息融合的瓦斯涌出量预测方法

提出基于多源信息融合的瓦斯涌出量动态预测是一种传统矿井涌出量预测与现代计算机编程相结合的新的矿井瓦斯涌出量预测方法。这种方法通过矿井实测煤层瓦斯含量、地勘瓦斯含量、K1-p或△h2-p关系曲线、煤巷掘进瓦斯涌出反演煤体瓦斯含量等多源信息融合,得出煤层瓦斯赋存规律和较为准确的瓦斯含量分布图,结合瓦斯含量分布和分源预测法构建同等开采工艺条件下煤层瓦斯含量与瓦斯涌出量数学模型,利用新工作面瓦斯涌出数据和矿山统计法不断跟踪及修正瓦斯涌出量数学模型,形成融合后数学模型,实现对已采区域的瓦斯涌出量目标跟踪和未采区域的瓦斯涌出量动态预测。     

基于经济时间序列预测的露天矿开采境界动态优化

为获得更为优越的露天矿山境界,构建了集经济时间序列预测、矿岩时间属性赋值和动态经济指标计算为一体的境界全动态优化方法。金属价格是矿山境界优化过程中最重要的因素之一,以金属价格历史数据为平台,通过创建合适时间序列模型,对未来价格做出预测,以预测结果为基础,运用L-G图论法生成系列境界方案,根据矿山实际情况编排进度计划,实现矿岩块参数赋值,将预测结果代入到矿岩块体模型中,计算境界净现值（NPV）,经多方案比较确定最优境界。以某铜矿山为例,通过对近50 a伦敦金属交易所（LME）铜精矿季度平均结算价格分析处理,建立了自回归求和移动平均模型（ARIMA）,实现了未来15 a铜价预测,最终确定了矿山经济最优境界。建立于金属价格预测基础上的境界动态优化方法所得方案NPV更接近生产实际,其优化结果可更好为矿山设计及未来生产提供基础支撑。     

基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究

针对矿井风网解算中待掘巷道摩擦阻力系数难以准确实测赋值的问题,构建了巷道摩擦阻力系数BP神经网络预测模型,以双柳煤矿各类巷道摩擦阻力系数实测数据作为训练样本进行学习训练,使预测模型的期望误差达到0.000 1以下。利用该模型对尚未贯通的23(4)13回采工作面的巷道摩擦阻力系数进行预测,将预测结果代入基于斯考德—恒斯雷法风网解算方法构建的双柳煤矿通风网络解算模型中,分别对23(4)13回采工作面贯通后备用阶段和回采阶段全风网风量分布进行了解算,解算结果与现场实测结果之间相对误差小于8%。研究结果表明,利用基于BP神经网络算法的巷道摩擦阻力系数预测模型对待掘巷道摩擦阻力系数进行预测赋值,能够实现风网风量的准确解算。     

基于多目标优化算法的矿井可持续开采模式研究

针对东部资源枯竭型矿井剩余煤炭资源的合理开发以及矿井可持续生产的要求,采用理论分析与实例应用相结合的方法,研究了以矿井动态盈亏平衡点和多目标优化算法为基础的矿井可持续开采模式。通过实例研究表明,基于多目标优化算法的矿井可持续开采模式在满足安全、经济和技术合理的条件下,能够合理协调不同地质条件下煤炭资源的产能结构,满足矿井可持续、高效和相对稳产的开采目标。     

矿用“L”型充填管道的技术优化

分析了"L"型充填管道磨损、堵爆管机理,认为充填料浆在自由下落阶段的冲击是输浆管道磨损的主因,充填料浆在空气-砂浆的交界面处以及垂直管和水平管交界处的管壁容易发生破管事故,垂直管和水平管的交界处容易发生爆管事故。据此提出了"L"型充填管道的技术优化方案并对各部分的原理进行阐述。