锚杆支护设计的神经网络分析法

神经网络是人工智能一个重要分支。本文将神经网络ＢＰ网络法应用于锚杆支护决策分析。工程实例表明，用神经网络方法确定锚杆支护形式与参数，方法新颖，确实可行。     

基于人工神经网络的煤巷锚杆支护设计研究

基于人工神经网络原理,构筑锚杆支护设计多级人工神经网络,在围岩分类的基础上,进行煤巷锚杆支护形式和参数优化设计,应用结果表明,该方法操作简便,可靠性高,具有先进性,有较高的实用价值和广阔的应用前景。     

锚杆技术参数分析

本文从锚杆强度、配套性、调心功能、快速安装和经济等方面对锚杆的技术参数进行分析，指出发展高强度、超高强度锚杆在技术上合理、经济上合算。     

爆力锚杆与爆力锚固支护

介绍一种新型锚固支护方法，对一爆紧爆力锚杆进行了结构分析，介绍了其应用方法，并对各类锚杆进行了经济技术指标对比，证明了爆力锚固支护的优越性，是一种值得推广应用的支护新手段     

高强度锚杆

分析了国内外锚杆强度的现状和我国存在的差距，从巷道锚杆支护岩强度经化理论出发，提出了对锚杆力学性能的基本要求；介绍了圆钢杆体可伸第锚杆，螺纹钢高强度锚杆，螺纹钢超高强度锚杆的特性，加工工艺及技术经济分析。     

锚杆对巷道的维护

锚杆对巷道的维护１前言太平洋煤矿的顺槽巷道掘进，目前采用美国制造的连续采煤机和梭车组合，每年掘进进尺约１６００ｍ。另外．巷道支护采用矿山用Ｉ型钢的拱型支架。随着采掘区域的深部过度，目前，采掘地点的最深部达海平面下约－６６０ｍ。因此，该支护用的拱型架，...     

螺纹钢树脂锚杆在回采巷道中的应用

阐述了回采巷道锚杆支护机理和树脂锚杆的锚固形式。从粘结力和结构阻力两个方面,对螺纹钢锚杆的锚固性能进行了综合分析。     

煤巷锚杆支护技术的发展

总结煤巷锚杆支护技术管理经验,从矿区煤系、煤层和地质条件入手,论证锚杆支护机理和可靠性。分析锚杆支护方式、支护结构及支护参数的选择依据,提出今后技术攻关方向及目标。     

软岩巷道锚杆支护研究新进展

以大量实测资料为依据，分析了国内外软岩巷道锚杆支护的技术现状和特点。通过定量分析，认为我国目前软岩巷道锚杆支护的主要技术问题是锚杆支护系统支护强度不够。考虑软岩巷道围岩变形特点，提出我国发展软岩巷道锚杆支护的技术关键是：提高系统强度以控制围岩变形，提高支护系统柔性以适应围岩变形。其中提高支护系统强度控制围岩变形更为重要最后，提出了我国发展软岩巷道锚杆支护的技术途径。     

矿块品位计算的神经网络方法

针对露天生产矿山分层矿块品位的计算，运用误差反向传播算法的人工神经网络方法建立了矿块品位计算的B—P神经网络模型，应用该模型对某露天矿1080m水平的矿块品位进行了计算，结果表明B—P网络模型用于矿块品位计算具有客观性和实用性。     

电机轴向磁拉力在平衡水泵轴向力中的应用

水泵在给水的过程中,由于叶轮前后盖板不对称而产生轴向力,其影响电机周转工作的稳定。电机轴向磁拉力,经合理设计,可以成为一个能平衡电机轴向力的动反力,用来解决电机运行中的轴向力不平衡问题。通过设计试验,电机在轴向位移6 mm以内,平衡3 655 N以内的轴向力,可以满足电机日常负荷下的工作需要。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

角接触向心轴承轴向力计算方法分析

介绍了角接触向心轴承的结构与受力特点,分析了轴承轴向力的2种计算方法,指出了同时依据轴系装配图和轴承受力图计算轴承轴向力的不足,以及仅仅依据轴承受力图计算轴承轴向力的优点,对轴承设计工作中的最优设计方法和高等教育教材中的最优讲解方法提出了建议。     

基于GA-SVM的深水群桩基础桩顶轴力预测

对深水群桩基桩轴力进行精确地预测是评价基础安全稳定性的重要考量依据,由于深水群桩基础的受力状态与群桩基础所处的环境呈现出复杂非线性关系。该文在某大桥运营期原型监测数据的基础上,引入遗传算法优化支持向量机模型,深入分析影响基桩轴力变化的环境因素,建立了多因素基桩轴力预测模型,并将预测结果与传统SVM模型、RBF神经网络模型进行对比。研究表明,与SVM、RBF的预测结果相比,GA-SVM模型预测精度更高,在轴力变化不同的四根桩上预测都很稳健,具有更强的泛化能力,在大型深水群桩基础的轴力预测中具有一定的工程应用价值。     

用于钢丝绳断丝定量识别的神经网络模型参数优化

建立了钢丝绳断丝定量识别的BP神经网络模型,重点从网络输入特征值的分析与优化、网络训练集与测试集的合理选择、网络训练目标的确定3个方面讨论了优化神经网络参数与性能的方法。经实际网络的训练及测试,证明了合理参数的选择改进了网络性能,提高了钢丝绳断丝定量识别的精度,具有实际工程意义。     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析，建立了基于瓦斯涌出量预测的BP网络应用模型，采用Delphi编程语言，预测了瓦斯的涌出量，并结合实例进行了验证。     

基于人工神经网络技术的隧道地表沉降预测

对采用人工神经网络技术预测隧道地表沉降模型中进行了研究。采用MATLAB系统开发了一个多层反向传播神经网络模型,考虑了隧道的深度、隧道的直径、地下水位、土的弹性模量、土的剪切强度、土的侧压系数、土的重度和开挖间隙对地表沉降的影响。用世界多个隧道的地表沉降数据作为样本对模型进行了训练和测试。结果表明,利用该神经网络预测的沉降值与实测值比较吻合。     

采用BP神经网络和挤压形状因子 预测挤压力与挤压出口温度

结合数值模拟和BP神经网络, 研究了挤压形状因子对挤压过程中挤压力和挤压出口温度的影响规律。采用DEFORM-3D软件模拟了14组不同挤压形状因子的镁合金型材挤压变形过程, 得到挤压力和挤压出口温度变化曲线。采用MATLAB软件建立了挤压力和挤压出口温度预测BP神经网络, 选取5组数值模拟结果作为训练样本, 以挤压形状因子和挤压行程为输入变量, 挤压力和挤压出口温度为输出变量, 对网络进行训练。采用训练后的网络对训练样本以外的4组挤压形状因子下的挤压力和挤压出口温度进行预测, 结果表明预测得到的结果与数值模拟得到的结果相吻合, 最大误差小于2%。     

基于改进BP网络的煤岩界面自动识别

本文介绍了煤岩界面识别的BP神经网络方法,探讨了影响网络训练的若干因素,对BP算法加以了改进,使得其性能有所提高,收敛速度加快,对推广煤岩界面识别有重要的意义。