共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。 相似文献
5.
为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素:巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。 相似文献
6.
7.
《煤矿开采》2018,(6)
为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。 相似文献
8.
9.
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0.0001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... 相似文献
10.
为最大限度地利用矿区实测地应力数据资料,用BP人工神经网络方法进行了不同深度的岩体初始应力预测。根据金川矿区现有的地应力实测数据资料,说明了该方法的具体应用和计算过程,并建立了拓扑结构为1-12-3的BP神经网络;经过训练以后,用于地应力最大水平主应力、垂直主应力及最小主应力的预测。最后将地应力实测值、回归值、预测值作了对比,预测结果与实测值误差较小(±5%左右),能够满足工程需要。结果表明:只要选取合适的隐层节点数目及最优的网络结构,经一定次数的训练后,BP神经网络具有较高的预测能力;在一定条件下,应用于岩体初始应力研究和工程实践具有可行性。 相似文献
11.
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... 相似文献
12.
研究了不同隐含节点个数、训练函数、转移函数、学习率对BP神经网络预测结果准确性和收敛速度的影响;对比分析了参数优化后的BP模型与径向基神经网络、支持向量机预测模型的结果;并应用某露天矿抛掷爆破作业的实测数据进行了相关实验。实验结果表明:最优BP模型的拓扑结构为10-6-3;最佳的训练函数为LM函数,正切和线性函数的组合为最优的转移函数,最佳的网络学习率为0.77;参数优化后BP模型的最远抛掷距离、抛掷率、松散系数的预测结果与测试样本的标准差最小,分别为9.567 8,0.036 3,0.041 4,即参数优化后的BP模型预测结果最优。 相似文献
13.
利用特制传感器采集磷矿原矿、浮选精矿和尾矿的颗粒表面特征参数,通过BP神经网络对采集数据进行建模处理,利用该模型进行浮选精矿的品位预测,计算结果显示,模型预测值与实测精矿品位绝对误差小于0.5%,能有效地预测磷矿浮选过程精矿品位。 相似文献
14.
利用实测的钻孔扩底灌注桩静载试验数据,用BP神经网络建立桩基沉降量的预测模型,并应用于实际工程的桩基沉降预测,获得了较好的效果.研究结果表明,BP神经网络预测模型可有效预测桩基沉降量,预测精度高,简便易行. 相似文献
15.
地表下沉系数是地表沉陷预计中的重要参数,其取值的精度会对沉陷预计结果产生直接的影响,由于煤矿开采地表下沉系数影响因素众多且因素间存在着不确定性和非线性等复杂关系,从而导致地表下沉系数预测工作极为困难。为解决地表下沉系数难以准确预测的问题并提高预测精度,根据国内35个矿区的实测地表移动观测站数据,构建地表下沉系数预测模型。选取开采厚度、煤层倾角、平均釆深、走向宽深比、倾向宽深比、推进速度、松散层厚度和覆岩平均坚固系数等8个影响因素,采用灰色关联度分析和主成分分析相结合的方法求取地表下沉系数影响因素的组合权重,根据组合权重对地表移动观测站数据中的地表下沉系数影响因素进行排序,获得影响地表下沉系数的主要影响因素,并将主要影响因素作为输入,地表下沉系数作为输入参数,进而提出一种地表下沉系数预测分析的BP神经网络模型。结果表明:松散层厚度、推进速度、平均采深和倾向宽深比的组合权重更大,是地表下沉系数的主要影响因素;由地表下沉系数主要影响因素建立的地表下沉系数BP神经网络预测模型的预测精度高,其绝对误差最小值为3.954%,最大值仅为-6.918%,平均相对误差可以达到7.179%,与实测值极其接... 相似文献
16.
17.
18.
19.
20.
为了验证人工神经网络方法是否可以用于老采空区残余下沉系数的预测,采用L-M BP算法的人工神经网络方法对某矿区的观测站下沉资料进行了残余下沉系数的预测分析,计算出不同观测时间距最大下沉速度时刻之间的下沉系数,以此建立此下沉系数的神经网络预测模型,进而得到残余下沉系数,并与实测得出的进行对比.研究表明:1) 利用已有观测站最大下沉速度之后的观测数据可以解决数据不足的问题.2) 在考虑地质采矿因素的基础上,建立相对与最大下沉速度时刻的下沉系数的神经网络预测模型,以此求取老采空区残余下沉系数.结果表明:用人工神经网络方法进行老采空区残余下沉系数预测是可行的. 相似文献