露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。     

小波神经网络在矿山变形监测分析中的应用

为了减少矿区塌陷的发生,利用GPS对矿山地表岩移进行了监测分析。为了提高岩移观测数据的预测精度和可靠性,文中采用小波神经网络方法对监测数据进行训练、预测,成功预测出了未来一期的地表移动变化。结果表明,小波神经网络具有良好的函数逼近能力,能够反映出要素之间的非线性关系,预测数据可靠。     

基于小波分析的灰色预测法预测边坡变形

通过分析小波理论和灰色模型的各自特征,提出了基于小波分析的灰色预测模型。即先用小波滤波法对监测数据进行去噪处理,之后再建立灰色预测模型进行预测,该方法可有效地提高预测精度。     

灰色系统理论在矿山边坡变形预测中的应用

为保证露天转地下平稳过渡,需对-30 m水平挂帮矿进行开采,而西南边帮的稳定确保挂帮矿的顺利开采,因此基于杏山铁矿复杂的地质条件和矿区在露天转地下条件,对西南帮边坡变形破坏规律进行了分析。在分析西南边坡变形破坏规律的过程中,主要运用灰色系统理论建立了杏山铁矿GM(1,1)预测模型,应用该预测模型对杏山铁矿边坡实际监测数据进行了分析,并将其结果与现场监测数据进行了对比分析,说明其变化趋势与监测结果基本一致,验证了GM(1,1)预测模型的可靠性,为模型后期的预测提供了理论依据。     

基于小波神经网络的瓦斯涌出量预测

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波神经网络的权值学习中。仿真试验表明,提出的基于小波神经网络预测模型与传统的BP神经网络的预测模型相比,其预测值更为准确。     

回归分析与抗差卡尔曼滤波协同下大型边坡短期变形的预测方法

由于边坡滑移影响因素众多,无法建立精确的动力学模型,因此利用传统抗差卡尔曼滤波模型进行边坡短期变形预测十分困难,无法满足大型边坡高精度的预警需求。建立回归分析与抗差卡尔曼滤波协同下大型边坡短期变形预测模型,利用拟合值代替含粗差数据进行滤波预测运算,解决了卡尔曼滤波缺乏对粗差的抗干扰性问题。利用金堆城露天钼矿大型边坡监测数据开展工程案例研究,结果表明2种预测模型都是有效的,但回归分析与抗差卡尔曼滤波协同下大型边坡短期变形预测模型精度和抗差性2个指标都优于传统抗差卡尔曼滤波模型。     

降雨和库水位影响下水库边坡变形的RBF神经网络预测

在总结前人研究成果的基础上,对影响水库边坡变形的主要因素进行分析,指出降雨和库水位是影响水库边坡变形的两个主要因素。通过未考虑和考虑降雨及库水位条件下的水库边坡RBF神经网络模型预测结果对比,指出考虑降雨和库水位的水库边坡预测模型由于能够刻画边坡变形的实质,因此能够很好的对边坡变形进行预测,在边坡变形预测方面具有良好地应用前景。     

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。     

基于GM(1,1)模型的老鹰嘴边坡位移变形预测

边坡的位移变形反映了边坡所处的稳定性状态,因而有效地预测边坡位移可以作为避灾防灾的依据,从而降低地质灾害造成的经济损失。以四川黄山石灰石矿山老鹰嘴边坡位移监测数据为样本,基于GM(1,1)模型建立了老鹰嘴边坡位移预测模型。研究表明,初始预测模型精度较低,通过残差修正,模型等级从Ⅳ级提升到Ⅱ级及以上,得到的位移预测值与实测值的变化趋势更加相近;模型预测序列长度对预测结果也具有影响,通过模型优化研究,得出模型的最佳序列长度为20。