基于极限学习机的煤矿瓦斯涌出量预测研究

为有效挖掘煤矿瓦斯涌出量数据的非线性特征,及时消除煤矿瓦斯安全风险,降低瓦斯灾害的发生概率,建立了以极限学习机算法为核心的煤矿瓦斯涌出量预测模型.同时,为验证其鲁棒性及优越性,引入BP神经网络模型进行对比分析.研究结果表明,基于ELM的煤矿瓦斯涌出量预测模型能够对煤矿瓦斯涌出量数据特征进行良好的描述,且各项对比指标均优...     

核极限学习机在浮选回收率中的研究与应用

浮选回收率是浮选过程中重要的生产指标。需要通过人工检测得到的浮选回收率,可知性具有较大的时间延迟,使工人不能及时有效地对生产做出相应控制调整。由于浮选过程相当复杂,变量维数高、关联性强、噪声大、检测信号不完备等因素,难以建立较精确的回收率预测模型。然而,人工智能与机器学习技术能在机理不清楚、信息不完备的情况下,对复杂系统建立基于数据驱动的经验模型。因此,本文为提高回收率检测的及时性、有效性,在分析浮选过程相关因素影响的基础上,提出基于核极限学习机建立浮选回收率的预测模型。仿真实验结果表明,该建模方法可有效辨识浮选过程中,输入数据与回收率测量值之间的非线性关系,且具有更高的预测精度与训练性能。     

基于改进极限学习机的煤与瓦斯突出预测研究

为提高煤与瓦斯突出预测的准确率和效率,提出了一种基于数据预处理的多策略改进烟花算法(IFWA)优化极限学习机(ELM)的煤与瓦斯突出预测模型。首先,针对于非线性多维特征数据,使用灰色关联度分析(GRA)进行特征选取,利用主成分分析(PCA)进行特征约简,将数据预处理后的数据指标作为模型的输入;其次,引入引力搜索算子和混合变异策略改进烟花算法(FWA)易陷入局部最优的问题;最后,利用IFWA对ELM的输入层到隐含层的权重和偏差进行优化,构建最优的煤与瓦斯突出风险预测模型。结果表明,IFWA-ELM模型的RMSE和R²可达0.074, 0.968,与ELM、GA-ELM、PSO-ELM和FWA-ELM模型相比均有所提升,IFWA-ELM模型对煤与瓦斯突出危险等级预测的准确率可达100%,具有更好的收敛速度和预测精度。研究成果可为煤矿瓦斯突出多数据融合预测提供可靠的理论依据。     

基于SSA-BP神经网络爆破参数优选试验研究

为实现矿山快速准确地选取爆破参数,提出了一种基于麻雀搜索算法(SSA)来优化BP神经网络的数学模型,以抗拉强度、弹性模量、内摩擦角等6项影响矿岩可爆性因素为输入因子,以炮孔间距和炸药单耗为输出因子,基于训练样本建立参数优选模型。以辽阳宏盛镁矿为例,通过优选得到了该矿的爆破参数孔底距为1.5 m,排距为1.2377 m,炸药单耗为0.1603 kg/t。实践证明,此模型有效改善了传统BP神经网络收敛速度慢、精度相对较低等缺陷,相比经验公式得到的炸药单耗降低了27.2%,大块率控制在5%以内,优选的爆破参数能够取得良好的爆破效果。     

基于RBF神经网络的爆破参数优选

为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数：排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。     

基于BP神经网络的爆破参数优选

为了得到最优的矿岩爆破参数, 提出以矿岩的容重、弹性模量、抗拉强度、抗压强度、摩擦角及粘结力为输入因子, 炮孔排距、孔底距及一次炸药单耗为输出因子, 并以国内爆破工艺类似、效果良好的矿山为样本来建立BP神经网络模型进行优选的思路。以石人沟铁矿上向扇形中深孔爆破参数选择为例, 优选出的参数适用于矿岩条件, 爆破效果良好。这种思路也可用于使用其它爆破工艺的矿山, 具有广阔的应用前景。     

基于极限学习机的煤自然发火预测研究

针对煤层自然发火的预测问题,以标志气体分析法为基础,提出了一种基于极限学习机的煤自然发火预报模型,该模型将直接构造出指标气体浓度与煤层是否自然发火之间的非线性映射关系,从而实现对煤层是否自然发火的识别分类。     

基于人工神经网络的中深孔爆破参数优选

为了得到合理的中深孔爆破参数,以矿岩的弹性模量、容重、抗拉强度、抗压强度、摩擦角以及黏结力作为输入因子,以炮孔的崩矿步距、孔底距以及炸药单耗为输出因子,以国内爆破工艺相类似矿山的相关数据为训练样本,建立BP神经网络模型进行爆破参数优选。以港里铁矿为工程背景,通过优选和影响因素分析,得到崩矿步距1.67 m,孔底距1.8 m,炸药单耗0.43 kg/t的爆破参数。使用后证明,比原炸药单耗(0.52 kg/t)降低了17.3%。     

基于自适应极限学习机的磨机负荷智能控制研究

磨机在运行过程中具有非线性、大惯性、随机干扰大等特征,采用常规PID方法控制负荷存在一定程度的不适应性。本文提出了基于自适应极限学习机的磨机负荷智能控制方法,通过对磨机运行工艺和运行特性进行分析,设计了磨机磨矿过程的控制策略思路,利用自适应极限学习机构建了磨机控制系统模型,结合黄金分割法寻找磨机最佳负荷,实现了磨机负荷的智能优化控制。应用效果表明,该控制方法能够有效地消除扰动对磨机负荷的影响,主动寻找磨机最佳负荷,使磨机保持稳定运行,具有较好的自适应能力,对提高磨矿效率和改善分级效果具有一定的意义。     

基于在线自适应极限学习机的矿山排土场滑坡预警模型

排土场滑坡是矿山的重大灾害之一,严重威胁着矿山的安全生产,矿山排土场受地质、人为、自然等多种因素的影响,采用单一指标难以准确和有效地预测滑坡变形趋势和安全稳定性,针对此问题本文提出了基于自适应极限学习机的矿山排土场滑坡预警模型。通过将岩土内摩擦角、坡角、坡高、容重、孔隙水压力系数和内聚力等指标作为输入单元,以稳定系数作为输出单元,对已有的数据进行训练和测试,应用效果表明该方法的理论计算结果与工程实际状况基本一致,具有良好的适应能力,对提高矿山排土场滑坡预警能力和准确性有着一定的借鉴意义。     

基于极限学习机的采煤机功率预测算法研究

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。     

基于相似理论的中深孔爆破参数优选

运用相似理论推导了柱状耦合药包爆破几何相似准则,得到了其孔网参数的规范化形式,从而揭示了不同孔径下爆破抵抗线间以及不同孔径下炮孔密集系数间的内在相似关系,在此基础上,为某矿山优选了中深孔爆破的参数,并在实践中得到了成功的应用。     

爆破参数的BP神经网络优选及验证

爆破矿石块度大小及其均匀程度是反映爆破效果好坏的关键指标,它不仅直接影响采矿作业后续工序如装载、运输等设备工作效率和磨损程度,还严重影响采矿成本.因此利用BP神经网络对开阳磷矿的凿岩爆破参数进行优选,以排距、孔底距及炸药单耗作为输出结果,以国内同类矿山作为训练样本进行练习,计算得到了最优爆破参数,并根据最优爆破参数进行了现场试验验证,结果显示大块率有了明显的降低,因此这种方法由于良好的发展前景.     

基于改进极限学习机的焦煤惰质组分类方法

为提高焦煤惰质组显微组分分类的准确性,减少对分类器训练的人工干预,提出一种基于改进极限学习机(ELM)的焦煤惰质组显微组分分类方法。首先根据焦煤惰质组各显微组分在光特性及形貌特性上存在的差异及特点,从亮度、纹理等层面分别提取其显微图像中基于灰度统计分布的亮度比、均值、方差、偏度、一致性及峰度等6个亮度相关特征量和基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性及最大概率等5个纹理相关特征量,构建11维初始特征量集,并采用主成分分析法(PCA)对初始特征进行抽取以降低特征空间维数、去除信息冗余;再将奇异值分解引入到极限学习机中,推导利用奇异值分解求解ELM隐含层输出权值矩阵的方法,构建改进的极限学习机。改进后的极限学习机解决了普通的ELM训练中为了求解权值矩阵需要通过大量实验确定参数的问题,有效地提高了学习机的智能化程度。实验结果表明:与支持向量机(SVM)分类方法相比,改进后的ELM方法对分类器训练及样本测试的速度、对焦煤惰质组测试样本分类的准确率均明显提高;与单一的ELM方法相比,改进后的ELM方法分类器的网络训练更加快速便捷,网络隐含层节点数减少近40%,对测试样本分类的准确率进一步...     

光面爆破参数与爆破效果分析

介绍了在实际施工中,光面爆破参数的选择直接影响爆破效果,通过对光面爆破主要参数的分析,结合实践经验,给出了岩石巷道中光面爆破的主要参数值。     

光面爆破参数与爆破效果分析

介绍了在实际施工中,光面爆破参数的选择直接影响爆破效果,通过对光面爆破主要参数的分析,结合实践经验,给出了岩石巷道中光面爆破的主要参数值。     

基于神经网络的爆破参数优化

针对露天矿爆破效果不理想的问题,以马家塔露天矿为依托,利用BP神经网络进行爆破参数优化,采用该矿的实际爆破参数作为样本数据对模型进行了训练。结论:该模型具有很好的容错性,该模型可以根据训练所得结果确定各因素之间权的非线性关系,并以高精度拟合出误差极低的连续性函数关系。     

基于爆破漏斗试验的大直径深孔爆破参数研究

根据利文斯顿爆破能量平衡准则, 在安庆铜矿生产现场, 进行了系列单孔爆破漏斗试验以及变孔距多孔同段爆破漏斗试验。对现场应用的两种炸药爆破漏斗特性曲线、爆破漏斗体积与炸药埋深及其与漏斗半径关系、爆破漏斗的最佳埋深与临界埋深、爆破漏斗的炸药单耗等内容进行了分析研究。据此, 确定了与矿岩条件相匹配的炸药类型, 计算选择了安庆铜矿采矿生产所需的大直径深孔爆破参数, 推荐安庆铜矿1^#矿体深部矿房采场大直径深孔爆破采用MRB乳化岩石炸药, 钻爆设计参数为: 单层药包重量: 中间排孔29～34 kg; 边排孔24 kg。单层药包最佳埋深: 中间排孔1.78～1.89 m; 边排孔2 m。分层装药高度: 中间排孔1.23～1.44 m; 边排孔1 m。分层爆高: 2.5 m。最佳漏斗半径: 1.69 m。炮孔间距: 3.2 m。 单孔控矿面积: 10.24 m²。平均炸药单耗: 0.33 kg ～0.365 kg/t 。