基于PCA-BP神经网络模型的充填体强度预测

充填体强度预测对矿山充填设计具有重要意义。选取胶砂比、水泥、石灰、石膏及矿渣含量作为充填体强度影响因素,借助主成分分析（PCA）消除自变量间相关性,降低数据维数,再结合BP神经网络具有较好预测性的特点,建立了PCA-BP模型以预测充填体强度。对18组充填体试验数据进行主成分分析,5个影响因子降维为3个主成分,将其作为BP神经网络的输入因子,进而探讨了隐含层神经元个数对充填体强度训练和预测精度的影响,并比较了PCA-BP神经网络、标准BP神经网络和二次线性回归效果。结果表明：PCA-BP模型最佳预测结构为3-7-1;PCA-BP神经网络结果优于BP神经网络和二次线性回归;PCA-BP神经网络训练和预测的最大相对误差仅为3.65%,实现了充填体强度的准确预测。PCA-BP模型为充填体强度预测提供了一种高精度的分析方法。     

基于PCA与BP神经网络的充填管道失效风险评估

为避免传统评价方法中主观因素造成的影响并弥补神经网络在风险预测中的不足,将统计学中的主成分分析法（PCA）与BP神经网络模型进行有机结合,并根据大量有关矿山充填管道系统资料,建立充填管道失效风险评价模型。研究发现,将原始数据经过主成分分析法处理,不仅可以有效地减少模型输入维数,便于消除各指标间的相关性,而且与未经PCA处理的BP神经网络相比,训练收敛速度明显加快,预测结果更加准确。针对某矿山充填管道系统实际情况,利用该模型进行模拟预测的结果与实际情况相符合,证明模型合理。     

尾矿库尾矿沉积特性对坝体稳定性的影响分析

通过Slide软件对云南某尾矿坝在考虑沉积特性或未考虑沉积特性时对其稳定性的影响进行了研究。描述了当前尾矿库在初步设计时没有考虑尾矿的沉积特性的现状,指出采用这种方式建立坝体模型后计算出来的坝体稳定性与实际情况不符。通过在三种条件下尾矿库正常运行、尾矿库洪水运行和尾矿库特殊运行对比分析得出考虑沉积特性的尾矿库坝体稳定性比未考虑沉积特性的坝体稳定性好,同时分析了在考虑沉积特性时对坝体稳定性影响机理,为相关尾矿库的建设运营提供更好的理论基础。     

基于PFC2D对某钨矿尾矿库坝体稳定性研究

尾矿库坝体的稳定性对矿山安全有着重要意义。结合某钨矿尾矿库坝体条件采用PFC2D软件对各土层的微观参数进行了标定,并基于PFC2D建立数值模型分析在洪水位工况条件下尾矿库坝体的稳定性;在模型中设立了监测圆,对强度折减条件下监测圆内部的应力变化情况进行了监测,通过应力变化曲线及模型中颗粒的位移情况,分析了洪水工况下尾矿坝失稳破坏的形态及其发展过程。同时对比分析了PFC2D软件模拟和瑞典圆弧法计算结果,讨论了PFC2D计算出尾矿库安全系数大的原因,为钨矿尾矿库坝体构筑提供数据支撑和理论依据。     

某金矿尾矿库加高扩容的可行性研究

文章通过对尾矿库加高扩容采用细颗粒向上堆坝,需要进行的主、副坝体现状的稳定计算复核,分析了影响尾矿库稳定性的几个因素,包括坝体边坡、尾矿粒度、尾矿库的放矿工艺、坝体内尾矿水的渗出与否、尾矿的渗透固结,提出了治理措施,保证现状坝体稳定的基础上进一步论证了尾矿库加高扩容的可行性.     

BP神经网络在铝电解质分子比预报中的应用

以电解质分子比和影响变量为基础构建了BP神经网络模型,并利用Matlab软件中的函数对数据样本进行了标准化处理,简便地实现了BP神经网络的建立、训练和仿真。结果表明,BP神经网络模型应用于铝电解质分子比的预报是行之有效的。     

申家峪尾矿库三维渗流稳定分析与研究

为确保申家峪尾矿库坝体的安全稳定,根据尾矿库工程地质和水文地质的实际情况,对申家峪尾矿库的渗流条件进行了符合实际情况的假设,并建立了反映主要坝体结构和周边岩体特性的三维有限元模型。通过MIDAS/GTS NX计算软件的数值模拟,分析了尾矿坝终期标高340 m时正常工况下坝体的渗流特性和正常运行条件下的渗流情形;评价分析了尾矿库在终期堆积标高时的渗流稳定性,并为坝体抗滑稳定验算提供了准确的浸润面位置。通过工程分析证明,利用MIDAS/GTS NX计算软件可以较好地模拟尾矿库的渗流特性,对尾矿库的安全生产有一定的参考价值和指导意义。     

基于主成分分析和PSO-ELM算法的排土场稳定性预测模型

针对排土场边坡稳定性分析,提出了一种利用主成分分析法降低数据冗余性、粒子群算法优化极限学习机权值阈值的PCA-PSO-ELM排土场边坡稳定性预测模型。确定了土壤黏聚力、内摩擦角、排土场斜角、地基承载力、地震烈度、降雨和降雪条件、排土工艺以及乱采乱挖状况8个排土场稳定性预测指标,针对100组相应排土场数据,采用训练时间、RMSE值和决定系数R²来评价和对比PCA-PSO-ELM模型与BP神经网络模型、ELM模型和PSO-ELM模型预测结果的有效性。研究结果表明：利用经PCA降维处理过的排土场稳定性样本数据作为输入变量去训练和测试PSO-ELM网络模型,预测值与真实值非常接近,其预测精度和效率不仅高于ELM算法,而且远远优于传统BP神经网络算法。经过PCA法优化的PSO-ELM模型与未经PCA处理过的PSO-ELM模型相比,前者在效率相差甚微的基础上大幅缩短了计算时间,证明了该方法具有一定的实用价值。     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

基于PCA-BP神经网络的LF精炼终点温度预测

为提高LF精炼钢水终点温度控制水平，提出了基于主成分分析（PCA）和BP神经网络的联合方法预测LF钢包炉精炼钢水终点温度。基于冶金理论和实际生产实践，选取了42CrMo钢生产过程的10个对终点温度有显著影响的因素作为预测模型的指标体系，然后借助主成分分析法对样本数据进行处理，得到了7个主成分变量，累计方差贡献率为87.24%，消除了数据之间的关联性，以此为基础，建立了基于PCA-BP神经网络的LF炉终点温度预测模型，该模型预测误差在±25℃时，模型的命中率为98.71%，模型有较好的识别能力，能够达到LF炉生产过程预测终点温度的目的。     

基于GEP的金属矿尾矿坝变形预测模型研究

尾矿坝的变形监测是金属矿山企业生产管理极其重要的环节,针对目前尾矿坝变形预测模型存在不足的现状,论文采用了基因表达式编程（GEP）算法,以Eclipse 为开发工具,通过选择函数集和终止符集、种群初始化、染色体解码、适应度评估、遗传操作等过程,建立了基于GEP - Deep Excavation的尾矿坝变形预测模型,并对某金属矿山尾矿坝监测点位移数据进行了预测; 经与灰色GM（1,1）和BP 神经网络2 种模型试验对比分析,证实了基于GEP 的尾矿坝变形预测模型的可行性和有效性,从而为金属矿山尾矿坝的变形预测提供了一种新方法.      

基于小波分解的尾矿坝浸润线预测方法研究

为了准确预测尾矿坝浸润线的位置变化,结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点,利用小波分解与重构,提出基于小波分解的时间序列指数平滑法和BP神经网络法,采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测,并对其拟合结果进行叠加,实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比,结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比,在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。     

运用理正软件模拟尾矿库坝体稳定性

尾矿库安全运行在矿山企业整个生产过程中有着非常重要的意义,而尾矿库安全运行的关键是尾矿坝的安全稳固。本文选择用极限平衡法中的瑞典圆弧法来分析某铅锌矿尾矿库坝体的稳定性,结合理正软件计算,最终得出坝体稳定性的结论,指出存在的问题,并提出对策措施。     

基于BP网络锌窑渣、水解渣共同熔炼预测系统的研究

本文提出一种基于生产实践样本数据、BP神经训练和嫁接网络对锌窑渣、水解渣共同熔炼进行预测的模型。10组数据所构建的9-16-13-8BP神经网络训练模型,是以锌窑渣、水解渣中各成分作为输入参数,冰铜、烟尘和水淬渣相应成分作为预测目标。建立输入参数和预测目标之间的模拟关系,训练误差为10-4。预测网络是采用训练网络权值、阈值,和相同设计参数,在Matlab的GUI可视化界面中输入各成分的含量,实现各元素成分的预测,误差为10-4,人机交互性强。     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。