基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

基于概率论的爆破振动安全评估与控制

爆破振动速度的预测及振动安全控制一直是爆破施工关注的热点问题。选用基本公式作为爆破振动速度预测模型,基于最小二乘法原理求解参数K,a,b;考虑爆破振动的随机性,定义了爆破振动速度相对误差(REBVV),假设REBVV服从均值为0的正态分布,利用正态分布的传递性,建立了爆破振动速度的分布规律模型;并提出采用广义爆破振动速度相对误差方差来代替爆破振动速度相对误差以提高实测数据的利用率;引入概率论中的置信度水平这一概念,建立了一套爆破振动安全控制与评估模型。取置信度水平为95%,基于建立的安全控制与评估模型给出了依托工程重点控制区段爆破安全施工建议。     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

基于LS-SVR岩石爆破块度预测

为了准确预测小样本条件下露天矿山岩石的爆破块度,并得到小样本条件下预测露天矿山爆破块度的有效方法,借助最小二乘支持向量机工具(LS-SVMlab)构建基于最小二乘支持向量机回归(LS-SVR)预测模型并合理优化模型参数。分别使用15组露天矿山爆破数据和35组爆破数据作为小样本容量和正常样本容量,对模型的预测精度进行检验。结果表明:两种样本容量下LS-SVR预测模型的预测结果精度都比同样本容量下人工神经网络(ANN)回归预测的结果精度更高,说明所提出的LS-SVR模型适用于预测露天矿山爆破块度,并且在小样本条件下更具优势。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

基于最小二乘支持向量机的SOFC电特性建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂的弊端,提出了一种基于最小二乘支持向量机(LS-SVM)的建模方法,用具有径向基函数(RBF)核函数的LS-SVM建立了SOFC电堆的非线性模型.应用仿真对建模的有效性和精度进行了检验,并与径向基函数神经网络(RBFNN)模型的辨识效果进行了比较.仿真结果证明,与RBFNN模型相比,LS-SVM模型具有较高的预测精度,这表明用LS-SVM对SOFC电堆进行建模是可行的.该LS-SVM模型的建立,对SOFC系统控制策略的研究具有一定的实用价值.     

考虑密集系数的台阶松动爆破振动速度预测模型

为提高台阶松动爆破振动峰值速度的预测精度，减少由爆破振动引起的次生灾害事故，通过分析两种具有代表性的爆破振动峰值速度预测模型存在的不足，利用能量守恒定律分析了密集系数对爆破振动速度衰减的影响，基于量纲理论推导出考虑密集系数的多元非线性爆破振动速度预测模型，并结合具体实际工程，对监测数据进行非线性回归分析。结果表明：考虑密集系数的爆破振动速度预测模型相较于两种经典预测模型其预测精度提高了9.99%和4.16%,具有更高的预测精度，同时可为爆破工程设计提供指导，达到防控振动灾害的目的，为类似工程提供参考与借鉴。     

放马峪铁矿爆破振动预测分析

在密云县放马峪铁矿鞍子沟采场爆破振动现场监测数据的基础上,对大量的实测数据进行了最小二乘法线性回归分析,得到了在该铁矿现有的爆破条件下,任意质点在空间3个方向上爆破振动速度峰值的预测公式。对3个方向的预测公式进行误差比较分析后,发现质点垂直向最大振动速度并非是爆破振动破坏的唯一判别指标,据此提出了按距离分段选择最合适判别指标的方法,进一步提高了爆破振动预测结果的可靠性。     

放马峪铁矿爆破振动预测分析

在密云县放马峪铁矿鞍子沟采场爆破振动现场监测数据的基础上,对大量的实测数据进行了最小二乘法线性回归分析,得到了在该铁矿现有的爆破条件下,任意质点在空间3个方向上爆破振动速度峰值的预测公式。对3个方向的预测公式进行误差比较分析后,发现质点垂直向最大振动速度并非是爆破振动破坏的唯一判别指标,据此提出了按距离分段选择最合适判别指标的方法,进一步提高了爆破振动预测结果的可靠性。     

基于GRNN的金山店铁矿爆破振动峰值速度预测

为研究爆破振动对金山店铁矿地表构筑物和井下巷道的影响,引入广义回归神经网络(GRNN)的方法,分别以地表、井下部分振动监测数据为学习样本对GRNN进行训练,构建地表、井下爆破振动峰值速度的GRNN预测模型,以剩余振动监测数据为检测样本对地表和井下GRNN预测模型进行检验,并将GRNN模型的预测结果与BPNN、基函数回归法和经验公式法作对比。同时,将地表、井下GRNN模型的预测结果与以地表和井下综合训练数据为学习样本构建的综合GRNN预测模型进行对比。研究结果表明:对于地表监测点,四种方法的预测误差率依次为12.1%、18.9%、30.3%、43.7%;对于井下监测点,四种方法的预测误差率依次为14.0%、16.2%、19.9%、23.0%。GRNN的预测精度最高,其为爆破振动峰值速度的预测提供了一种新方法,且采用GRNN对地表、井下质点爆破振动峰值速度分别进行预测更加合理。     

基于灰色小波核偏最小二乘的传感器网络数据预测融合研究

摘　要：针对如何降低传感器网络中采集的非平稳、非线性信号的数据传输量,提出了一种基于灰色Morlet小波核偏最小二乘(GMWKPLS)的预测融合模型。该模型把灰色模型预测的思想融入到核偏最小二乘(KPLS)中,采用构造的Morlet小波核函数进行数据变换,将输入映射到高维非线性的特征空间,在特征空间中,利用线性偏最小二乘方法构造预测融合模型。通过对齿轮箱断齿工况升速过程中的振动信号进行分析,结果表明,该模型使用滑动窗方法不断更新建模数据进行动态预测,预测精度高,可大大降低数据传输量,获得显著的节能收益。通过与灰色RBF核偏最小二乘(GRBFKPLS)和RBF核偏最小二乘(RBFKPLS)预测模型对比,GMWKPLS性能最佳,预测误差范围在±0.4%以内。     

基于GEP的爆破峰值速度预测模型

针对施工中爆破振动危害严重、振动峰值速度难以预测问题,选用基因表达式编程(Gene Expression Programming,GEP)算法以My Eclipse为开发工具,建立基于GEP的爆破峰值速度预测模型。取实测数据进行预测,并与萨道夫斯基经验公式与模糊神经网络模型预测结果对比。结果表明,三者平均相对误差分别为8.8%、11.3%及27.9%。由此证明GEP模型预测爆破峰值速度可行,亦为爆破振动预测提供新思路。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

穿越古长城的隧道开挖爆破振动参数预测模型

以山西省某穿越古长城的高速公路隧道爆破开挖工程为实例,根据支持向量机学习原理,建立支持向量机预测模型,以孔径、孔深、孔距、排距、单段最大装药量、总装药量和爆源距作为模型的输入参数,分别预测质点的径向、切向和垂直方向的爆破峰值振动速度及频率,并将预测值与实测值进行对比,以检验模型的精确度。结果表明,支持向量机预测模型对爆破峰值振动速度与频率的预测具有收敛快、精度高等特点,平均误差分别为11.04%、10.16%。利用该模型可以较准确地对爆破振动参数进行预测,在后续的爆破施工作业中,结合预测结果可以更好地对古长城采取有效的保护措施。     

城镇复杂环境下的顶管隧道爆破

以腾冲县太极桥景区顶管隧道爆破施工为背景,设计了腾冲县顶管爆破工程掘进断面的爆破参数,并进行现场爆破试验,根据最小二乘法原理对监测到的爆破震动速度进行回归分析,得到该场地的爆破地震波传播衰减规律。通过Fourier变换进行了爆破振动的功率谱分析,得到爆破振动能量分布的优势频率。     

露天转地下开采矿山边坡爆破振动速度预测

为合理控制露天转地下开采爆破振动效应,以大冶铁矿露天转地下开采中深孔爆破工程为实例,综合运用萨道夫斯基公式、考虑高程影响的爆破振动速度预测公式及人工BP神经网络方法,对边坡爆破振动速度进行预测研究,并与现场爆破振动监测结果进行了对比分析。研究结果表明:在存在高程影响的矿山边坡爆破振动速度预测过程中,采用三种预测方法对比发现,BP神经网络模型在爆破振动速度切向、径向、竖向三个方向的预测误差率均在6%以内;同时采用考虑高程影响的改进公式预测时在Z方向上具有较高的精确性,误差率仅为11.89%;而萨道夫斯基公式精确性相对最差。研究结果可用于预测及控制露天转地下开采矿山边坡爆破振动速度。     

基于KS-GS-SVR的峰值爆破振速预测

为了保证爆破作业时周围建筑物的稳定，需要提高对峰值爆破振动速度预测的准确性。运用Kennard-Stone算法优化训练样本，采用网络搜索算法获得支持向量回归机的最优惩罚系数和核函数参数，构建KS-GS-SVR的峰值爆破振速预测模型。结合湖北铜录山现场露天台阶爆破的振速实测数据，选取影响爆破振动速度的8个主要因素作为模型的输入变量，运用KS-GS-SVR模型进行峰值振速预测，并将KS-GS-SVR模型预测结果分别与GS-SVR、KS-GA-BP、KS-萨氏公式模型预测结果对比分析。结果表明，相比于GS-SVR的预测结果，KS-GS-SVR模型预测结果的平均相对误差降低了4.31%,说明Kennard-Stone算法通过优化训练样本提高了预测精度。KS-GS-SVR模型预测结果的平均相对误差为12.17%,明显低于其他模型，说明KS-GS-SVR模型学习和泛化能力更强，预测精度更高。所构建的预测模型可供类似工程爆破振速峰值预测借鉴。     

高边坡爆破振动传播规律及其控制技术

为了分析及预测广西某航运过坝工程高边坡爆破振动的传播与衰减规律,进而减弱爆破振动效应,保护既有建(构)筑物,通过无量纲分析,推导出了反映高程效应的爆破振动传播规律预测模型。采用爆破测振仪在爆区附近设置5个监测点,对爆破所产生的振动进行监测、记录。根据实测数据,进行了非线性回归分析,对比了2种不同预测模型的预测精度。研究结果表明:高程对爆破振动效应具有较大的影响,传统预测经验公式的预测精度为83.48%,采用改进后的反映高程效应的模型的预测精确度较高,达97.03%,在复杂环境下,采用综合减振技术具有较好的降振效果。     

高边坡爆破振动传播规律及其控制技术

为了分析及预测广西某航运过坝工程高边坡爆破振动的传播与衰减规律,进而减弱爆破振动效应,保护既有建(构)筑物,通过无量纲分析,推导出了反映高程效应的爆破振动传播规律预测模型。采用爆破测振仪在爆区附近设置5个监测点,对爆破所产生的振动进行监测、记录。根据实测数据,进行了非线性回归分析,对比了2种不同预测模型的预测精度。研究结果表明:高程对爆破振动效应具有较大的影响,传统预测经验公式的预测精度为83.48%,采用改进后的反映高程效应的模型的预测精确度较高,达97.03%,在复杂环境下,采用综合减振技术具有较好的降振效果。