基于机器学习的露天煤矿粉尘浓度预测

为实现对露天矿粉尘浓度进行预测,以伊敏露天矿现场环境监测数据为支撑,通过皮尔逊相关系数分析样本特征的线性相关程度,确定以风速、光照度、温度、湿度为样本输入特征,PM_2.5为输出特征,以线性回归算法、随机森林算法、K-近邻算法、支持向量机算法、梯度提升树算法共五种机器学习算法为基础,建立了多因素环境影响下的粉尘浓度监测模型。研究结果表明：对于五种算法,其评价指标RMSE分别为10.6526、7.8313、8.2265、6.8288、8.8709,其中以支持向量机算法建立的预测模型对于该样本粉尘数据预测效果最好。     

冲击地压预测预警的机器学习方法

传统冲击地压预警预测通常利用地球物理方法监测冲击地压的一些前兆信号,采用人为定义和提取参数的综合指数法对冲击地压发生的可能性进行评估。目前,研究人员尝试采用数据驱动方法,利用机器学习技术,克服传统冲击地压长期预测所带来的问题,通过分析国内外相关文献,对长期预测和短期预警方法及存在的问题、机器学习方法、冲击地压短期预警及长期预测的应用进展进行概述,同时分析了传统的经验驱动和机理驱动与机器学习的数据驱动在冲击地压预测预警方面的联系与差异,最后,总结机器学习在该领域存在的问题及挑战,并对未来冲击地压预测预防的技术进行展望。     

瓦斯涌出量预测的高斯过程机器学习模型

高斯过程是新近发展的一种机器学习方法,对处理复杂非线性问题具有很好的适应性。采煤工作面瓦斯涌出量与其影响因素之间存在着复杂的非线性关系,针对传统预测方法的局限性,提出了瓦斯涌出量预测的高斯过程机器学习模型。通过对少量学习样本的学习,采用该模型可建立瓦斯涌出量与其影响因素之间的复杂非线性映射关系。将模型应用于工程实例,研究结果表明,瓦斯涌出量预测的高斯过程机器学习方法是科学可行的,具有预测精度高、适用性强、参数自适应化且易于实现的优点。     

机器学习在煤自燃预测预报中的应用现状及展望

煤矿井下煤自燃受多种因素影响,目前还难以实现对其准确预测预报。机器学习的基本思想是让计算机从过往经验和历史数据中获得学习能力,从而对未知事物做出判断,其在对复杂、非线性问题处理及数据分析中具有良好表现。在概述煤自燃预测预报技术现状和机器学习发展过程基础上,介绍了机器学习在煤矿安全领域应用情况,分析了机器学习在煤自燃预测预报的研究现状,对应用机器学习实现煤自燃预测预报智能化进行了展望。     

金属材料氧化和着色工艺设计

金属材料表面经氧化和着色后，可提高其表面硬度，耐蚀性，耐磨性、耐光性和增加表面色彩，文中介绍了氧化，着色的工艺原理，生产流程，主要参数，设备选择，三废治理和环保措施等。     

基于自动机器学习的全球尺度滑坡灾害易发性预测

基于机器学习的滑坡灾害易发性预测模型由于其固有缺陷,难以获得更为可靠的评价结果。自动机器学习作为新兴的智能学习方法,拥有自动选择特征、模型和参数的优良性能,并最大程度减少模型选择和训练成本,因此在滑坡灾害易发性预测方面具有广阔前景。为了深入研究该技术在全球尺度滑坡灾害易发性预测中的可行性,利用Auto-PyTorch自动机器学习模型构建全球尺度滑坡易发性预测处理框架,并与经典机器学习模型——随机森林(RF)模型和朴素贝叶斯(NB)模型进行性能对比。在此基础上,以全球60°N-60°S纬度范围作为研究区,进行全球尺度滑坡灾害易发性制图。实验结果表明,相较于经典机器学习方法,基于自动机器学习的滑坡易发性分析能够获得性能更鲁棒、精度更优越的预测结果,可以为全球性地质灾害风险评估和管理提供坚实的科学依据。     

几种金属材料弯曲性能试验方法的对比

弯曲试验是表征金属材料性能的一种重要方法,不同种类金属材料的弯曲试验的标准、试验步骤和结果评定差异很大.在实际检验过程中,试验人员对选用哪种方法存在疑问.对几种金属材料弯曲性能试验方法进行汇总及对比,为试验人员在针对不同试样测试弯曲性能时选择最适用的方法提供一定的指导作用.     

基于时序分解和机器学习的回采工作面绝对瓦斯涌出量预测研究

为提高瓦斯涌出量预测精度,提出一种基于集成经验模态分解(EEMD)、遗传算法(GA)优化支持向量回归机(SVR)的瓦斯涌出量时序预测模型。该模型利用EEMD对监测数据进行分解得到不同特征尺度的IMFs分量以及残差余量;利用GA-SVR模型对各分解分量、残差余量数据分别预测;最后等权叠加各预测数据得到绝对瓦斯涌出量预测结果。以陕西铜川玉华煤矿1417工作面绝对瓦斯涌出量监测数据为例,分别运用EEMD-GA-SVR、GA-SVR和SVR模型预测绝对瓦斯涌出量,并进行量化对比分析。结果表明:经EEMD分解后,所分解数据可以有效提升数据平稳性;EEMD-GA-SVR模型的预测绝对误差在0～0.33范围内,平均绝对误差为0.13,模型拟合度较高;所构建模型MAE值为0.1337、MAPE值为0.80%、RMSE值为0.1654、R²值为0.9879,优于对比模型,能够用于绝对瓦斯涌出量时间序列预测。     

基于机器学习的煤矿用气动架柱式钻机的寿命预测研究

为了能够提高对气动架柱式钻机寿命预测的准确性,从而提高煤矿生产的安全水平,深入地研究了机器学习在煤矿用气动架柱式钻机寿命预测中的应用。分析了支持向量机的基本原理;提出了遗传算法的基本流程,并且利用遗传算法对支持向量机算法进行改进;以某气动架柱式钻机为例,对其进行了寿命预测,预测结果和实测结果、BP神经网络预测结果进行比较,预测结果表明该方法具有较高的寿命预测精度。     

铝青铜合金的研究与应用进展

详细论述铝青铜材料的研究与应用现状 ,分析存在的问题。由于铝青铜良好的机械性能而被广泛地应用于各行各业中。但随着工业的发展和科技的进步 ,对铝青铜产品提出了更高的要求。     

采煤机运行状态数据实时清洗技术研究

针对采煤机传动系统运行状态数据存在噪声点、缺失值的问题,建立了一种基于Storm的数据实时清洗平台。该平台使用ARIMA建立数据清洗模型,利用Storm中的Spout组件实时读取测点数据,将数据根据设定的样本容量进行封装并传递给Bolt组件,Bolt组件则完成噪声点判定、平稳化处理以及模型选参等具体的数据清洗工作。通过实验证明,该平台能够完成采煤机传动系统运行状态数据的实时清洗工作。     

数据挖掘技术在出砂预测中的应用

针对油井出砂预测困难的问题，提出应用数据挖掘理论和技术探索解决问题的新途径。根据应用问题的性质，给出了两种用于实现聚类挖掘的人工神经网络模型与算法，简单竞争学习和自组织特征映射学习算法。运用该挖掘模型对某油田一区块的52口已知出砂效果井的资料进行挖掘，预测该区另外8口井出砂情况，在预测结果中有5口井的出砂预测结果与实际出砂情况相符。     

BP神经网络方法在采煤机故障诊断中的应用

本文介绍了BP网络的原理、算法,并用BP网络对采煤机截割部机械传动系统的故障进行了趋势预测。经过地面模拟加载实验及井下验证,证明用人工神经网络可较好地预报机器故障,变被动维修为视情维修,为合理安排生产计划及设备检修提供了可靠的依据。     

人工神经网络方法在采煤机故障诊断中的应用

介绍了BP网络的原理、算法,并用BP网络对采煤机截割部机械传动系统的故障进行了趋势预测。经过地面模拟加载实验及井下验证,证明用人工神经网络可较好地预报机器故障,变被动维修为视情维修,为合理安排生产计划及设备检修提供了可靠的依据。     

建材非金属露天开采矿山创建绿色矿山的思路探讨

绿色矿山建设是实现资源利用和矿山发展相协调的重要举措,近年来绿色矿山建设成效显著,但也存在一些问题.通过总结近年来湖北省建材非金属矿山特别是石灰岩矿山创建绿色矿山的工作模式,指出了矿山企业在绿色矿山建设中存在的一些共性问题,提出了应对策略并梳理了绿色矿山建设相关机制,为开展绿色矿山建设提供一种工作思路,有利于促进建材非...     

BZn15-20锌白铜带材回复退火初探

研究BZn15 2 0锌白铜带材再次回复退火处理工艺。结果表明 ,退火温度在 42 3℃或 43 0℃或 43 8℃ ,退火后 ,带材抗拉强度不变。在 410～ 42 3℃或 43 8～ 45 0℃之间退火 ,带材抗拉强度增大。在 42 3～ 43 0℃或 43 0～ 43 8℃之间 ,退火后 ,带材抗拉强度降低。生产实践证实 ,BZn15 2 0锌白铜带材再次回复退火工作曲线能有效指导生产。     

PtRh10-Pt热电偶的Cu-CuNi补偿导线

研制PtRh10 Pt热电偶的Cu CuNi0 6 补偿导线。对材料的电阻率、抗拉强度、延伸率、热电性能进行测试并进行X 射线衍射分析。CuNi0 6 合金的最佳Ni含量为 0 6%～ 0 61%。Cu CuNi0 6 补偿导线与S型热电偶的热电性能在温度 0～ 2 0 0℃范围内是相似的。在 10 0℃时补偿导线的热电势比较接近于S型热电偶 ,2 0 0℃时略低 ,而 5 0℃时又略高。在要求精密测量时 ,由补偿导线引起的误差不可忽视。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。