水泥-BPSF改良尾矿型植生基材强度与微观机理

为解决矿山边坡生态修复所需天然土壤匮乏的问题,采用低碱水泥和甘蔗渣聚丙烯酰胺吸水树脂酸性肥料(Bagasse-PAM-SAP-Fertilizer,BPSF)作为改良剂对尾矿性质进行改良,制成了可用于矿山边坡生态修复的植生基材.通过L9(34)正交试验,对不同配比植生基材初期的试样进行剪切试验,以初期(3 d)抗剪强度为考核指标,通过极差分析确定基材的最优配比;对最优配比基材不同龄期的试样进行剪切试验,研究了养护龄期对基材抗剪强度的影响;通过薄片鉴定、扫描电镜(SEM)和X射线衍射(XRD)试验,分析了水泥-BPSF协同改良尾矿型植生基材的抗剪强度特征与微观机理.结果表明,水泥和甘蔗渣掺量是影响基材强度最为显著的因素,基材初期的抗剪强度随着水泥和甘蔗渣掺量的增加而增大;随着龄期的增长,基材的内摩擦角达到峰值后开始降低,基材的破坏模式从初期的韧性破坏转变为脆性破坏;水泥-BPSF协同改良的尾矿型植生基材具备植物生长所需的类土壤结构和强度. 最优的基材配比为水泥12％、甘蔗渣4％、聚丙烯酰胺0.6％、吸水树脂0.15％、酸性化肥1.2％.     

基于PSO-BPNN的充填体围岩界面抗剪强度预测

在地下采场胶结充填体强度设计过程中,充填体围岩界面峰值抗剪强度是充填体安全系数计算的一个重要参数。为给出一定充填体侧压力下,充填体围岩界面峰值抗剪强度预估方法,使用非线性拟合能力强大的神经网络进行预估。基于试验所得考虑胶结剂含量、养护温度、养护时间和剪切面法向压力的试验数据,对胶结充填体围岩界面峰值抗剪强度进行预计。使用粒子群优化算法初始化反向传播神经网络权值和偏置参数,训练后的神经网络可以有效地对给定法向压力下胶结充填体围岩界面的峰值抗剪强度进行预估,预估结果可作为胶结充填体强度设计时的参考。     

加固土体的强度特性及加固机理研究

该文结合云南某实际工程土体,研究强固剂加固土体的强度特性、加固机理,通过控制不同强固剂加入比例及试样不同养护时间,并针对最佳击实状态对比研究加入强固剂前后及试样养护前后土样的强度特性。结果表明,强固剂的加入和试样的养护都可以显著提高土样的强度,并随强固剂加入比例的增大和试样养护时间的延长而增长,但二者存在最佳状态。强固剂加固土体的机理可以从强固剂对土颗粒的填充、包裹及胶结等作用结合微结构图像来进行解释。     

多因素影响下的充填体强度预测与分析

为分析和预测多因素影响下的充填体强度，开展了充填配合比试验，并以支持向量机回归(SVR)模型为基础，结合灰狼优化算法(GWO)建立了一种新型充填体强度预测模型。结果表明，充填体强度随水泥掺量、料浆质量浓度的增大而增大，随粗细骨料比的增大先增大后减小。采用GWO对SVR中的惩罚因子与核函数参数进行迭代寻优，成功建立了以料浆质量浓度、水泥掺量、人工砂尾砂比和养护时间作为输入变量，以充填体的单轴抗压强度作为输出变量的强度预测模型。模型测试集的均方根误差为0.187,决定系数为0.993。与原始SVR和PSO-SVR相比，GWO-SVR模型的预测精度和可靠性有较大提高，成功实现了多因素影响下充填体强度的高精度预测。     

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。     

锚杆锚固段极限抗剪强度参数试验

锚杆支护是地下工程稳定围岩的有效支护手段之一,围岩与锚固体界面之间的极限抗剪强度参数确定对锚杆支护设计有重要的工程应用价值.为了在锚杆设计中能方便准确的确定锚固层的抗剪强度,基于弹塑性理论,建立了锚杆在拉拔力作用下的理论模型,推导了锚杆作用过程的荷载传递函数,得出了锚固层界面的极限抗剪强度参数与锚杆拉拔试验曲线之间的理论关系式,确定了煤矿巷道锚杆支护树脂锚固剂与煤岩体之间的剪切强度参数.结果表明:利用锚杆拉拔试验曲线,可以很方便求得锚固层黏结强度以及锚固层界面剪切刚度系数,为锚杆支护设计提供参考依据.     

基于神经网络算法的爆破振动预测模型开发北大核心

爆破地震效应是爆破过程中最为常见的负面效应之一。对地面振动进行准确预测是预防和控制爆破地震效应的前提。研究中,采集了76组爆破振动数据,基于神经网络算法,提出了8种不同的爆破振动预测模型,并考虑了神经元数量、传递函数和学习函数等超参数对神经网络模型预测精度的影响。选择了三种统计指标对模型性能进行评估,并对所开发模型的性能进行了比较。结果显示,建立的ANN-3模型具有最高的预测精度,其相关系数、决定系数和均方根误差分别为0.972、0.945和1.949。得到了神经网络的最佳参数配置:网络结构2-12-1,输入层-隐藏层-输出层之间的传递函数为logsig-pureling,学习函数为learngd。研究成果有助于提高矿山生产爆破的安全,特别是作为爆破设计过程中的辅助工具,便于爆破工程师更好的控制爆破振动,以及为围岩稳定性评估提供决策支持。     

基于ANN-PSO模型的充填体强度预测及其工程应用

为了准确快速地确定充填体强度,依据试验数据,以料浆体积分数、水泥掺量、人工砂尾砂比以及养护时间作为输入因子,以充填体的单轴抗压强度作为输出因子,建立了一种充填体强度ANN-PSO预测模型。研究结果表明,该模型的预测性能较好,在预测充填体强度时其平均相对误差率MAP为2.41%,可决系数R~2为0.983。通过对比136组充填配合比充填体的室内试验强度值和实际生产测定值,获得了两者之间的强度折减系数。利用预测模型并联合强度折减系数,预测得到了矿山运行期间160多条进路的充填体强度值。该模型可大幅减小物理试验量,为类似的充填矿山提供了良好的借鉴作用。     

OPC-CSA复合修补材料的抗碳化性能研究

为探究普通硅酸盐水泥(OPC)-硫铝酸盐水泥(CSA)复合体系修补材料是否具有良好的抗CO2侵蚀能力,将OPC和CSA按不同比例进行复配,研究其凝结时间、强度及抗碳化性能,以满足快速修补的特殊要求.采用X射线衍射仪分析加速碳化条件下各试样的水化产物,研究CSA对OPC抗碳化性能的影响机理.结果表明,标椎养护条件下,CS...     

基于BP神经网络模型的充填体强度值预测

在探究充填体强度值大小时为了减少人力、物力的损耗,尝试利用BP神经网络模型对某矿山的四种尾砂材料浇筑的充填体试块进行预测。建立了输入层为8,隐含层为9,输出层为2的BP神经网络模型,并用该模型对某矿山四种不同尾砂材料浇筑的充填体试块进行预测试验。在随机选择的8种试块预测试验结果中,去除误差较大的情况后,充填体27天强度预测平均误差5.8%,充填体60天强度预测平均误差为5%,其中最优预测值与实际偏差值仅为1%。实利了利用BP神经网络模型在不同胶凝材料、不同灰砂比、不同浓度等多个条件下对充填体强度的预测。为其它矿山充填体强度的预测提供一种新的思路。     

基于BP神经网络的地下水水位预测

基于BP网络模型 ,对地下水水位变化规律进行了定量预测。网络模型由三层构成 :输入层、隐含层、输出层。节点单元以及各层间的连接强度决定了BP网络的执行情况。实验结果表明 ,BP神经网络是一种较为有效的预测方法     

充填料浆坍落度参数预测分析

在分析多因素对充填料浆坍落度性能影响的过程中,根据BP神经网络原理,分析输入、输出层与隐含层的结构层次关系,建立起充填物料中的人工砂X1、河砂X2、尾砂X3、水泥X4含量4个变化因素对不同浓度充填料浆坍落度Y1、Y2、Y3影响的函数关系模型,通过训练值与试验测试值的比较,结果分析显示了该神经网络模型可较好地预测不同浓度条件下充填料浆的坍落度参数,该模型用于预测时的误差小、精度达到了96.481%,可为煤炭和非煤矿山充填工程的充填料浆流动性理论研究提供依据,同时也可为类似的工程试验提供技术参考。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

充填体强度的支持向量机设计匹配模型

充填体强度设计的预测受到多种高维度、非线性、随机性因素的影响。为改善当前充填体强度设计预测效果不佳的现状,使用支持向量机（SVM）方法在matlab软件中借助LibSVM工具箱建立充填体强度设计匹配模型。分析并筛选出8个主要因素作为条件属性,充填体强度作为决策属性,并挑选出72组训练样本和6组校验样本。模型选择径向基函数（RBF）为核函数,采用网格搜索法对参数寻优,再通过交叉验证检验最优参数组合。结果表明：SVM匹配模型做出的回归预测平均误差为1.94%,校验预测平均误差为2.23%,相对于BP神经网络模型,预测准确度更高。在保证采场稳定性的前提下,SVM匹配模型更为有效地减少水泥消耗、降低充填成本,提高企业经济效益。     

基于直剪试验的胶结充填体与岩石接触面力学特性研究

采场充填体与围岩接触面处的强度参数对研究采场充填体应力分布及其揭露稳定性具有重要意义。本文对全尾砂胶结充填体与花岗岩光滑面形成的充填体—岩石接触面试块进行了直剪力学试验研究,从充填体灰砂比（1:4、1:10和1:20）、养护龄期（7d和28d）及接触面法向应力（50kPa、100kPa和150kPa）、三个方面研究对比了接触面的剪切峰值强度和残余强度,探索了接触面的内摩擦角和黏聚力的相互关系。结果表明：充填体-岩石接触面的峰值剪切强度和残余剪切强度均随法向应力的提高而线性增加;接触面的峰值剪切强度随灰砂比、养护龄期的增加而显著提高,但接触面残余剪切强度随灰砂比和养护龄期的改变基本无敏感性;接触面的内摩擦角明显大于等配比和龄期充填体的内摩擦角,而接触面的黏聚力则小于等配比和龄期充填体的黏聚力,并得出了接触面内摩擦角和黏聚力分别与等配比和龄期充填体内摩擦角和黏聚力的线性相关换算关系。     

基于BP神经网络的煤自燃温度预测研究

为了研究煤在氧化升温过程中CO、CO2、CH4、C2H6、C2H4等气体对温度的反馈作用,并通过各气体的数据准确预测煤自燃的温度。以赵楼煤矿为背景,采集部分煤样,放入煤自然发火实验炉中,通过数控程序系统,模拟煤自然发火时的漏风强度和供氧量,收集指标气体和温度等相关数据。采用气体成分分析法和神经网络算法建立BP神经网络预测模型,选取CO、CO2、CH4、C2H6、C2H4气体浓度作为神经网络的输入层,煤温作为输出层,设置8个隐含层神经元对煤自燃情况进行预测。结果表明：经过训练后,预测温度与实际温度基本吻合,误差控制在0～0.00065,该预测模型的建立对于矿井煤自燃早期预报有着极其重要的指导意义。     

基于人工神经网络技术的隧道地表沉降预测

对采用人工神经网络技术预测隧道地表沉降模型中进行了研究。采用MATLAB系统开发了一个多层反向传播神经网络模型,考虑了隧道的深度、隧道的直径、地下水位、土的弹性模量、土的剪切强度、土的侧压系数、土的重度和开挖间隙对地表沉降的影响。用世界多个隧道的地表沉降数据作为样本对模型进行了训练和测试。结果表明,利用该神经网络预测的沉降值与实测值比较吻合。     

基于正交试验和BP人工神经网络的浮选药剂制度优化

探索了人工神经网络在浮选药剂制度优化中的应用。研究通过浮选药剂三因素三水平正交试验采集具有一定代表性的实验数据,然后采用BP人工神经网络,建立了输入为pH值调整剂碳酸钠的用量、抑制剂硅酸钠的用量和捕收剂的用量,输出为选矿效率的BP人工神经网络模型,并通过样本检验模型的准确性。试验结果:F检验确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量3 kg/t、捕收剂用量1 kg/t,选矿效率为19.75%,BP人工神经网络确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量2.3 kg/t、捕收剂用0.9 kg/t,选矿效率为19.47%,两种药剂制度的选矿效率差别很小,但BP网络确定的药剂制度药剂用量更少。结果表明利用BP人工神经网络可用于浮选药剂制度的优化,可减少试验量,可通过建立模型找出更优的药剂制度,同时结合正交试验减少人工神经网络的学习样本数量,增加样本代表性,优化神经网络的学习过程。     

基于BP神经网络技术的红土镍矿还原焙烧-磁选工艺条件的优化

还原焙烧—磁选工艺可有效提取红土镍矿中的镍和铁等有价金属,由于影响红土镍矿还原焙烧—磁选效果的因素较多,导致工业生产中的选矿指标不稳定。为进一步提高还原焙烧—磁选工艺处理红土镍矿的效果,本研究以青海某镍矿为原料,采用正交试验与BP神经网络相结合的方法,对还原焙烧—磁选工艺的还原剂用量、焙烧温度、料层厚度、焙烧时间及磁场强度等因素进行了优化。结果表明:通过BP神经网络模型优化后的试验条件为还原剂用量9.5%、焙烧温度1 070℃、料层厚度10.0 mm、焙烧时间65 min及磁场强度2.5 kA·m-1,在此条件下可获得产率为30.29%的镍粗精矿,比采用正交试验最优因素组合条件所得的镍粗精矿产率提高了2.83%。      

煤灰软化温度建模与预测

基于Elman网络建立了煤灰软化温度预测模型,该模型以煤灰成分为输入向量,以煤灰的软化温度为输出向量。为了选取最优预测模型,分别讨论了输入向量维数、隐含层单元数以及激励函数对模型预测结果的影响。使用获得的最优网络模型对测试样本进行测试,结果表明该模型的预测精度高于常规BP网络。由所建最优预测模型可知,存在一个最优的煤灰成分分析数量。