基于随机森林的回采巷道围岩稳定性分类

根据回采巷道稳定性的影响因素,选取围岩强度、埋深、节理裂隙发育程度、巷道跨度、直接顶与煤层厚度之比和松动圈厚度6个指标作为巷道稳定性识别的样本变量。通过搜集部分矿井35条回采巷道相关数据,采用随机森林建立回采巷道稳定性分类模型,并将该模型的预测效果与决策树、BP神经网络和支持向量机模型进行对比。研究结果表明:采用随机森林模型误判率低,具有较高的预测精度,能够相对有效地对回采巷道的稳定性进行判定。     

巷道围岩稳定性分类的GSM-SVM预测模型

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。     

回采巷道围岩稳定性预测模型及其成熟度

针对我国煤矿井下回采巷道围岩稳定性预测方法不够成熟、准确率较低的问题,引入支持向量机算法,将回采巷道围岩稳定性的评价指标作为输入向量,稳定性等级作为输出向量,利用粒子群算法不断调整惩罚因子c、核参数g与单核系数λ1和λ2,建立了基于PSO-MKSVM的回采巷道围岩稳定性预测模型。定义出衡量回采巷道围岩稳定性预测模型的精度度量P和非均等代价下的代价度量E,并以成熟度度量M作为评价模型性能的准则。结果表明有多组λ1和λ2使得回采巷道围岩稳定性预测模型的成熟度度量达到最大值M=1,性能较稳定。     

综放回采巷道围岩稳定性分类的研究

确定了综入回采巷道围岩稳定性的分类指标,并用判断矩阵分析法确定了分类指标的权值,应用人工神经网络的方法对综放回采巷道围岩稳定性分类进行综合研究,将３６条综放回采巷道分为３个类别,并确定了各个类别的聚类中心。     

基于模糊聚类分析的回采巷道围岩分类与支护研究

西石门铁矿回采巷道围岩变形破坏严重,破坏形式复杂。本文通过对西石门铁矿的现场调查,得出影响回采巷道围岩稳定性的主要因素,并以这些因素为分类指标,根据模糊聚类分析原理,采用VB6.0语言建立分类程序,对西石门铁矿回采巷道围岩进行分类。在回采巷道围岩分类的基础上,本文又进行了回采巷道支护方法研究,针对不同类别的巷道围岩分别提出相应的支护方案。     

基于机器学习的煤巷围岩稳定性预测与应用

煤巷围岩稳定性分类对指导现场岩体工程设计、施工、管理具有重要的理论和工程实际意义。本文选取了影响煤巷围岩稳定性的7个关键指标,采用现场案例、调查问卷和文献计量等方法收集样本并建立了围岩稳定性分类数据库,基于6种机器学习方法分别建立了煤巷围岩稳定性分类预测模型。经模型计算得出,神经网络和改进的支持向量机模型具有较高的预测准确性。将模型应用于霍州矿区实际工程,结果表明,神经网络和改进的支持向量机方法预测精度高、可靠性好。     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

基于向量机的煤层顶底板围岩稳定性分类研究

煤层顶底板围岩是一种高度非线性的复杂动态系统,机理复杂、其影响因素众多。单一的评价指标已不能准确描述煤层顶底板围岩稳定性分类情况。结合云贵高原某煤矿的实际情况,选用岩石质量指标、完整性系数、埋藏深度、地下水渗水量、结构面强度系数和单轴饱和抗压强度6个关联程度不同的影响因素作为支持向量机模型的输入。建立支持向量机煤层顶底板围岩稳定性分类模型。将此模型应用于云贵高原某煤矿煤层顶底板围岩的稳定性分类预测。结果表明:向量机模型的煤层顶底板围岩稳定性分类是可行的。     

分层鱼群优化支持向量机预测巷道围岩松动圈厚度

为了及时掌握巷道围岩松动圈的厚度,以便采取措施控制围岩的安全性,采用基于最大间隔算法的支持向量机进行预测。考虑支持向量机的性能很大程度依赖于参数的选择,提出改进的人工鱼群算法优化支持向量机的参数,以取得更好的准确度。首先对基本人工鱼群算法增加了种类分层和交叉变异,然后以此优化的参数对考查数据进行支持向量机回归预测。通过人工鱼群行为和参数的改进,扩大了搜索空间,增加了全局优化的稳定性,克服了人工鱼群后期寻优速度慢等问题。对某巷道围岩松动圈厚度监测与预测结果表明:该模型的预测精度较高,缩短了寻找参数的时间,泛化性能提高,收敛加快,可以有效地指导巷道围岩安全性的监测。     

煤巷围岩分类的Bayes判别分析法

选用影响煤巷围岩分类的主要6项指标作为Bayes判别分析模型的判别因子,以15组煤巷围岩实测数据作为学习样本进行训练,通过分析计算,建立了相应的线性判别函数,并利用回代估计方法对训练后的判别模型进行检验,其回判估计的误判率为0。利用该模型对3组煤巷围岩实测数据情况进行识别,其结果与实际情况完全一致,并与神经网络和支持向量机的预测结果进行对比。结果表明：Bayes判别分析法判别能力强,交叉确认估计的误判率低,是解决煤巷围岩分类的一种有效方法。     

深部松软破碎煤层巷道锚网索支护技术研究

根据锚网索耦合支护设计步序，对南屯煤矿93上01工作面巷道支护变形破坏比较严重问题进行了分析，认为该巷道围岩为高应力节理化复合型软岩(HJ型)，并提出了具体白乜复合型变形力学机制转化对策设计，在对该巷道掘进位置及断面形状进行过程优化设计后，确定了具体的耦合支护参数。现场实际施工观测及回采期间巷道使用情况表明，锚网索耦合支护技术可以有效控制该类巷道围岩的稳定。     

"超长""孤岛"综放面巷道围岩应力实测分析

论文针对兖矿集团兴隆庄煤矿4324“超长”“孤岛”综放开采工作面条件,使用KSE-Ⅱ-1型钻孔应力计对巷道围岩应力进行了实测,通过对实测数据的分析,初步得出了该条件下巷道围岩应力分布特征,为巷道的支护提供了科学依据。     

高瓦斯压力煤层中相邻巷道支护研究

利用ANSYS程序,模拟了巷道在高瓦斯倾斜煤层地质条件下,相同支护方式在瓦斯压力条件变化时相邻巷道应力场的变化情况及对支护的影响。研究结果表明,随着瓦斯地质条件的变化,巷道围岩周边应力场和位移场发生很大变化,在相应的支护方案不变的情况下,先挖巷道发生严重破坏,而后挖的相邻巷道则表现为相当稳定。工程实践表明,瓦斯压力对支护具有相当大的影响,先挖巷道对瓦斯压力的卸压作用应引起足够重视,该研究结果可以为支护措施的设计,提供科学依据并指导工程实践。     

支持向量机在岩爆预测中的应用

岩爆是高地应力地下工程中的地质灾害之一,其影响因素存在极其复杂的非线性关系。选取岩石抗压强度、抗拉强度、弹性能量指数和洞壁最大切向应力作为岩爆预测的特征向量,建立岩爆预测的支持向量机模型,对岩爆的发生及其烈度进行预测。预测结果与实际情况及其他方法相吻合,表明支持向量机在岩爆预测中的可行性和有效性。     

基于支持向量机的液压泵在线故障预警

为了实现液压泵自动故障预警，提出了一种基于在线单类支持向量机的新方法.与离线单类支持向量机不同，该方法可根据输入样本的变化不断地及时调整自由参数，实现持续学习.同时提出了一种在线检测奇异值的鲁棒性算法.最后，从液压泵振动信号的时域信息中提取诊断特征参数，组成最小诊断参数组合，建立了液压泵在线故障预警系统，并进行了仿真研究.     

基于Fisher判别分析法的隧洞围岩分类

针对隧道围岩分类问题,基于Fisher判别分析理论,选用岩石质量指标、完整性指数、饱和单轴抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为判别因子,以30组隧洞围岩数据作为学习样本进行训练,建立相应的Fisher判别模型。利用回代估计方法对建模数据逐一进行检验,正确率达93.3%。将建立的判别模型应用于工程实例,预测结果与实际情况吻合良好,与Bayes判别法、神经网络模型判别结果一致。研究结果表明,Fisher判别分析用于围岩分类简便可行,正确率高,是解决隧洞围岩分类的一种有效方法。     

软岩巷道锚网支护的研究

通过对软岩的性质特点、软岩巷道稳定性、影响软岩巷道围岩与锚网支架变形的主要因素、软岩巷道的支护原理和变形特点、巷道的锚网支护方案、锚网索耦合支护施工要求、锚网支护失效机制等理论的研究,阐述了煤矿在软岩开采过程中巷道变形量大的情况下的支护方案。对软岩的特性、软岩巷道的稳定性控制原则和方法进行了论述,对锚网索复合支护基于耦合意义上进行了研究,表明了采用锚网索支护是实现有效控制大变形软岩巷道围岩变形的技术措施。锚网索复合支护形式是一种既经济又先进的支护形式,如何在软岩巷道中应用好这种支护形式,无疑具有较高的研究价值。     

基于K折交叉验证的SVM隧道围岩分级判别

针对隧道施工期间围岩分级因样本数较少存在分类结果可靠性较低的问题,建立基于K折交叉验证的支持向量机判别模型。依据TSP303系统确定判别指标并建立判别指标体系; 根据围岩勘测情况,将围岩分为4个等级,并作为输出变量; 选取40组样本数据训练模型、10组样本数据测试模型,结果表明,10组样本中仅1组样品判别错误,准确率达到90%。研究成果为隧道围岩的分级判别提供了新方法。