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。     

基于核主成分分析与SVM的岩爆烈度组合预测模型

为了更好地预测岩土工程中的岩爆烈度,建立了基于多类型核函数的主成分分析方法与遗传算法或粒子群优化算法(GA/PSO)优化的支持向量机(SVM)相结合的组合预测模型。选取围岩最大切向应力σ_θ、岩石单轴抗拉强度σ_t、岩石单轴抗压强度σ_c、应力集中系数SCF、脆性指数B_1和B_2以及弹性应变能指数Wet共7个指标构成岩爆预测指标体系。基于统计的246个国内外岩爆实例数据,分别运用主成分分析和基于线性核函数、RBF核函数以及MLP核函数的主成分分析对数据进行预处理,得到2～4个线性无关的主成分。再将降维后的数据输入GA/PSO优化的SVM模型进行训练和预测。经测试,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为最佳组合模型,为岩土工程中的岩爆烈度预测提供了一种可靠的方法。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。     

基于改进PCA与有序多分类Logistic的充填管道磨损风险评估

为准确预测矿山充填管道磨损风险,建立改进PCA与有序多分类Logistic回归组合的充填管道磨损风险评估模型。结合实际经验,选取12项指标（9项定量指标和3项定性指标）建立评估模型。依据改进PCA算法,筛除影响力指数小的充填料浆密度和充填料浆腐蚀性2项指标,将优选出的主要指标代入有序多分类Logistic回归模型,依照相应概率大小进行风险性等级判定,最后预测矿山充填管道磨损风险等级概率。该方法摒弃了关联性较低的指标,得到可靠的充填管道磨损风险概率分布,为类似矿山科学预测管道磨损风险及采取有效防护措施提供了理论依据。     

基于PCA－SVM的采空区危险性评价

介绍了主成分分析法和支持向量机算法。建立两种方法相结合的PCA－SVM模型。通过工程实例建立PCA－SVM评价模型,并利用样本数据对模型预测结果进行检测。能够较准确地预测采空区的危险性。该模型在矿山领域具有很好的应用前景。     

基于IAHP-靶心贴近度法的充填管道可靠性评估

为对充填管道可靠性进行科学评估,建立了基于改进层次分析法(IAHP)、靶心贴近度法的综合评估模型。以湖南某矿山为研究对象,选取了充填料浆骨料体积分数等10个指标构建了综合评价指标体系,采用改进层次分析法确定指标权重,通过计算评估对象各等级单指标区间函数和综合贴近度,基于最大隶属度原则,对矿山充填管道可靠性进行风险等级评估,并与未确知测度理论和云模型评估结果进行对比。结果表明,基于IAHP-靶心贴近度法的充填管道可靠性综合评估模型结果合理,具有计算简便、直观可靠、操作性强等优势,为充填管道可靠性评估提供了新思路。     

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。     

岩体质量分类的PCA-RF模型及应用

为了更合理地确定岩体质量类别,将主成分分析（PCA）与随机森林（RF）算法相结合,提出一种岩体质量分类的PCA-RF模型。选取能够充分反映岩体质量类别的5项指标进行分析,运用主成分分析法对各指标进行相关性处理,依据方差累计贡献率得出3个主成分,从而消除指标间的相关性,减少模型输入。然后采用随机森林模型对岩体质量进行分类,选用现场20组数据作为训练样本、10组数据作为测试样本,利用交叉验证的方法估计泛化误差。结果表明,该方法分类结果与实际结果较吻合,平均准确率达96.7%,同时得出岩体质量所处类别的概率分布,进一步反映岩体质量的复杂度,为工程建设提供更详细的参考依据。     

矿井涌水量预测的PCA-GA-ELM模型及应用

为了快速有效地预测矿井涌水量,并进一步提高预测的准确性,在分析矿井涌水量影响因素的基础上,提出一种将主成分分析法（PCA）、遗传算法（GA）与极限学习机（ELM）相结合的矿井涌水量预测新方法。根据矿井涌水实例数据,综合选取9个主要因素作为矿井涌水量的预测指标,通过PCA对数据进行降维预处理,并针对ELM算法的不足,结合GA算法对其进行优化训练,建立矿井涌水量预测的PCA-GA-ELM模型。对模型进行训练及检验,并将PCA-GA-ELM模型与GA-ELM模型、单一ELM模型的预测结果进行对比分析,其预测结果与实际情况更吻合。该模型预测效果优于GA-ELM模型和ELM模型,可对矿井涌水量进行更准确有效的预测,提供科学的参考依据,指导矿山生产。     

基于主成分分析—支持向量机模型的矿岩可爆性等级预测研究

矿岩可爆性等级的准确评判对爆破开挖设计以及岩土工程的安全稳定具有重要意义。通过综合考虑岩体固有属性与实际爆破效果对矿岩可爆性等级的影响,选取了岩体声波、波阻抗、爆破漏斗体积、大块率、小块率和平均合格率共6类指标,进行可爆性预测研究。为消除影响指标之间的信息重叠,针对55个矿岩样本数据集的大量信息,采用主成分分析法降维,提取得到包含98.38%原始信息的4类主成分,最后引入支持向量机模型对可爆性等级进行预测研究。研究结果表明：（1）与原始SVM模型相比,基于主成分分析法—支持向量机的预测模型不仅降低了数据的维度,同时使得矿岩可爆性等级预测准确率由78.5%提高至90.1%;（2）基于主成分分析法—支持向量机预测模型的评判结果与实际情况较为吻合,少量误判主要发生在部分特征差异性较小的矿岩样本之间。基于分层随机抽样技术的PCA-SVM预测模型,保证了训练集与测试集样本数据的随机性和差异性,对研究指标维数较多且部分指标间相关性较强的数据模型具有较强的适用性,对相似工程的研究具有一定的借鉴意义。     

基于核主成分分析的热轧带钢头部拉窄分析

将核主成分分析方法引入热轧生产过程的监控与诊断中,根据平方预测误差统计量进行生产过程监控,然后利用数据重构和优化的邻域选取策略相结合的方法求出各工艺参数对平方预测误差统计量的作用,分析引起过程异常的主要工艺参数,最后利用仿真和热轧带钢实际生产数据进行实验.结果表明:基于核主成分分析的平方预测误差统计量能较准确诊断过程的异常,并可以找出引起异常的原因,为调整生产过程提供方法支撑,防止次品的出现.      

基于PCA-RBF网络模型的硫化矿自燃安全性研究

为了更加准确地预测硫化矿自燃安全性,综合考虑硫化矿自燃倾向性及火灾后果严重性,将硫化矿自燃安全性划分为9个等级,并选取矿山含硫量、矿山含碳量、矿石温度、矿石堆放时间、采场人员数量、氧气浓度和采场矿层厚度作为评价因素集。利用主成分分析法（Principal Component Analysis,PCA）对94个采场样本数据进行降维处理,得到包含70%以上原始信息的3个主成分。将降维后的84组数据作为基于径向基函数神经网络（Radial Basis Function Neural Network,RBF）预测模型的训练样本,10组数据作为检验样本进行硫化矿自燃安全性预测。最后分别利用十折交叉验证法和留一法对94组检验样本的自燃安全性预测结果进行检验,得到硫化矿自燃安全性预测准确率分别为92.55%和91.49%。研究结果表明：PCA-RBF网络模型对硫化矿自燃安全性的预测性能良好,且优于未经主成分分析的结果。     

基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。     

GA-BP神经网络模型在稀土矿边坡位移监测中的应用

离子型稀土原地浸矿工艺改变土体力学特性,导致山体滑坡风险提高.针对现有研究在预测稀土矿边坡位移时存在精度不高和误差较大等问题,利用遗传算法对BP神经网络初始权值和阈值进行优化,构建一种新的稀土矿边坡位移预测模型.以江西龙南某离子型稀土矿为研究对象,在矿山布置了位移计实时监测稀土矿开采全过程的位移变化.首先利用125组位...     

基于PCA和GM（1，1）的矿山生态环境预测模型

矿山开采过程中产生的生态环境污染问题日益突出，针对矿山生态环境的预测评价显得尤为重要。综合运用主成分分析法、灰色预测模型和初等关联函数等方法构建矿山生态环境预测模型，可以为矿业企业在未来环境保护及环保投资提供指导与借鉴。首先综合考虑环保资金投入和采矿、选矿对环境及员工的影响构建生态环境评价指标体系。主成分提取后，选取方差贡献率较高的主成分计算分析，可以得到2016年实际得分分别为-4.1776、0.4093、-0.2553以及2016年预测得分分别为-4.2926、-0.2175、0.3312。2016年生态环境评价值为-0.8861，预测值为-0.9708，2017年和2018年的预测评价值为-1.5493、-2.0511。研究结果表明：预测数据与实际数据基本一致，验证了预测模型的有效性，该矿山区域生态环境在持续改善。     

基于分形理论和BP神经网络的充填料性能研究

为研究全尾砂粒径级配特征对充填料性能的影响,提出以分维数和分维数相关系数表征全尾砂的几何特征,并选取灰砂配比、料浆浓度、分维数和分维数相关系数作为BP神经网络输入因子,抗压强度、坍落度和泌水率作为输出因子,建立了充填性能预测的分形-BP神经网络模型。对7个矿山实测数据展开分维数和分维数相关系数计算,并采用BP神经网络进行训练和预测。结果表明：（1）尾砂越细,则粒径级配分维数越大,孔隙分维数就越小,且全尾砂的分维数稍大于分级尾砂的分维数;（2）全尾砂的相关系数在0.71~0.97之间,较分级尾砂离散;（3）分形-BP神经网络模型对充填料性能指标预测的相对误差在8%以内。综上可知：分形理论-BP神经网络相结合的充填性能预测模型具有较好的精度,为充填料性能预测提供了一种新途径。