基于灰色神经网络的边坡稳定性预报方法研究

本文在前人研究成果的基础上,研究了BP神经网络模型和灰色系统理论的原理,依据其适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量使用BP人工神经网络进行组合,输出组合预测结果。提出了基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型,通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现了当前边坡的稳定性评价。     

基于遗传神经网络的边坡稳定性智能分析方法

分析了边坡稳定性的影响因素，建立边坡稳定性智能分析的系统模型，将遗传算法和人工神经网络相结合，并建立的遗传神经网络（GNN）具有较高的学习效率和较强的泛化能力，数值算例表明，GNN能有效地克服经典BP神经网络学习速度慢及泛化能力弱的缺点，基于GNN的边坡稳定性智能分析方法具有较高的分析准确率。     

基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,本文提出 Adaboost卷积神经网络（Adaboost-CNN）建立露天矿边坡稳定性和影响因素之间的非线性关系。Adaboost-CNN是结合自适应Boosting算法(Adaboost)和卷积神经网络（CNN）的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。Adaboost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。本文分别采用BP神经网络、支持向量机（SVM）、卷积神经网络以及Adaboost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差（RPE）,发现Adaboost-CNN的预测精度最高、模型泛化能力最强。结果表明,Adaboost-CNN能够较精确对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

基于灰色—BP神经网络组合模型的边坡稳定性预报方法

在前人研究成果的基础上,研究BP神经网络模型和灰色系统理论的原理,依据它们的适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量,使用BP神经网络进行组合,输出组合预测结果。提出基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型。通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现边坡稳定性评价。     

MATLAB的BP神经网络在边坡稳定性评价中的应用

运用MATLAB的神经网络工具箱(NNT)建立了边坡稳定性BP神经网络预测模型,并以大伙房水库输水工程引水隧洞出水口边坡稳定性评价为例,阐述了基于MATLAB的BP神经网络应用于边坡稳定性分析的可行性和可靠性.     

用神经网络分析露天矿边坡稳定性

影响露天矿边坡稳定性的因素十分复杂,有些因素对边坡的影响程度很难确定,用神经网络分析露天矿边坡的稳定性逐渐受到重视。考虑了岩体的结构面倾角、中间结构面长度、粘聚力、摩擦角、重度和水压力比对露天矿边坡稳定性的影响,并通过49个算例的分析比较,说明BP神经网络方法用于露天矿边坡稳定性分析的可行性。     

BP神经网络在露天矿边坡稳定性分析中的应用

对边坡进行稳定性分析是治理边坡工程的基础,正确确定露天矿边坡稳定性对于露天矿山工程具有非常重要的意义。本文在分析国内外大量露天矿边坡稳定性研究成果的基础上,采用改进的BP神经网络算法建立了露天矿边坡稳定性分析的神经网络预测模型,并对模型的预测精度进行了验证,结果表明,实际输出与期望输出基本吻合。将所建立的网络模型应用某露天矿边坡稳定性预测,取得了较好的效果。     

基于BP神经网络的露天边坡角预测

针对广东泥竹塘铁矿露天边坡稳定性问题,为了获得矿山的稳定露天边坡角,研究使用BP神经网络进行预测分析。在预测过程中,以边坡岩体质量系数、岩体综合抗压、抗拉强度、内聚力、结构面力学特性、边坡高度及岩体密度等7个指标为输入因子,综合国内矿山27组露天矿山现场数据,建立网络学习、训练样本库,从而实现泥竹塘铁矿稳定露天边坡角的预测。结果表明,露天边坡角的BP神经网络预测模型最大误差小于3%,训练输出误差较小,精度较高,得到的泥竹塘露天铁矿上盘最终边坡角的预测值为42.8°,上盘最终边坡角的预测值为40.1°。多年的生产实践表明,该预测成果与实际基本相符,可为今后类似工程提供参考。     

ICS-Elman神经网络在边坡稳定性分析中的应用

为提高边坡稳定性预测准确率,提出了一种基于多策略改进布谷鸟(ICS)算法优化Elman神经网络的边坡稳定预测模型.首先,利用Sinusoidal混沌初始化种群,引入动态步长控制量和对发现概率进行1％步进离散化等策略,改进布谷鸟算法收敛速度慢、精度较差的缺陷,在7个基准函数上的仿真结果表明,与布谷鸟(CS)算法相比,ICS算法的寻优能力和收敛速度有较大提高.然后,利用ICS算法对Elman神经网络的权值和阈值进行优化,构建最优的边坡稳定性预测模型.结果表明,ICS-Elman模型对边坡稳定性安全系数预测结果相对误差范围为－2.81％ ~6.98％,均方根误差、平均绝对误差分别为0.2750,0.3422,与Elman、CS-Elman模型相比,ICS-Elman模型具有较好的稳定性和精度;与CPSO-BP神经网络相比,ICS-Elman神经网络预测值相对误差范围为－1.57％~1.25％,预测精度更好.