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     

基于BP神经网络的矿井小构造预测

阐述了矿井小断层水平延展长度预测BP网络模型的构建、训练及模拟方法,在总结小断层落差、断层的走向、断层的倾角及断层的倾向等影响因素的基础上,结合赵官井田主采7#煤层典型样本数据,运用Matlab软件来建立网络预测模型,并对该煤层2713和2712 2个工作面的小断层水平延展长度进行预测,发现该网络模型的预测结果与实测结果更接近。     

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。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

基于BP神经网络的磨料水射流抛光质量研究

针对磨料水射流抛光质量与各工艺参数间,因复杂的非线性关系而无法用传统的数学方法建模的问题,基于BP神经网络理论,建立了磨料水射流抛光BP神经网络模型。以磨料水射流抛光铝合金轮毂为例,在考虑磨料浓度、入射角度、射流压力、靶距、横移速度5个工艺参数的情况下,通过正交实验收集27组样本数据,对样本数据进行方差分析和F检验,获得各工艺参数对表面粗糙度值影响的强弱,从而确定网络模型的输入参数为磨料浓度、靶距、横移速度与表面粗糙度,输出参数入射角度、射流压力,并将样本数据用于网络模型的训练和检测。在网络模型预测的入射角度与射流压力下进行抛光实验,测得铝合金轮毂表面粗糙度的实际值与实验值之间的相对误差最小为0.92%,最大为2.89%。结果表明:该网络模型能快速、准确地预测入射角度与射流压力,实现对抛光质量的间接控制。     

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。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

基于BP神经网络的动力煤质量评价

介绍了基于BP神经网络的动力煤质量评价方法,阐述了基本原理和算法步骤。利用BP算法对训练样本进行学习,确定评价模型,进而利用训练好的网络对评价样本进行评价,并与模糊评判结果对比,得出了评价结果。     

基于BP神经网络的巷道围岩塑性区半径预测

影响巷道围岩塑性区半径的因素很多,文章归纳总结了巷道围岩塑性区半径的7个主控因素,构建了基于BP神经网络的巷道围岩塑性区半径预测模型,并对赵固二矿11021回风巷和11030运输巷塑性区半径进行预测。结果表明,在11021回风巷和11030运输巷,模型预测值与实测值相对误差分别为7.7%和8.3%,远比理论计算获得的结果更加接近实测值,建立的基于BP神经网络的巷道塑性区半径预测模型取得了良好的效果。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

煤与瓦斯突出BP神经网络预测系统研究

煤与瓦斯突出是严重危害煤矿安全生产的一种非线性瓦斯动力灾害。文章将BP神经网络运用于煤与瓦斯突出预测模型,从煤与瓦斯突出的原因、BP神经网络用于煤与瓦斯突出预测的原理、运用实例三方面,对利用BP神经网络预测煤与瓦斯突出的研究加以阐释,证明了BP神经网路预测系统的精度高于传统系统。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

基于BP神经网络的矿井摩擦阻力系数预测

为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素：巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。     

基于改进BP神经网络的孔板应力集中系数预测

在正交试验和无网格法数值计算结果的基础上,针对常用BP算法的不足,采用动量因子与自适应学习速率相结合的改进BP神经网络方法,建立了孔板应力集中系数预测模型。经过计算结果的检验,表明该模型是可行的,对今后孔板应力集中系数预测具有借鉴意义。     

基于BP模型的煤矿安全管理投入经济分析

为了合理利用有限资源,通过集成AHP与BP神经网络,建立煤矿安全投入综合评价模型,优化赋权,避免了局部最小点误差,使预测结果更加准确。同时考虑到煤矿系统安全投入不平衡的实际情况,结合西方经济学原理,调整生产函数中各要素投入量,利用已验证的BP网络进行二次预测。经验证优化投入会带来更高的经济效益,是未来发展的新方向。     

基于自适应变步长BP法的煤与瓦斯突出预测

为准确预测矿井煤与瓦斯突出的危险性 ,本文基于反向BP神经网络提出了一种改进的自适应变步长BP网络模型 ,加快了BP网络的收敛速度。实际应用效果表明 ,该模型具有收敛速度快、准确性高、可靠性和实用性强等特点 ,是一种有效的煤与瓦斯突出危险性预测方法