岩爆烈度分级预测中的贝叶斯判别分析

针对岩爆烈度分级预测中存在诸多不确定因素的问题,应用贝叶斯判别分析法建立岩爆烈度分级预测的评价模型。根据岩爆的特点及成因,选取岩石的弹性能量指数Wet,应力系数σθ/σc及岩石脆性系数σc/σt作为判别因子;将岩爆烈度分为无、弱、中、强4个等级并作为贝叶斯判别分析的4个正态总体;以国内外14组工程岩爆分析初始数据进行分级判别,以训练样本建立贝叶斯线性判别函数,以该函数计算待判样品的贝叶斯判别函数值,以最大值对应的总体作为样品的归属。为进一步考察该模型的有效性与实用性,运用该模型对秦岭隧道工程及凡口铅锌矿的岩爆实例进行分析,并与人工神经网络模型、模糊概率模型的判别结果及实际情况进行比较。研究结果表明,该模型判别预测结果与人工神经网络模型及模糊概率模型的判别结果及实际岩爆情况较吻合。     

基于声发射测试的岩爆倾向性预测研究

为研究岩石岩爆倾向性与加载过程中声发射特征的关联,建立了不同岩爆倾向岩石加载过程中声发射累积数与应变的定量关系,并对3种不同岩爆倾向性岩石单轴加载下的声发射特征进行了实验室试验,验证了其正确性。当岩石岩爆倾向性较强时,随着应变量的增加,主破裂之前只有零星的声发射出现,并且能量非常小,主破裂之后的声发射几乎没有,而主破裂时的声发射数目和能量都非常显著。当岩石岩爆倾向性较弱时,加载不久就有少量声发射出现,在时间上呈现无规则型、没有声发射率显著变化的阶段出现。     

基于V-SVR算法的岩爆预测分析

以预测地下工程岩爆发生为研究目的,在综合影响岩爆的关键因素的基础上,选取地下工程围岩最大切向应力、岩石单轴抗压、抗拉强度、弹性能量指数、围岩切向应力与围岩抗压强度比值、围岩抗压强度与其抗拉强度的比值作为岩爆预测的评判指标,建立了一种基于改进支持向量机算法(v-SVR)的岩爆预测方法,并利用国内外45个岩石地下工程实例进行学习,对另外的16个实例进行了预测,取得了较好的效果,其预测精度明显优于灰色理论和常规SVR算法,与GA-BP神经网络算法相近.     

大厂矿区深井岩爆预测

大厂矿区灾难地压研究是国家西部开发科技行动的攻关课题 ,本文从国内外岩爆研究进展与现状出发 ,结合我国深井岩爆控制的需求 ,阐述矿井岩爆研究基本思路、发生岩爆区域必备条件、矿井岩爆类别、大厂深井岩爆预测基本格局 ;指出了深化地应力分布规律、构造体系与工程体相对定位、潜能的多维复合刚度体系分配研究是铜坑矿坚硬顶板高压注水软化、高峰矿礁灰岩体岩爆触发预测的基础。大厂矿区深井岩爆的预测 ,指导了攻关课题实施 ,可供深井岩爆控制参考借鉴     

岩爆预测的Vague集模型

为合理准确地预测岩爆烈度,提出了一种新的Vague集岩爆预测模型。选取岩石单轴抗压强度、硐室最大切向应力、岩石抗拉强度及岩石弹性能量指数进行分析,并采用Vague熵确定各指标权重。将传统岩爆烈度等级细化为若干微元等级,基于Vague集的相似度量建立岩爆预测模型,根据相似度量曲线预测岩爆烈度等级。将国内外30个岩爆实例参数代入该模型进行验证,结果表明该模型具有较高的准确性。最后将该模型应用于马路坪矿和大相岭隧道的岩爆预测,结果与实际情况相符,且可预测处于同一传统岩爆等级中不同岩爆实例的烈度大小,提高了岩爆预测精度,为岩爆预测提供了一种新方法。     

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI_1,RCI_2,RCI_3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。     

基于随机森林模型的岩爆等级预测研究

以岩石单轴抗压强度、单轴抗拉强度、硐室最大切向应力、岩石压拉比、应力系数、弹性变形指数和完整性系数为岩爆评价指标, 建立了4种评价方案; 在引入随机森林算法的基础上, 建立了岩爆等级预测的随机森林模型, 并通过R语言编写代码对该模型进行了计算, 得出评价指标的重要性和预测结果; 将4种评价方案用随机森林法、线性回归法和支持向量机法分别进行预测并将结果进行对比分析。结果表明：随机森林法的岩爆预测准确率较高(达到97%), 适用于解决数据不完全的小样本问题; 岩石完整性系数重要度最大, 岩石单轴抗压强重要度最小。     

基于AdaBoost-BAS-SVM模型的岩爆预测研究

岩爆是发生在深埋地下高应力岩体开挖工程中的一种动力破坏现象,作为矿山开采过程中的主要工 程地质灾害之一,其等级预测是必须解决的岩石工程的重大问题。综合岩爆预测过程中多因素影响,选取 σθ/σc、 σ c/σt、Wet作为岩爆等级预测指标。通过利用天牛须搜索（BAS）算法解决支持向量机（SVM）中的重要参数 C 与 gamma 择优问题,并引用 AdaBoost 集成学习算法对 BAS-SVM 弱学习器进行强化训练,解决了单一分类器不稳定问题, 最终建立了 AdaBoost-BAS-SVM 岩爆等级预测模型。通过收集到的 194 组实例数据对该模型进行训练测试,并与 SVM、BAS-SVM、AdaBoost-SVM 3 组模型进行结果对比。结果表明：该模型较其他 3 组模型预测准确度更高,其收 敛性能明显提高,可有效、快速地预测岩爆等级。     

基于非线性混沌理论的岩爆预测方法展望

在回顾总结几十年来国内外岩爆预测预报的历史经验的基础上，结合近年来蓬勃发展的非线性理论，从岩土体天然的非线性本质出发，提出以非线性混沌理论作为基本出发点来研究非线性的岩爆问题的思路。     

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。     

基于SOM聚类和灰度TOPSIS评价法的岩爆预测

随着资源量的不断减少,采矿深度不断增大,岩爆发生概率也逐渐增大。为对岩爆等级进行精确预测,提出了一种聚类-关联度TOPSIS模型预测岩爆的方法。在综合分析岩爆产生条件的基础上,从应力、岩性、能量三个指标对样本进行归类处理,并将灰色关联度和TOPSIS评价法相结合。该方法可以通过自组织特征映射网络将样本准确分类,同时通过灰色关联度计算不同指标的权值,最后通过TOPSIS评价法对岩爆等级进行判据。该方法使得岩爆预测多信息融合更加客观,可操作性强。对比工程实例,发现SOM神经网络聚类-关联度TOPSIS岩爆预测法模拟计算与工程实例情况基本一致。     

基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子 f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明：即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。     

基于范数优化超限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

基于融合特征选择算法的钻速预测模型研究

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。     

基于微震法的煤矿冲击危险性监测研究

强矿震发生前的大量矿震信号是评价冲击矿压危险的重要信息源。本文以平十一矿安装的SOS高精度微震监测为基础,利用主成分分析技术构建了震源集中程度指标值,与震源能量和震动频次的现场统计研究结果表明:1)强矿震主要集中在煤层群多工作面停采线包围的煤柱叠加群内;2)强矿震发生前,震源能量首先经历1个震动活跃期,之后出现较明显的下降阶段,当震动频次维持在较高水平时,具有强矿震危险性;3)震动次数越多,震源集中程度指标值越小,发生强矿震的可能性就越大。基于3个参量的前兆规律,针对平十一矿建立了冲击危险性打分标准,并利用累加法进行冲击危险的整体评价,结果表明该评价体系能够及时指导现场防治降低冲击危险性。     

基于机器学习算法的区域地质环境承载力评价方法研究

随着国家对生态文明建设重视程度不断提高,人们对所住区域的地质环境承载能力越来越关心,也对地质环境承载力评价的方法提出了新的要求。本文引入机器学习方法 ,以地质环境承载力的评价理论为基础,提出了基于机器学习算法的地质环境承载力评价方法。通过梳理国内外地质环境评价相关成果,分析地质环境的各种评价要素,提炼出影响地质环境承载力的主控因素,在此基础上建立适合于机器学习的地质环境承载力评价指标体系,再结合机器学习方法,构建基于机器学习算法的地质环境承载力评价模型,对区域地质环境承载力进行评价,并以眉山市彭山区为例,进行承载力评价,为其他区域的地质环境承载力评价提供应用示范和评价方法。     

基于机器视觉及IHS-LSSVM的浮选回收率预测

针对矿物浮选过程中回收率难以在线检测的问题,提出了一种基于机器视觉技术、改进和声搜索算法(HS)优化LSSVM参数的预测方法(IHS-LSSVM)。首先提取浮选泡沫图像的颜色、气泡尺寸、分形系数、运动速度等多个特征,接着改进和声搜索算法的"调音"策略,进而找到LSSVM的最优参数,并建立浮选回收率预测模型,最后采用铅矿浮选现场数据对模型进行测试。试验结果表明,相对于现有方法,该预测方法提高了预测精确度。