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。     

矿山边坡变形动态综合监测技术及稳定性预测

针对厂坝露天边坡的工程地质条件、边坡形态、稳定状态以及监测目的,提出了以GPS技术为主的动态综合变形监测方案。为此,从2001年12月3日至2003年8月13日,开展了596 d第一阶段的变形监测;针对第一阶段揭示的北帮1 500 m台阶潜在的滑体,进行了210 d（2006-05-01-2006-11-30）第二阶段变形综合监测。通过变形监测,并结合理论分析和数值模拟,预测了东帮稳定性,为矿山的安全生产奠定了基础。     

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PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

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。     

矿山边坡稳定性的弹性分析

利用弹性力学理论分析法，给出在自重应力作用下的矿山边坡内最大剪应力作用面的分布规律和最大剪应力迹线，为分析边坡稳定性提供了一定的理论依据。     

利用可视化快速神经网络评价边坡的稳定性

介绍了可视化快速神经网络的特点及设计。以大量的边坡实例为样本,利用该网络,对具有潜在圆弧形破坏和楔形破坏的这坡进行稳定性计算。计算结果说明神经网络对边坡稳定性状态能够作出准确的判断。     

GA-BP神经网络应用于边坡稳定性预测

为了提高边坡稳定性预测精度,本文引入遗传算法对BP网络的权阈值进行优化,建立GA-BP模型,并利用边坡稳定性的实测数据进行验证,通过数据的对比分析,表明GA-BP模型在预测精度上有很大的提高。     

BP神经网络在边坡稳定性预测中的应用

对BP神经网络的基本知识进行了简单介绍,并以BP神经网络为基础建立了边坡稳定性预测的数学模型,利用MATLAB的神经网络工具箱模拟了边坡稳定性的预测,结合收集到的边坡实例进行训练。结果表明,BP神经网络对边坡稳定性预测结果与实际符合,能够满足工程需要。表明应用BP神经网络进行边坡稳定性的预测是可行的。     

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。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。     

基于神经网络的矿井安全预测方法

矿井生产系统是一个涉及很多因素的复杂系统,各种自然因素、机器因素与人工因素并存,又受到气体、煤尘等环境因素的影响,不同因素之间还存在相互关联。因此,煤矿安全预测是一个典型的非线性问题。神经网络是一个典型的非线性动力学系统,能够利用历史的训练样例对未来趋势进行准确的预测,非常适于解决矿井安全预测问题。文章提出了将神经网络用于该问题的想法,并分析了可行性。     

远程在线监测雷达技术在露天矿边坡稳定性监测中的应用

分析现有的边坡监测技术,阐述远程在线雷达监测技术在边坡滑塌破坏过程中的数据采集、数据分析、滑坡预警等方面的特有优势。通过分析边坡雷达实时监测数据,及时发现露天矿边坡的风险区域,了解边坡的变形破坏规律及稳定状态,结合远程在线监测雷达监测边坡滑动破坏实例分析,表明该技术能够准确判断边坡稳定性、预测边坡滑动破坏发生时间,最大限度的保证露天矿山的安全生产。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

露天矿顺倾层状边坡稳定性的断层效应

作为一种典型的露天矿山边坡,含断层顺倾层状边坡的变形破坏机理及稳定性等问题尤为复杂。结合元宝山露天矿东帮边坡工程实际,基于强度折减理论,同时考虑岩体剪切和拉伸两种破坏机制,应用RFPA软件模拟研究了断层处于不同位置及无断层条件下顺倾层状边坡的动态失稳过程,分析了断层对边坡滑移模式、稳定性以及滑坡力学成因机制的影响,阐明了断层效应。研究结果表明,元宝山露天矿东帮边坡的滑移模式及稳定性主要受F1断层和顺倾弱层控制,断层的存在与偏移导致的坡体内剪应力状态改变以及断层自身的抗剪强度是边坡滑移模式和稳定性发生变化的根本原因;边坡的滑坡力学成因类型与断层无关。研究结果可为露天矿合理滑坡防治措施的提出及剥采工程设计与施工提供参考。     

基于GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

高陡矿山边坡稳定性动态分析及工程应用研究

露天开采形成的矿山边坡岩体的力学特性和稳定状态具有显著的动态特征,因此,传统的确定性分析方法难以获得可靠的稳定性分析结果。为此,结合边坡岩体的变形监测信息,提出了矿山边坡稳定性动态分析技术。为了进行边坡稳定性的动态分析,首先在边坡坡面布设一定数量的变形监测点,进行边坡变形监测。然后,根据矿山实际开采情况(坡高、坡角和地质构造),建立对应于当前开采状况的数值分析模型,并基于监测位移与计算位移之差最小为准则,进行等效边坡岩体参数的模式识别。最后,根据所获得的等效参数,进行当前边坡的稳定性评价或未来开采的稳定性预测。     

德兴铜矿西源岭410-380边坡变形特征与稳定性分析

边坡稳定性是确保露天矿安全生产的重要因素。基于野外调查,对德兴露天矿边坡开挖后的岩体变形破坏特征进行了分析,在此基础上进行了稳定性计算,并提出了相应的治理方案。