基于判别分析法的岩爆烈度预测研究

岩爆是岩土工程中棘手的地质灾害,工程中以预防为主。现有岩爆分级预测模型大多存在选取样本较少和准确率较低的问题。综合岩爆的参考指标,现选取围岩最大切向应力与岩石单轴抗压强度比σ_θ/σ_c(应力系数)、岩石单轴抗压强度与单轴抗拉强度比σ_c/σ_t(脆性系数)和弹性能量指数W_et作为分级评判指标,广泛收集不同工程的104组岩爆实例,选取其中84组作为样本集进行训练,20组作为测试集进行检验,应用SPSS的判别分析中的Bayes判别和Fisher判别训练及测试,输出结果中,选取了训练效果较好的Bayes判别模型。对95.23%的样本集进行了正确分类,验证集检验准确率为85%,将该模型应用于工程实例中,预测结果与实际结果相符,预测结果表明该模型有较好的应用前景。     

岩爆等级预测的PCA-OPF模型

为了高效准确预测岩爆烈度,将主成分分析(PCA)和最优路径森林(OPF)算法相结合,选取岩石单轴抗压强度、应力系数、脆性系数、弹性能量指数以及完整性系数这5个指标建立了岩爆预测的PCA-OPF分析模型。通过SPSS软件对国内外50组岩爆工程实例数据做主成分分析,依据方差累计贡献率得出3个主要影响因素,作为输入因子对OPF模型进行训练、评估、测试。试验结果的平均预测准确率可以达到91.25%,对比于其它数学模型,PCA-OPF模型预测准确率更高且更稳定,表明PCA-OPF模型在岩爆等级预测中有较好的实用性,可作为一种新的岩爆等级预测方法。     

基于Fisher判别的地下工程岩爆预测

按照Russenes和王元汉等人的岩爆经验判别准则,取硐室最大切向应力和岩石单轴抗压强度的比值、岩石单轴抗压强度和岩石单轴抗拉强度的比值、弹性能量指数作为地下工程岩爆的评判指标,利用国内外14个地下工程岩爆资料作为训练样本,建立Fisher岩爆级别判别模型,并对待判样本岩爆级别进行了预测.结果表明,所建Fisher岩爆判别模型的计算结果与实际情况吻合程度高,具有较强的判别能力.     

高地应力判别和岩爆预测方法

地下工程在施工过程中经常出现岩爆、煤瓦斯突出、涌水、边墙膨胀、底部鼓起、坍塌等严重安全问题，为确保重大地下工程的久远稳定性和安全正常运行，在施工过程中有必要进行高地应力判别和岩爆预测。     

基于PCA-SVM的岩爆预测

岩爆是深部地下工程开挖掘进过程中常见的地质灾害,具有显著的随机性、突发性和复杂性,随着深埋工程的增多,岩爆预测的重要性日益凸显.根据岩爆的影响因素、特点及成因,选取了围岩切向应力σθ,单轴抗压强度σc、单轴抗拉强度σt、脆性系数σc/σt、应力系数σθ/σc和冲击倾向性指数W et等6个主要预测指标.首先用主成分分析法...     

矿区采空塌陷危险性预测的Bayes判别分析法

提出了矿区采空塌陷危险性预测的Bayes判别分析方法.首先分析了目前因采空区塌陷导致灾害事故发生的危害程度,随后介绍了Bayes判别分析方法的原理、判别准则和检验方法,在此基础上考虑采空区塌陷问题的具体特点和影响因素,选取北京西山某矿区的典型塌陷情况作为案例,对Bayes方法的运用进行了具体说明.分别选取了覆盖层类型、覆盖层厚度、地质构造复杂程度、矿层倾角、采空区体积率、采空区距地表的垂深和采空区空间叠置层数作为判别指标,以历史上17个典型塌陷资料作为学习样本进行训练,建立采空塌陷危险性预测的Bayes判别分析模型,并利用回代估计法对该模型进行检验.研究结果显示,训练后的模型判别结果完全符合实际情况.将该模型运用于7个预测样本的判别中,判别结果也和实际情况一致,说明Bayes判别分析模型具有良好的判别能力.     

基于核主成分分析的煤层冲击倾向性判别

针对煤层冲击倾向性判别,采用MATLAB数据分析软件编写核主成分分析程序,对试验煤样的冲击能指数、弹性能指数、动态破坏时间、抗压强度以及弹性模量等煤层冲击倾向性指标进行核主成分分析,获取影响煤层冲击倾向性的主成分序列。根据核主成分分析结果,建立煤层冲击倾向性判别模型,为评价煤层冲击倾向性提供依据,对矿山冲击地压预防具有重要意义。     

煤巷围岩分类的Bayes判别分析法

选用影响煤巷围岩分类的主要6项指标作为Bayes判别分析模型的判别因子,以15组煤巷围岩实测数据作为学习样本进行训练,通过分析计算,建立了相应的线性判别函数,并利用回代估计方法对训练后的判别模型进行检验,其回判估计的误判率为0。利用该模型对3组煤巷围岩实测数据情况进行识别,其结果与实际情况完全一致,并与神经网络和支持向量机的预测结果进行对比。结果表明：Bayes判别分析法判别能力强,交叉确认估计的误判率低,是解决煤巷围岩分类的一种有效方法。     

基于Bayes判别分析模型的风化基岩富水性预测

风化基岩含水层是陕北侏罗纪煤田煤炭开采的主要充水含水层,风化基岩含水层富水性的分区预测是矿井防治水的关键。以红柳林井田中西部为研究区,在分析影响风化基岩富水性控制因素的基础上,选取了风化基岩厚度、岩心采取率、风化程度、岩性组合、风化基岩顶面标高以及砂基比6个因素作为判别指标,以研究区内41组有效风化基岩钻孔抽水试验数据以3∶1的随机分配方式作为训练样本及验证样本,构建了富水性Bayes判别分析模型;采用该模型对红柳林井田中西部未进行过抽水试验钻孔的风化基岩富水性类别进行了预测,得到了风化基岩富水性预测图。结果表明：研究区西一盘区内整体富水性相对较强,强富水性区空间分布不均;北二盘区及南二盘区大部分区域富水性相对较弱;极弱富水性区分布于东南部。通过与实际生产中工作面涌水量及出水点位置对比,该富水性分区预测结果与实际吻合。     

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。     

基于贝叶斯判别分析方法的岩爆烈度预测研究

针对各种岩爆烈度预测判据的结果有时产生比较大的误差,提出了贝叶斯判别分析方法。选取强度脆性系数(Rb)、弹性应变能储存指数(Wet)、Russenses判据作为岩爆预测的判别因子,建立贝叶斯判别分析模型,并对样本进行后验概率和回代检验,最后利用该模型进行预测。研究结果表明,该模型预测结果准确率达93.75%,与实际情况较吻合,可以在实际工程中应用。     

基于主成分分析与距离判别分析法的突水水源识别方法

矿井突水是采矿生产过程中威胁最大的自然灾害之一,快速有效地判别矿井突水水源是采矿工程安全生产的重要保障。选取7种水化学成分指标作为突水水源识别的样本变量,采用主成分分析与距离判别分析相结合的方法建立了突水水源判别模型。以淮南老矿区谢一煤矿不同水层的水化学特征资料中的33个为学习样本,11个为预测样本,对该方法进行了检验和应用,并与现有的灰色关联度判别模型、Bayes判别模型的判别结果进行分析比较。研究结果表明:基于主成分分析与距离判别方法的突水水源判别模型其回判准确率为95%,预测正确率为91%,为矿山突水水源的识别提供了一种新方法。     

基于主成分分析的潘谢矿区突水水源Fisher判别模型

依据淮南潘谢矿区的各含水层水化学成分的差异性,针对复杂的多类突水水源判别问题,建立基于主成分分析方法与Fisher分析方法的水源判别综合模型。以潘谢矿区的39个水样作为学习样本,6个水样作为预测样本对该模型进行检验和应用。结果表明:该模型判别矿井突水水源准确率高,具有准确快速、简易方便、实用性强的特点。     

基于主成分分析和朴素贝叶斯判别分析法的矿井通风机故障识别研究

为了正确诊断和识别矿井通风机故障,选取矿井通风机振动信号中的7个频率段能量指标作为故障识别的样本变量。在此基础上,采用主成分分析(PCA)与朴素贝叶斯(NBC)判别分析相结合的方法建立通风机故障判别模型。以采集到的15个样本数据为学习样本,10个为预测样本,对该模型进行检验和应用,并与传统NBC判别分析模型和其它模型的结果进行比较。测试结果表明利用PCA与NBC故障判别模型能够有效地消除样本变量指标间的相互影响,使故障判别结果更加准确。     

矿井突水水源分析的Bayes判别分析模型及其应用

将Bayes判别分析方法应用于矿井突水水源分析问题研究中.选用多项化学指标作为判别因子,建立了适用于不同水质类型矿井的两类和多类水源分析的Baycs判别分析模型.基于Bayes判别分析方法的原理,利用不同矿区突水水源的典型样本,对Bayes判别方法的判别过程和检验方法进行了具体说明.针对两类水源,选用Ca2+、Mg2+、Na+、K+、Cl-、HCO3-、SO42-、NO3-、F-和pH等10项指标作为判别因子.对多类水源,选用Na++K+、Ca2+、Mg2+、Cl-、SO42-、HCO3-等6种离子组合作为判别因子,利用华北某矿区10例典型样本和焦作矿区39例典型样本作为数据源,分别建立相应的判别模型.判别结果完全符合实际情况,并与数量化理论、支持向量机方法进行了比较.研究结果表明,Bayes判别方法的计算过程简单、模型结构稳定,回代估计判别结果以及预测结果的准确性很高,对突水水源的判别具有很强的预测能力,可以在实际工程中进行应用.     

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。     

岩爆预测的距离判别模型及应用

将距离判别分析法(DDA)应用于岩爆预测中,建立了岩爆预测的距离判别模型.选取影响岩爆的主要因素,如最大切向应力σθ、单轴抗压强度σc、单轴抗拉强度σt和弹性能量指数Wet等4个指标作为判别因子,以岩爆实测样本作为训练样本,建立相应线性判别函数对待判样本进行分类.研究结果表明,距离判别分析模型是岩爆预测的一种有效方法,可以在实际工程中应用.     

基于粗糙集与遗传算法的岩爆倾向性预测方法研究

结合粗糙集理论与遗传算法,提出一种新的岩爆倾向性预测方法。以碳化矿床采场工作面岩爆倾向性预测为例,选取9种岩爆影响因素作为条件属性,将采场工作面岩爆倾向性结果作为决策属性,选取77组采场岩爆或非岩爆工程实例数据,构成岩爆倾向性预测样本集合。将样本集合随机分为训练样本和测试样本2个集合,对2个集合的属性值进行量化,建立训练样本决策表与测试样本决策表。采用遗传算法对训练样本决策表的条件属性进行约简,得出条件属性的最小约简和核。应用粗糙集理论从约简结果中提取精简的岩爆倾向性判别规则集。用获得的规则集对测试样本决策表中的岩爆倾向性进行预测,并与实际结果对比,验证了判别规则集的可行性和有效性。结果表明,基于粗糙集与遗传算法的岩爆倾向性预测方法更具客观性和科学性,有较高的工程实用价值。     

基于AHP-FUZZY方法的隧道岩爆预测

在综合分析岩爆发生条件的基础上,对岩爆产生的影响因素进行了系统归类,并与系统工程决策方法和模糊数学评价方法有机结合,提出了一种层次分析法－模糊数学（AHP-FUZZY）岩爆预测方法,该方法较全面地考虑了岩爆发生的多种影响因素,避免了仅考虑少数几种判据所带来的局限性,同时通过层次结构分析方法较为客观地给出了各种影响因素的影响程度值,为提高岩爆综合预测评价的可靠性创造了条件.工程实例表明：AHP-FUZZY预测与有限元模拟计算的结果基本一致,而且与隧道已开挖段岩爆发生的实际情况也基本一致.     

基于Bayes判别分析法的煤与瓦斯突出预测研究

建立了煤与瓦斯突出预测的Bayes判别模型,选用5项指标作为判别因子,将突出类型分为4个等级作为Bayes模型的正态总体,利用训练好的模型进行了实例预测。研究表明,Bayes判别模型是预测突出的有效方法。