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Wet等6个主要预测指标。首先用主成分分析法(PCA)对原始数据预处理,不仅消除了指标之间的相关性,而且降低了维度;然后使用粒子群算法(PSO)去优化支持向量机的惩罚c和核函数参数g,建立基于主成分分析和粒子群支向量机(PCA-PSOSVM)的岩爆预测模型,并将PCA-PSOSVM的预测结果与支持向量机(SVM)模型和人工神经网络(ANN)模型的预测结果进行比较。结果表明:PCA-PSOSVM模型的判别准确率比SVM模型和ANN模型高。     

基于主成分分析和改进Bayes判别的岩爆等级预测

随着深部开采和地下空间的综合利用,岩爆灾害日益频发。为了提高岩爆预测的准确性,采用主成分分析法和改进贝叶斯(Bayes)判别法,选取岩石单轴抗压强度、脆性系数、岩石弹性能量等指标,建立岩爆综合预测模型。采用主成分分析法对原始数据进行预处理,消除相关性影响,满足Bayes判别条件,确定影响岩爆的主要因素;使用改进Bayes判别对岩爆烈度分级,在传统的Bayes模型基础上增加阈值修正,解决指标所属的类别分布不均、先验概率差距较大和后验概率位于分类边界附近出现误判的问题。研究结果表明,传统的Bayes判别预测样本的准确率达到93.18%,经过改进后大幅提高了模型的准确率和泛化能力,可为岩爆研究提供参考。     

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。     

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ITD信息熵与PNN的轴承故障诊断

滚动轴承是机械传动系统的重要组成部分,针对其故障率高、故障情况复杂的问题,提出一种基于固有时间尺度分解(ITD)信息熵与概率神经网络(PNN)的故障诊断方法。首先使用ITD方法对信号进行分解,对分解的分量进行相关系数计算,然后选取与原始信号相关系数大的前4层分量进行重构,提取前4层分量的样本熵与能量熵,最后将提取的熵值用PNN进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PNN相对于SVM可以提高故障诊断的正确率,正确率高达91.25%。     

基于BP神经网络电动机转子故障诊断方法的研究

利用BP神经网络对转子故障进行建模分析。发挥神经网络的自学能力和联想能力,对非训练样本,做出控制决策,表现非常灵活。可根据实验数据进行网络训练,用新数据进行模型验证。还与概率神经网络(PNN)进行对比验证。实验表明只要选择合适的节点数,BP神经网络比概率神经网络对转子故障有较强的学习和辨识能力,收敛较快,性能稳定,预测结果显著。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

基于Info-gap理论的巷(隧)道围岩岩爆稳健可靠性预测

鉴于岩爆倾向性围岩对其参数变化的强敏感性,考虑巷(隧)道围岩物理、力学、环境等参数的变化幅度,建立了基于Info-gap理论的Info-gap模型、稳健函数及评价模型,定义了具有明确含义的安全系数。采用抗力—荷载模型,基于岩爆烈度分级标准,建立了岩爆预测的功能函数。通过工程实例验证了基于Info-gap理论的岩爆预测模型的可靠性,并探讨了各参数对岩爆预测结果的影响。结果表明:基于Info-gap理论的岩爆预测模型是合理和适用的;通过岩爆预测评价模型,可实现对强烈岩爆、中等岩爆、弱岩爆和无岩爆的连续评价预测;若评价结果为强烈岩爆,则中等岩爆和弱岩爆必发生,若评价结果为中等岩爆,则弱岩爆必发生;随支护力的增加,稳健可靠度指标增加,支护对岩爆烈度降低及岩爆发生与否有重要控制性作用;对于巷(隧)道围岩内部而言,所处位置不同,稳健可靠度指标不同,代表其岩爆烈度不同,通过稳健可靠性分析可得出不同岩爆烈度的岩爆深度;地应力值的变化对岩爆烈度及岩爆发生与否有重要影响。研究结果可为岩爆预测及控制提供依据。     

基于10种机器学习算法的多指标岩爆倾向性等级评价

为探究在岩爆烈度等级预测中，判别指标数量和类别对模型稳定性的影响，提高岩爆预测精度。本文综合考虑诱发岩爆的内外因素，选取10个岩爆预测判别指标，通过将判别指标由少到多随机组合，建立1 023种指标组合方式；引入10种经典机器学习算法，构建岩爆烈度等级预测模型。为消除异常值，数量级和量纲的影响，采用四分位法寻找并替换异常值、进行归一化等数据预处理方法。利用穷举法，找出10种经典算法下平均精度最高的指标组合。研究表明：指标数量与模型稳定性无线性关系，其中3指标的组合预测效果最好，其综合准确率达到88.89%；算法模型中SVM和RF稳定性最优，综合准确率均达到88.89%；3种新的高稳定性指标组合方式分别是：3指标D、σθ、Wet组合，5指标D、Is、σmax、σθ/σc、Wet组合，7指标D、Is、σθ、σt、σc、Wet、（（σc-σt）/（σc+σt））组合。用本文优选的判别指标组合和预测模型，对大相岭隧道等进行岩爆倾向性等级评价，预测效果可靠，可为今后岩爆预测提供新的方法。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

岩爆分级预测的粗糙集-多维正态云模型

准确有效的岩爆分级预测对避免或减少岩爆灾害具有重要意义。选取围岩最大切向应力σθ、岩石单轴抗压强度σc、岩石单轴抗拉强度σt和岩石弹性变形能指数Wet作为岩爆评价指标,将多维正态云模型作为岩爆等级的预测方法,利用粗糙集确定评价指标权重,以国内外15组岩爆实例作为模型构建样本,建立了粗糙集-多维正态云岩爆分级预测模型。首先采用模糊集聚类后再通过粗糙集逐级筛选评价指标的方法确定评价指标权重,根据多维正态正向云发生器计算得到评价指标的确定度;然后利用评价指标权重和评价指标确定度计算评价样本的综合确定度,根据最大隶属度原则,判定评价样本的岩爆等级。采用鑫华矿业矿岩样本对粗糙集-多维正态云岩爆分级预测模型进行了有效性验证,计算结果与工程实际相吻合,表明该模型具有较好的实用性。     

基于修正散点图矩阵与随机森林的岩爆等级预测

为了提高岩爆预测模型的精度,以围岩洞壁最大切向应力(MTS)、岩石单轴抗压强度(UCS)、岩石单轴抗拉强度(UTS)、应力系数(SCF)、脆性系数(BI)、岩石弹性能指数(EEI)等参数作为预选预测指标.运用修正散点图矩阵分析指标间、指标与岩爆等级间的关系,筛选指标集中的离群值,确定构成岩爆预测的指标体系.引入并优化随...     

一种冲击地压危险性等级多参量辨识模型及应用

为了实现对冲击地压危险性等级快速、高效和准确预测,需要考虑冲击地压危险性多种影响因素,但影响因素间或多或少存在一定的相关性,从而导致参量信息重叠。提出一种主成分分析法(PCA)对冲击地压危险性相关指标数据进行降维处理,提取3个新指标对冲击地压危险性等级进行总体评价。在PCA的基础上,借鉴距离判别分析法(DDA),建立冲击地压危险性等级评价的PCA-DDA模型,将PCA-DDA模型应用于重庆砚石台煤矿冲击地压危险性等级评价。预测结果表明:在6种不同的训练和测试样本数下PCA-DDA模型仍具有良好的预测效果,其误判率分别为5.71%,5.71%,5.71%,5.71%,5.71%和8.57%;同时验证了PCA对冲击地压危险性评价结果。该模型可为矿山开采中冲击地压危险性等级评价提供借鉴,可在实际工程中推广应用。     

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。     

基于集成算法和普通机器学习算法的岩爆分级预测及选择

岩爆是国内外深部地下工程面临的巨大灾害,岩爆预测具有显著的现实意义。现阶段单一的机器学习算法准确率较低、泛化性不足,难以发挥各个算法优点。为满足岩爆预测与工程实际需要,提出基于集成算法和普通机器学习算法相互结合预测岩爆各个等级,充分发挥不同算法在某一岩爆等级预测的优势并形成互补。提出改进的Boosting、Bagging集成预测算法,与stacking、random forest、random subspace集成算法和普通学习算法诸如BP、贝叶斯算法（bayes）、k最近邻（KNN）、支持向量机（SVM）等在内的14种预测算法进行相互结合验证。基于国内外地下工程165组岩爆实例,选取围岩最大切向应力(MTS),岩石单轴抗压强度(UCS),岩石单轴抗拉强度(UTS),岩石弹性能量指数(Wet) 构建岩爆预测体系,引入T–分布邻域嵌入(T-SNE),对数据进行降维可视化。为避免算法预测岩爆过程中预测结果的偶然性,即出现预测准确率过高或过低的现象,采用在各个岩爆等级按照比例随机筛选训练集和测试集,确保数据集分类的严谨性;每次机器学习过程的数据都具有随机性,再采用10次运行结果后取各项预测平均值,评价算法在各个等级的准确率和算法整体的预测稳定性。结果表明：LDA 对 Ⅱ 级岩爆有更高的准确率,Bayes分类 Ⅳ 级岩爆效果最好,Adaboost.M1对 Ⅰ 级和 Ⅲ 级有最高的准确率。整体预测效果基于决策树的Bagging预测稳定性更好,预测精确率高。最后引入终南山隧道竖井工程案例,预测结果与现场实际工况较为一致,表明本文所建立算法的可靠性。     

模糊灰关联模式识别方法在岩爆预测中的应用

将模式识别方法用于岩爆预测研究,选取岩石弹性能量指数、脆性系数和围岩最大切向应力与岩石单轴抗压强度的比值作为岩爆灾害预测的主要影响因子,运用灰色系统理论和模糊数学原理提出了基于模糊灰关联模式识别的岩爆预测方法。利用所提出的方法对冬瓜山铜矿床岩爆倾向与烈度进行了预测研究,研究结果表明,该方法具有较高的预测精度,具有良好的应用前景。     

岩石脆性及描述岩爆倾向的脆性系数

在对岩石脆性进行分析的基础上，提出了利用岩石的单抗拉和抗压强度，峰值前、后应变值来计算岩石的脆性系数，认为该系数是衡量岩爆倾向性的一种尺度，从岩石脆性的角度建立了岩爆发生的岩性判别条件。     

岩体质量分级的Fisher判别分析模型及应用

将Fisher判别理论用于岩体质量分级,建立岩体质量分级的Fisher判别分析模型。选取单轴抗压强度、岩体声波纵波速度、体积节理数、节理面粗糙度系数、节理面风化变异系数、透水性系数6个指标作为岩体质量分级判别因子,以工程岩体实测数据作为学习样本进行训练,建立相应线性判别函数对待判样本进行分级。结果表明,FDA（Fisher Discriminant Analysis）模型稳定可靠、判别精度高、分类性能良好,且有效降低人为因素的影响,是岩体质量等级分类的一种有效方法,可在实际工程中推广应用。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。