应用声发射技术预测采场稳定性

针对地下矿山存在的问题及声发射技术的发展现状 ,本文从现场调查、数据获取、数据分析等方面介绍了声发射技术在地下矿山冒落预测预报中的应用。通过理论上的分析及现场的应用 ,说明声发射技术在井下矿山安全管理中能发挥重要作用。     

基于PCA-BP神经网络的LF精炼终点温度预测

为提高LF精炼钢水终点温度控制水平,提出了基于主成分分析（PCA）和BP神经网络的联合方法预测LF钢包炉精炼钢水终点温度。基于冶金理论和实际生产实践,选取了42CrMo钢生产过程的10个对终点温度有显著影响的因素作为预测模型的指标体系,然后借助主成分分析法对样本数据进行处理,得到了7个主成分变量,累计方差贡献率为87.24%,消除了数据之间的关联性,以此为基础,建立了基于PCA-BP神经网络的LF炉终点温度预测模型,该模型预测误差在±25℃时,模型的命中率为98.71%,模型有较好的识别能力,能够达到LF炉生产过程预测终点温度的目的。     

基于PCA-BP神经网络的尾矿库坝体稳定性分析

基于尾矿库坝体稳定性影响因素具有复杂多变性、随机不确定性和非线性的特点,为了确保尾矿库稳定并且有效预防尾矿库事故的发生,建立了基于PCA和BP神经网络的尾矿库坝体稳定性研究模型,该模型通过应用SPSS软件对来自多个尾矿库失稳实例的原始数据进行标准化,找出影响尾矿库坝体稳定的主成分,然后把主成分作为BP输入样本,运用MATLAB软件进行训练仿真。结果表明：在BP训练前,利用PCA算法对原始样本进行预处理,能有效地提高训练的速度和精度,得出了PCA-BP神经网络模型在尾矿库坝体稳定性分析中是可行的。     

层次分析法在采场岩体稳定性预测预报中的应用

运用层次分析法分析了在采场岩体稳定性预测预报中各层次因素所占的权重，为应用模糊数学综合评着法评价采场稳定性解决了前提问题。     

采场顶板稳定性的模糊综合评价

采场顶板稳定性的评价往往具有模糊性。本文应用模糊数学方法，选取六个主要因素作为影响采场顶板稳定性的因素论域中的参量，提出了采场顶板稳定性的模糊综合评价方法，并在文章最后给出了应用实例。     

良山铁矿采场稳定性分析初探

本文在矿山现场工程地质工作基础上应用赤平投影、实体比例投影和块体极限平衡理论对良山铁矿空场采矿法非水平采场顶板稳定性进行了分析探讨。     

提高采场稳定性的有效措施

介绍了三山岛金矿如何应用岩石力学研究成果，在采场内采取有效措施，来提高采场的稳定性。     

鸡笼山金矿试验采场稳定性分析

结合鸡笼山金矿的具体工程实际,运用FLAC3D有限差分数值模拟软件对试验采场进行了稳定性分析,得出了控顶高度为6m时采场围岩的应力、位移分布特征.从而在保证矿山安全生产的前提下,为最大限度地提高采场生产能力及矿石回采率提供可靠依据.     

采场结构尺寸优化及采场稳定性分析

本文利用数值分析方法对铜录山矿露天和地下联合开采的矿岩稳定性进行了研究，并对地下采场结构尺寸进行了优化，为安全、高效地回采地下矿产资源提供了有力保证。     

基于SVM和BP神经网络的部分稳定氧化锆稳定率预测方法

由于部分稳定氧化锫具有优良的物理化学性能,在冶金及材料中有着重要的地位,稳定率是部分稳定氧化锫产品性能的一个重要指标.而部分稳定氧化锆的制备过程具有非线性、多变量、时变等特点,本文采用了支持向量机( SVM)及BP神经网络方法对部分稳定氧化锆的稳定率进行了预测.将热处理温度、保温时间、降温速率、淬火温度及升温速率5个指标(参数)作为模型输入量,部分稳定氧化锆的稳定率作为输出值,分别以48组实验数据作为学习样本,并建立模型,运用该模型预测了5组部分稳定氧化锫的稳定率.实验结果表明,2种模型均具有较好的预测能力,人工神经网络模型预测结果平均误差为1.48％,支持向量机模型预测结果平均误差为0.68％,并且支持向量机预测部分稳定氧化锆的稳定率精度更高,可在实际生产过程中推广应用.     

基于非线性主成分分析与自适应小波神经网络的球团质量预测模型研究

在链篦机-回转窑法球团生产过程中,成品球团的质量与系统的热工制度的控制和参数调节密切相关。鉴于系统的过程变量多、滞后性大、周期性长的特点,提出并建立了基于非线性主成分分析与自适应小波神经网络的球团质量预测模型,并用实例证明,该模型在质量预测中与传统的BP神经网络模型相比有较好的效果。     

基于改进BP算法的连铸板坯中心偏析预报模型

结合某厂连铸生产数据,采用带有附加动量项的改进BP算法,建立了连铸板坯中心偏析的BP人工神经网络预测模型。应用结果表明,其预测准确率为90%,可满足连铸生产中对铸坯中心偏析预报精度的要求。分析导致预报偏差的主要原因是,网络模型隐含层节点较多、网络结构复杂、中心偏析等级为1.0的样本学习次数较多和噪音样本剔除不彻底等。     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内,且学习算法收敛速度快。     

Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm-particle swarm optimization （PSO） is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network （NN） called PSO-BP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

基于BP神经网络的大方坯质量在线预报模型

在对铸坯质量缺陷类型及其主要影响因素分析总结的基础上,确定以特殊钢大方坯常见的中间裂纹、中心裂纹和中心偏析为研究对象,利用BP神经网络建立了该3种典型缺陷的预测模型.基于冶金理论和连铸生产大量历史数据的统计分析,提炼出影响以上3种内部缺陷的20个主要工艺参数,进而提出20-15-3的预测模型网络拓扑结构.采用生产现场数...     

基于PCA-BP神经网络模型的充填体强度预测

充填体强度预测对矿山充填设计具有重要意义。选取胶砂比、水泥、石灰、石膏及矿渣含量作为充填体强度影响因素,借助主成分分析（PCA）消除自变量间相关性,降低数据维数,再结合BP神经网络具有较好预测性的特点,建立了PCA-BP模型以预测充填体强度。对18组充填体试验数据进行主成分分析,5个影响因子降维为3个主成分,将其作为BP神经网络的输入因子,进而探讨了隐含层神经元个数对充填体强度训练和预测精度的影响,并比较了PCA-BP神经网络、标准BP神经网络和二次线性回归效果。结果表明：PCA-BP模型最佳预测结构为3-7-1;PCA-BP神经网络结果优于BP神经网络和二次线性回归;PCA-BP神经网络训练和预测的最大相对误差仅为3.65%,实现了充填体强度的准确预测。PCA-BP模型为充填体强度预测提供了一种高精度的分析方法。     

基于BP神经网络预测硬质合金硬度

通过BP神经网络，对WC-Co硬质合金硬度进行模拟和预测。结果表明，该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。     

基于神经网络的真空感应炉终点钢水温度预报

针对真空感应炉生产过程中温度测量成本较高及精度较差等不足,建立了基于RBF神经网络的真空感应炉终点钢水温度预报模型。对输入参数作了详细的分析、筛选,并运用聚类算法对该模型进行了训练。结合现场数据进行了学习和预报,预报命中率较高,表明采用该方法可很好地预报钢水温度。