基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

BP神经网络在高密度电法反演中的改进与应用

采用BP神经网络反演的方法,通过ANSYS数值模拟获取训练样本,克服了传统Res2dmod获取的训练样本误差大的缺点。将训练好的网络用于其他视电阻率数据的反演中,将反演后的数据和传统的二维反演软件Res2dinv的反演效果进行对比分析。表明BP人工神经网络训练误差达到一定精度后,能够克服传统线性反演的不足,最后结合工程实例说明BP神经网络反演的可行性。     

渗流参数的反分析及其工程应用

分析了神经网络方法的优缺点，然后利用BP网络的最大误差学习算法对岩土体渗透参数进行反演求解，渗流参数决定了流网的形状。根据边坡渗流场的水头观测数据及现场注水试验资料，用神经网络方法进行了渗透参数的反分析。以一大型露天采场边坡为例，应用该方法确定了边坡岩体的渗透系数，并进行了有限元计算，编制了相应的计算程序。工程应用表明，水头预测值与观测值吻合，为边坡的稳定性分析提供了依据。     

PSO-Elman神经网络在尾矿坝位移预测中的应用

由于BP神经网络模型容易出现局部极小值和训练时间长等缺陷,Elman神经网络模型有搜索速度慢、易出现局部最优等不足,因此考虑采用PSO-Elman神经网络模型进行尾矿坝位移预测。利用Matlab神经网络工具箱对PSO-Elman神经网络、Elman神经网络、BP神经网络三种模型进行编程,结合工程算例,验证了PSOElman神经网络模型在尾矿坝位移监测数据预测分析中具有更好的预测效果。     

改进BP神经网络在煤与瓦斯突出预测中的应用研究

影响煤与瓦斯突出的因素较多,且呈现出复杂的非线性关系,采用传统的BP神经网络对煤与瓦斯突出进行预测,存在收敛速度慢及易陷入局部极小两个突出问题。为了克服缺陷、提高煤与瓦斯突出预测的精准性,笔者提出了一种改进的BP神经网络,并将其应用到煤与瓦斯突出预测中,建立了基于MATLAB神经网络工具箱的改进BP神经网络模型,并以此模型为基础,研发了煤与瓦斯突出预测系统。通过试验可知,该系统可使煤与瓦斯突出预测管理工作更加准确、可靠和高效。     

偏最小二乘回归的神经网络模型在巷道围岩位移预测中的应用

偏最小二乘回归方法集多元回归、典型相关分析及主成分分析的功能于一体，能有效地处理自变量的多重线性相关问题，但不能较好地处理因变量与自变量间复杂的非线性问题，而神经网络方法是处理非线性问题的有力工具，但输入数据的严重相关性会使得网络的求解变得不稳定且收敛速度很慢，本文试图把这两种方法结合在一起来预测巷道围岩的位移．结果表明，结合方法比单一方法优越．通过偏最小二乘回归对巷道围岩的位移影响因子的处理，消除了影响因子的线性相关性，并提取了对因变量解释性最强的成分，使BP(back propagation)网络的输入层节点数目由原来的7个减少到3个，起到了简化网络结构，增强网络稳定性的作用．     

基于遗传算法的神经网络在GPS高程拟合中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点，文中提出采用遗传算法学习BP网络的权值进行GPS高程拟合，并通过实例将该算法分析与标准BP进行比较，从而验证了该算法的可行性。     

基于BP神经网络的煤炭自燃温度预测方法研究

在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。     

边坡位移时间关系模拟的人工神经网络模型

利用Matlab语言编程建立BP神经网络模型，并基于大量的历史位移数据模拟了边坡位移与时间的关系．最后将模型用于山东省莱州仓上金矿北帮边坡的位移预测．比较表明，模型计算结果与监测值相差很小，说明应用模型预测边坡位移是可行的．     

BP神经网络在巷道围岩力学参数反分析中的应用

针对鲍店煤矿巷道围岩的特点,提出一种基于BP神经网络,可采用巷道围岩力学参数与巷道位移变形之间的非线性关系的围岩参数反分析方法,反演的围岩参数代入数值模型后与实测值比较,结果误差小、精度高。     

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。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于BP网络的采矿巷道围岩力学参数反分析

为较理想地处理巷道的收敛变形与围岩力学间的复杂非线性关系,应用反分析方法研究了大冶铁矿龙洞-74 m水平采矿巷道的围岩力学参数.首先应用正交试验理论确定有限元正分析的围岩力学参数取值样本,运用2D-Sigma有限元软件计算巷道的收敛变形值;然后将有限元计算位移值作为输入样本,相应的围岩力学参数作为输出样本训练BP神经网络;再将实测位移带入训练好的神经网络反分析得到相应围岩力学参数,以此围岩力学参数作为二次正分析的计算参数进行有限元计算,并比较分析位移计算值与实测值的误差.结果表明,采用该方法获取围岩力学参数是可行的,其结果符合工程实际要求.     

开关磁阻电机神经网络磁特性分析

基于BP神经网络在非线性系统建模和控制方面的优点,利用BP网络分析了开关磁阻电机的磁特性关系,并建立了相应的分析模型。通过与样机实测数据比较,验证了利用神经网络分析开关磁阻电机磁特性的有效性。与传统的局部线性化方法比较,本所用方法具有更好的泛化能力,比较准确地反应了开关磁阻电机的运行特性,这对于开关磁阻电机的实时在线控制具有重要意义。     

复杂应力路径人工冻土三轴剪切试验及本构模型

构建人工冻土BP神经网络本构模型,利用冻土三轴实验数据对神经网络模型进行训练,并2次开发有限元本构程序。用BP神经网络本构模型能很好的反映人工冻土非线性,人工冻土三轴数值模拟值和实验值误差在2.43%范围内。通过深井冻结工程数值模拟表明:人工冻土BP神经网络本构模型能较好的描述复杂应力路径变形特征,数值结果和现场实测规律一致,且和实测位移误差在5.0%;应用BP神经网络冻土本构模型准确预测预报人工冻土帷幕应力场和变形场,为冻结工程设计与施工提供参考。     

爆破震动强度预测的神经网络模型研究

爆破震动控制一直是工程爆破界的一个重要研究课题,而如何对爆破震动进行准确地预测则是进行震动控制的前提和基础。BP神经网络是目前在非线性预测中得到极为广泛的一种神经网络模型,通过建立一个BP神经网络实现了对爆破震动速度的预测,并与常用的线性回归方法进行了比较,结果表明,神经网络预测模型具有更高的精确性。     

BP网络在露天矿边坡角优化中的应用

基于影响边坡稳定性的主要自然和工程因素,运用BP神经网络预测岩质边坡的稳定性,经大量样本进行网络训练,得出可靠的BP网络模型,预测露天矿最终边坡的最优化角度,并将结果与多元线性回归的预测角度比较。研究表明神经网络法具有精度高、收敛速度快、容错能力高等特点,能够满足实际工程的需要,是有一定实用价值和参考价值的边坡稳定性预测方法。     

岩质边坡结构面参数反演的免疫遗传算法

基于均匀设计、有限元法、人工神经网络和免疫遗传算法建立了新的岩质边坡结构面参数的反演方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用免疫遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,大大缩短了计算时间.通过实际工程的算例分析,反演结果比较理想.     

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。