AGO-BP神经网络在主要影响角正切求取中的应用

主要影响角正切tanβ是用概率积分法进行开采沉陷预计的主要参数之一,决定着地表沉陷的影响范围。指出了影响主要影响角正切的主要地质采矿因素,并根据一些矿区的实际观测资料,建立了求取主要影响角正切的AGO-BP神经网络模型。该模型是首先运用灰色理论中的累加算法对选定的原始计算数据进行预处理,然后采用BP神经网络模型计算主要影响角正切。AGO-BP神经网络模型不仅能够自动调整网络参数,而且避免只采用BP神经网络进行计算时可能出现的模型不稳定问题,所得到的主要影响角正切精度有一定的提高。     

基于SSA-BP神经网络的概率积分法预计参数求取研究

为解决BP(Back-ProPagation,BP)神经网络求取概率积分法预计参数出现的局部最优解和收敛速度慢的问题,采用麻雀搜索算法(Sparrow Search Algortihm,SSA)优化BP神经网络的结构,得到最优的权重值和偏置项,建立了基于SSA-BP神经网络的概率积分法预计参数求取模型。结合50组典型的实测数据,随机抽取45组数据输入SSA-BP神经网络模型进行训练,剩余数据输入训练好的模型求取概率积分法预计参数,并与实测数据对比,分析SSA-BP神经网络模型和BP神经网络模型的优劣;通过改变训练样本和测试样本的数量,讨论模型精度与训练样本数量的关系。研究表明:(1) SSA-BP神经网络模型预计下沉系数q、水平移动系数b、开采影响传播角θ、主要影响角正切值tanβ和拐点偏移距s/H的平均绝对百分比误差分别为1.33%、3.48%、0.49%、3.86%和9.33%,BP神经网络模型的相应取值分别为8.05%、7.34%、3.33%、9.82%和19.60%,可见前者求解精度更高。(2)两种模型求取的预计参数均与实测数据较接近,SSA-BP神经网络模型最大相对误差为21...     

基于支持向量机的主要影响角正切求取方法研究

主要影响角正切是开采沉陷预计的重要参数,对于地表影响范围的确定具有重要的意义。在综合分析主要影响角正切与地质采矿条件之间关系的基础上,运用我国典型的地表移动观测站资料作为学习训练样本,通过合理地选择SVM中的核函数,惩罚参数C,不敏感损失参数ε,建立了主要影响角正切与各影响因素的SVM回归关系模型,并用此模型对检验样本进行预测。结果表明,用支持向量机方法求算主要影响角正切具有较高的精度,可以在实际工程中进行推广应用。该方法可以综合考虑多种因素对主要影响角正切的影响,为今后快速准确地求取主要影响角正切提供了一个新的方法。     

基于PSO-RBF神经网络的主要影响角正切求取方法

主要影响角正切tanβ是采用概率积分法进行矿山开采沉陷预计的主要参数之一,决定着开采沉陷的影响范围。为了提高tanβ求取精度,在分析tanβ及其影响因素的基础上,选取tanβ的5个主要影响因素作为输入层神经元,将粒子群(PSO)快速搜索全局最优解算法与径向基(RBF)神经网络相结合,提出一种求取tanβ的PSO-RBF神经网络预测模型,获得tanβ和地质采矿条件之间的非线性映射关系。运用我国30个典型观测站的实测数据作为学习训练和测试样本,进行了PSO-RBF神经网络模型的适应度和泛化能力测试,对预测结果与实测值进行了对比分析。结果表明：应用PSO-RBF神经网络模型预测tanβ,收敛速度快,预测精度高。预测结果的最大相对误差为6.54%,最小为2.56%,所得到的tanβ精度有了一定的提高。     

基于神经网络的水平移动系数的求取方法

水平移动系数是开采沉陷预计的重要参数,对于确定地表变形值、从而准确判定建筑物的破坏程度具有决定性的作用,然而其影响因素十分复杂,很难用一定的理论公式来描述。利用神经网络自学习、自主对复杂的非线性关系的拟合原理,通过对大量样本的学习训练,获得了基于神经网络的水平移动系数求取方法,并通过样本测试,取得了较好的效果,为水平移动系数的求取提出了一种新的方法。     

岩移计算中主要影响半径确定及煤柱留设的问题

对《建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程》中有关煤柱留设、移动角的确定及主要影响角正切(tanβ)计算方法中相矛盾的地方提出质疑,建议在规程修改时引起重视。     

主要影响角正切对山区地表移动预计结果的影响分析

为了分析山区地表移动预计结果的影响因素,通过对实例进行不同主要影响角正切(tanβ)取值的预计计算分析,结果表明,tanβ的取值对计算结果的影响十分显著,若进行预计计算时选取的tanβ小于合理值,在煤柱侧的下沉计算值偏大,而在采空区侧计算值则偏小,计算的水平移动值不论在采空区侧还是煤柱侧均偏大;反之,若选取的tanβ大于合理值时,在煤柱侧的下沉计算值偏小,而在采空区侧的计算值偏大,计算的水平移动值在两侧均偏小。tanβ变化产生明显影响的范围,在煤柱侧约为开采边界处采深的0.47倍,在采空区侧约为开采边界处采深的0.56倍,整个影响范围约为1.03 H(H为开采边界处采深)。选取适合的tanβ值对山区地表移动变形规律的分析具有十分重要的意义。     

万利矿区浅埋煤层开采地表移动变形规律

为了研究万利矿区浅埋煤层的地表移动变形规律,在4个工作面上进行了地表移动观测站实测工作。通过对实测数据的分析,得出适合矿区的地表移动参数。概率积分法预计参数拟合结果表明:综放开采下沉系数比综采下沉系数大15%左右;综采开采拐点偏移距较综放开采大;主要影响角正切tanβ为走向小、倾向大,倾向较走向大40%左右。     

矿区地表沉陷监测中RTK代替四等水准的可行性分析

针对矿区地表沉陷监测工作中四等水准测量耗时耗力的问题，从RTK测量精度以及测量误差对地表沉陷预计参数的影响程度的角度，探讨了RTK在矿区地表沉陷监测工作中代替四等水准的可行性。研究得出:RTK的高程精度约为20 mm，不满足开采沉陷10 mm的精度要求，不能直接代替四等水准进行沉陷监测工作；通过正交设计对概率积分参数敏感性分析得到，下沉系数q属于敏感因子，开采影响传播角θ属于最不敏感因子，主要影响角正切tan β影响介于两者之间；通过在下沉值中加入中误差分别为10，20，30 mm的随机误差，反演参数值，分析测量误差对参数的影响，结果显示RTK误差对预计参数的影响不足6%，此时RTK误差对预计参数的影响较小，求参结果可靠。结果表明，RTK可用于地表预计参数工作的进行，对地表沉陷预计参数求取的后续工作有指导性意义。     

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。