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。     

基于深度神经网络的岩爆烈度分级预测

岩爆是大型地下岩土和深部资源开采工程中面临的关键问题之一。为准确可靠地预测岩爆灾害,本研究提出一种基于Dropout与改进的Adam的深度神经网络(DNN)岩爆预测模型(DA-DNN)。根据岩爆的影响因素、特点及成因,选取硐壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数构成岩爆预测指标体系。在国内外岩爆研究成果的基础上,搜集289组岩爆工程实例数据,并以此作为岩爆预测的样本数据,然后采用深度学习技术建立基于DA-DNN岩爆预测模型。DA-DNN模型避开了指标权重确定问题,完全由数据驱动,减少了人为因素影响,可实现不完全、不精确并带有噪声的有限数据集中复杂且微妙的深层关系的学习。考虑到岩爆样本数据量有限,根据深度学习领域常用的数据集划分方法,即训练集、验证集、测试集按照6∶2∶2划分。先从样本数据中随机抽取58组作为测试集(预测样本),在模型最终训练完成后,评估其泛化能力,测试其真正的预测准确率。剩余的231组样本数据作为DA-DNN模型的学习样本,在训练过程中随机采样,抽取学习样本的80%作为训练集,20%作为验证集。当训练次数(epochs)取60时,学习样...     

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。     

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。     

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。     

基于组合神经网络模型的球磨机数据插补方法研究

为了避免球磨机监控数据的缺失,更好地对球磨机进行监控维护,以球磨机出矿浓度缺失项为例,采用BP和LSTM2种神经网络模型组合的方式对球磨机的缺失数据进行预测插补。单独使用BP神经网络和LSTM神经网络预测时准确率分别为92%和96%,使用权重组合模型及基于平均误差的数据修正方法后预测的准确率为98%。组合模型将2种模型各自的优势结合在一起,取得了较好的预测成果,证明该方法切实可行。     

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。     

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LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量，设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理，然后建立了基于LM-BP神经网络煤层瓦斯预测模型，最后采用地勘钻孔的相关参数制作样本进行模型训练和预测，将设计的预测模型的性能与基于BP神经网络模型进行对比，结果表明，2种模型在预测准确率方面达到基本一致，都在90%以上，在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。     

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...     

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。     

岩爆烈度分级预测中的贝叶斯判别分析

针对岩爆烈度分级预测中存在诸多不确定因素的问题,应用贝叶斯判别分析法建立岩爆烈度分级预测的评价模型。根据岩爆的特点及成因,选取岩石的弹性能量指数Wet,应力系数σθ/σc及岩石脆性系数σc/σt作为判别因子;将岩爆烈度分为无、弱、中、强4个等级并作为贝叶斯判别分析的4个正态总体;以国内外14组工程岩爆分析初始数据进行分级判别,以训练样本建立贝叶斯线性判别函数,以该函数计算待判样品的贝叶斯判别函数值,以最大值对应的总体作为样品的归属。为进一步考察该模型的有效性与实用性,运用该模型对秦岭隧道工程及凡口铅锌矿的岩爆实例进行分析,并与人工神经网络模型、模糊概率模型的判别结果及实际情况进行比较。研究结果表明,该模型判别预测结果与人工神经网络模型及模糊概率模型的判别结果及实际岩爆情况较吻合。     

岩爆预测的Vague集模型

为合理准确地预测岩爆烈度,提出了一种新的Vague集岩爆预测模型。选取岩石单轴抗压强度、硐室最大切向应力、岩石抗拉强度及岩石弹性能量指数进行分析,并采用Vague熵确定各指标权重。将传统岩爆烈度等级细化为若干微元等级,基于Vague集的相似度量建立岩爆预测模型,根据相似度量曲线预测岩爆烈度等级。将国内外30个岩爆实例参数代入该模型进行验证,结果表明该模型具有较高的准确性。最后将该模型应用于马路坪矿和大相岭隧道的岩爆预测,结果与实际情况相符,且可预测处于同一传统岩爆等级中不同岩爆实例的烈度大小,提高了岩爆预测精度,为岩爆预测提供了一种新方法。     

基于CFOA-PNN网络的采场顶板沉降量预测

针对环境再造采场顶板沉降影响因素复杂、数据离散等特点,选用一种仿生智能算法改进的概率神经网络(CFOAPNN),避免模型陷入局部极值,增加网络预测精度,建立采场顶板沉降量预测模型。模型选取岩体强度、充填体抗拉强度等8个主要影响因素。以广东某铅锌矿的29个代表性样本对模型进行训练、预测,并对比传统预测模型结果准确性,利用局部敏感性分析法评价模型影响因素对预测精度的影响。结果表明:最主要影响因素为充填体抗拉强度,其次为采场暴露面积。所构建的CFOA-PNN模型正确率为88.9%,明显优于传统预测模型。     

基于SVR的隧道掘进光面爆破效果预测模型

为了提高隧道掘进光面爆破效果预测准确性,构建了基于支持向量机回归(SVR)的光面爆破效果预测模型.选取炮眼密集系数、最小抵抗线、光爆孔线装药量、光爆孔眼深度和岩石单轴抗压强度共5个影响因素作为输入参数,选取半眼率和超欠挖量共2个爆破效果评价指标作为输出参数,分别利用遗传算法、粒子群算法、模拟退火算法对36组隧(巷)道爆...