基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机(PSO-RVM)的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

基于PSO优化BP神经网络的变压器故障诊断

为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快的收敛速度。     

基于PCA-LM-BP神经网络的岩石可钻性预测研究

预测岩石的可钻性等级能够为钻探工程项目的开展提供有效帮助,根据岩石的可钻性等级选择合理的工艺、方法、技术为项目提供技术支撑。本文考虑岩石在地下空间中受复杂环境因素影响,从地球物理勘探数据、岩石的力学性质和物理性质中选择5种影响岩石可钻性的等级因素,用主成分分析法（PCA）解释每种影响因素之间的相关性及贡献率,消除5种影响因素之间的相关性,选择相关性低的3个主成分代替数据样本进行预测评价。编写LM-BP算法,合理设置预测模型参数值,以主成分分析后的数据样本作为基础,建立岩石可钻性等级预测模型,对预测结果与室内实验法的实测结果进行分析对比,经分析得知,PCA-LM-BP预测模型在岩石可钻性等级预测中,具有预测精准度高、预测时间短的特点,可被应用于钻探工程中的岩石可钻性分析。     

GA优化的BP神经网络焦炭质量预测模型

针对炼焦行业亟待解决的节能减排、降低成本和提高焦炭质量的问题,分析了影响焦炭质量的主要因素,选择了六项指标来预测焦炭的质量,建立了通过遗传算法(GA)优化神经网络的焦炭质量预测模型.实践表明,GA优化的BP神经网络焦炭质量预测模型有较好的适应性和预测精度,具有一定的实际应用价值.     

基于改进果蝇优化BP神经网络的冲击地压预测

针对煤矿开采过程中存在非线性、强耦合性等特点导致的动力灾害难以预测的问题,引入一种候选解的线性生成机制(LGMS)、混沌搜索、粒子群算法(PSO)和模拟退火算法(SA)修正果蝇算法(IFOA),利用改进后的果蝇优化算法良好的搜索全局最优解的能力, 自适应地调整 BP 网络的权值和阈值,建立了煤岩冲击地压灾害预测模型。以唐山开滦煤矿样本数据为例进行仿真验证,结果表明其鲁棒性和测量精度明显提高,且网络具有较强的收敛性能和优化能力。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

共轭梯度法优化的BP神经网络焦炭质量预测模型

针对目前焦炭质量预测线性方法的现状及不足,建立了共轭梯度法优化的BP神经网络焦炭质量预测模型。该模型既能满足焦炭质量预测的非线性关系,又克服了神经网络收敛速度低、易陷入局部极小值的缺点。模型的实例验证分析表明,共轭梯度法优化的BP神经网络焦炭质量预测模型有较好的适应性和预测精度,具有一定的实际应用价值。     

砾岩层地层可钻性分析方法探讨

地层可钻性是钻井设计与施工的重要参数之一,地层可钻性的准确获取对于正确选用破岩工具、减少井下复杂情况、优质高效安全钻井等方面都具有十分重要的意义。目前,对于一般地层,常用的地层可钻性获取方法是实验和测井资料法,但这些方法用于像砾岩层这样矿物组成复杂、具有严重的各向异性的地层,其可钻性的预测值往往偏差很大。在分析传统可钻性获取方法的基础上,结合国内外对可钻性获取方法研究的进展,进行针对砾岩层地层特点的可钻性分析方法探讨。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于BP神经网络的水力旋流器建模仿真研究

通过对某一固定的水力旋流器自身工艺的研究,确定水力旋流器的输入与输出。分2种情况对有相互影响的输入参数分别建立BP神经网络的模型和利用Matlab工具箱中的BP神经网络建立水力旋流器的三层神经网络模型。通过对收集的该设备的实例数据进行仿真训练,结果表明不仅是旋流器本身参数,调浆槽的液位等也会对旋流器效率产生影响。     

基于人工神经网络的变压器温升预测应用研究

文章详细介绍了BP神经网络模型和算法 ,建立了变压器绕组温度预测和人工神经元网络BP模型 ,并验证了其可行性和优越性。     

BP神经网络技术在煤层瓦斯含量预测中的应用

文章以赵庄煤矿2号井3号煤层地质条件为背景,依据煤层瓦斯含量影响因素,应用人工神经网络的理论与方法,建立了煤层瓦斯含量的BP神经网络预测模型。应用该网络对井田范围内未知区域进行煤层瓦斯含量预测和分析,从而绘制出较为准确的井田瓦斯含量预测图。为煤层瓦斯含量预测提供新的研究方法和研究手段。     

基于BP神经网络的矿山排土场滑坡预警模型

排土场滑坡是矿山的重大灾害之一,威胁矿山的安全生产。提出了矿山排土场滑坡预警指标体系,针对综合预警指标,建立了基于BP神经网络的排土场滑坡预警模型。将黏聚力、内摩擦角、地表位移、内部位移、降雨量等10个指标作为网络的输入单元,选取合适的激励函数和学习步长,利用实际工程的20组样本数据,采用改进的梯度算法完成了BP神经网络的学习。应用学习好的预警模型对贵州某矿排土场进行了滑坡预警分析,结果与实际情况一致。该预警模型合理可靠,具有推广应用价值。     

基于粒子群优化径向基神经网络的水质指标预测

为掌握丹江口库区水质未来的变化趋势以及预防污染事件的发生,建立了一个水质指标的预测模型。利用库区某断面自动检测站的水质指标实测参数作为学习样本,选取化学需养量(COD)、生化需养量(BOD)、PH值、氨氮(NH3-N)、总磷(TP)、总氮(TN)等指标作为预测参数,运用粒子群算法优化RBF神经网络的预测模型,对丹江口库区水质指标进行预测,结果表明,利用基于粒子群优化径向基神经网络对水质指标预测具有较高的精度,相对误差小于7%,该模型具有良好的可行性和有效性。     

基于BP神经网络的炼焦煤质量预测研究

焦炭的质量对高炉冶炼的生产有着重要的影响,为了解决焦炭质量预测问题,提出了基于BP神经网络的质量预测算法,文中详细阐述了该模型的建立过程和实现方法,同时也给出了在进行模型处理的时候数据预处理的方法。利用人工神经网络对非线性问题的模拟能力,构建了焦炭质量预测模型,测试结果表明在100组不同类型的焦炭质量预测分析中,质量预测的精度达到了95%。     

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。