基于MIV-MA-KELM模型的岩爆烈度等级预测

为准确预测岩爆烈度等级以确保挖掘工程施工安全,提出一种基于MIV-MA-KELM的岩爆烈度等级预测模型。首先,在分析岩爆烈度影响因素的基础上确定主要评判指标,采用文化基因算法(MA)优化核极限学习机(KELM)参数,借助KELM拟合评判指标与岩爆烈度等级间的非线性映射关系;然后,利用平均影响值(MIV)方法以20%的调解率计算各指标影响权重,剔除低影响权重指标并反馈到MA-KELM模型中重新训练与测试;最后,选取巴玉隧道的68组数据进行试验,并用该模型预测秦岭隧道岩爆烈度等级。结果表明:预测结果与实际情况完全一致;MIV-MA-KELM模型能更合理地构建指标体系,有效避免局部最优解,提高岩爆烈度等级的预测准确率。     

基于改进Smote-GBDT算法的岩爆预测模型

为准确预测岩爆等级,确保施工人员和设备安全,首先,从岩爆机制、数据和算法角度,分析埋深(D)、单轴抗压强度(UCS)、单轴抗拉强度(UTS)、岩石脆性指数(B₁、B₂)、围岩最大切向应力(MTS)、应力集中系数(SCF)和弹性变形能指数(W_et) 8个指标,建立岩爆预测指标体系;其次,针对岩爆样本存在的数据不均衡问题,引进托梅克联系(Tomek Link)对欠采样方法,改进合成少数类过采样(Smote)算法,对岩爆训练样本进行混合过采样;最后,构建SmoteTomek-梯度提升树(GBDT)岩爆预测模型,以38组数据验证模型的有效性,并与其他模型进行对比。结果表明：SmoteTomek-GBDT的准确率为92.1%,较未采样提升5.3%,Smote采样提升10.5%,优于随机过采样模型,并且避免跨等级的岩爆误判。     

RF-AHP-云模型下岩爆烈度分级预测模型

为准确可靠地预测岩爆灾害,将随机森林(RF)与层次分析法(AHP)结合,在RF分析指标重要性的基础上优化AHP法,构建RF-AHP指标权重计算方法;结合云模型理论,建立基于RFAHP-云模型的岩爆烈度分级预测模型;通过文献调研法,建立包含301组岩爆工程实例的数据库作为岩爆烈度分级预测的样本数据,并分析25组预测样本的岩爆预测结果。结果表明:所提模型预测准确率达88%以上,可判定预测样本的岩爆烈度等级;经验证,作为预测模型核心的RF-AHP指标权重计算方法具备一定的合理性。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

主元分析-神经网络岩爆等级预测模型

为准确可靠地预测岩爆灾害,构建结合主元分析法(PCA)的径向基神经网络(RBFNN)、概率神经网络(PNN)和广义回归神经网络(GRNN)岩爆预测模型。选取6个常用的参数构成岩爆预测指标体系,采用PCA消除各指标间的相关性并降维,得出3个线性无关的主元即岩爆综合预测指标Y1、Y2和Y3,构成RBFNN、PNN、GRNN这3种神经网络的输入向量。研究结果表明:这3种PCA-神经网络模型,其岩爆预测结果优于对应的RBFNN、PNN、GRNN模型,提高预测准确率并缩短运算时间。从局部准确率、整体准确率及运算时间这3个方面综合比较,各模型的预测能力从强到弱依次为:PCA-GRNN> PCA-PNN> PCA-RBFNN> PNN> GRNN> RBFNN。     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

基于CFOA-GRNN的冲击地压危险等级预测

针对冲击地压影响因素模糊、非线性等特性,选用一种混沌果蝇优化算法改进的广义回归神经网络(CFOA-GRNN),通过引入混沌扰动因子,增加网络的参数搜寻能力,建立冲击地压危险等级预测模型。模型选取煤层厚度、埋深等10个主要影响因素。以砚台煤矿的35个样本数据对模型进行学习、训练和预测,并将预测结果与传统预测模型的结果进行比较;同时采用敏感性分析法,评价各主要因素对模型精度的影响。结果表明煤层倾角影响最大,其次为卸压方式。研究表明,所构建的CFOA-GRNN模型正确率为92.8%,明显优于传统预测模型。     

基于改进的未确知聚类模型的岩爆倾向性预测

在采用未确知聚类评价模型进行多指标分级评价时,常采用置信度识别准则作为待测对象的属性识别,该准则中置信度的取值由人为取定,当置信度取值不同时,得到的分级判定结果往往出现差异,甚至产生完全不同的判定结果。通过距离判别的思想将未确知聚类理论中的置信度识别准则进行改进,并运用到岩爆烈度的分级预测中。根据岩爆发生的主要影响因素,选取岩石单轴抗压强度σ_c、单轴抗拉强度σ_t、最大切应力σ_θ及岩石的弹性变形能指标W_(et)为岩爆主要影响因子。并以σ_c/σ_1、σ_θ/σ_c、W_(ey)为岩爆烈度等级评价因子,建立未确知测度模型,以距离判别改进后的属性识别方法进行分级预测,并与原置信度识别准则得到的判别结果进行分析和比较。为验证改进模型的实用性,以贵州开磷集团马路坪矿区为例,采用改进的未确知聚类模型对其岩爆烈度等级进行预测分析。结果表明,预测结果与实际情况基本吻合,证明采用改进后的未确知测度模型的判别结果不仅消除了由于置信度取值不同造成的判别结果误差,降低了人为主观因素的影响,而且具有较高的判别准确性和可行性。     

基于改进组合赋权-TOPSIS法的岩爆倾向性评判模型

针对岩爆倾向性评价模型中指标权重难以确定导致预测精度不高的问题，提出1种基于改进组合赋权-TOPSIS法的岩爆倾向预测模型。综合考虑岩爆发生条件，选取岩性条件、应力条件和围岩条件3项准则对应的15个岩爆倾向性判别指标。采用3标度法的改进层次分析法（IAHP）与熵权法（EWM）结合，消除主、客观因素影响获得最优权重，运用逼近理想解法(TOPSIS)分析评判对象与虚拟理想解的贴近程度，从而判断岩爆倾向性等级。研究结果表明:弹性能量指数Wet、动态DT参数、能量储耗指数k、T准侧和应力指数S对岩爆倾向性影响较大；该模型对岩爆倾向性预测准确率高于85%，可为类似地下岩土工程岩爆倾向性预测提供理论支撑。     

FOA优化GRNN网络的尾矿库安全预测

从尾矿库安全管理实际出发,针对尾矿库安全预测影响因素多、波动性大和非线性的特点,提出了果蝇算法优化广义回归神经网络的尾矿库安全预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化,同时采用相关分析方法选取尾矿库安全评价指标,实现尾矿库的安全评价预测。以辽宁本溪南芬尾矿库为研究实例进行预测仿真,实验结果表明:相较于GRNN网络模型和BP网络模型,采用果蝇算法优化的GRNN模型预测精度更高,适用性更强,在尾矿库安全预测方面具有很大的实际应用价值。     

基于IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先，通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度；然后，利用IWOA算法优化PNN的光滑因子，构建IWOA-PNN预测模型；最后，以水压爆破试验数据为基础，使用MATLAB软件进行仿真试验，并与另外2个模型进行对比分析。结果表明：IWOA-PNN模型的E_RMS为0.633 1,E_AR为2.19%,R²为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型；IWOA-PNN模型与传统模型相比误差更小，能够更为准确地预测焊缝腐蚀后剩余强度，为管道的维修和更换提供参考。     

基于IAOA-KELM的储气库注采管柱内腐蚀速率预测

针对储气库注采管柱的内腐蚀速率预测问题,建立了基于阿基米德优化算法(Archimedes Optimization Algorithm, AOA)与核极限学习机(Kernel Extreme Learning Machine, KELM)相结合的模型提高腐蚀速率预测精度。通过引入佳点集、改进密度降低因子、采用黄金正弦算法缩小搜索空间,提高局部开发能力,利用改进阿基米德优化算法(Improved Archimedes Optimization Algorithm, IAOA)优化KELM正则化系数(C)和核函数参数(γ),进而建立IAOA-KELM储气库注采管柱内腐蚀速率预测模型;使用MATLAB软件运用该模型对某注采管柱内腐蚀数据集进行学习与预测,将IAOA-KELM模型与KELM、粒子群优化算法(Particle Swarm Optimization, PSO)-KELM、AOA-KELM结果进行预测误差对比。结果表明,IAOA-KELM模型的预测值与实际值较为拟合,其E_RMSE为0.65%,E_MAE为0.39%,R²...     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

基于反赋权与MBCT-SR多维云模型算法岩爆预测研究

基于岩爆事故的模糊性与随机性特征,为解决在当前岩爆烈度等级预测研究中,通过正向云发生器经验式计算多维云模型特征值进而导致预测结果主观性较强的问题.本文选取应力比Ts=σθ/σt、岩石脆性指数B=σc/σt以及弹性应变储能指数Wet作为评价指标,结合机器学习理论,采用多维逆向MBCT-SR云发生器算法对岩爆等级进行预测,...     

基于改进组合赋权的岩爆多维云模型预测研究

岩爆是地下开挖工程主要的地质灾害之一,其烈度分级预测是一个急需解决的世界性难题。针对其预测过程中的不确定性,选取切向应力与岩石单轴抗压强度比σ_θ/σ_c、岩石单轴抗压强度与抗拉强度比σ_c/σ_t、弹性变形能指数Wet建立评价指标体系,以改进熵权-基于指标相关性的指标权重确定方法(CRITIC)综合计算预测指标权重,结合不确定性人工智能理论,将逆向云发生器算法用于确立多维云模型的3个数字特征,生成所有预测指标的多维云模型。用国内外48组典型岩爆实例数据检验本文模型的准确性与有效性,并与基于权重融合的云模型、一维正态云模型的预测结果进行对比。结果表明:该模型应用于岩爆预测有更高的准确性。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

遗传算法优化的BP神经网络在地震死亡人数评估中的应用

破坏性的地震灾害作为一种突发性自然灾害,往往会在短时间内造成大量的人员伤亡和财产损失。地震发生后若能有效地预测伤亡人数,可以更科学地组织人员救灾与配置救灾物资,对于减少震后的人员伤亡具有一定的指导作用。通过我国往期的地震数据信息,分析总结出对人员伤亡数目影响较大的7个因素,分别为地震等级、地震时间、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度。鉴于这7个影响因素与地震时的死亡人数呈非线性关系,选用基于遗传算法(GA)优化的BP神经网络建立地震死亡人数预测模型。针对BP神经网络的局限性,利用遗传算法全局搜索最优值的特点,对BP神经网络的权值与阀值进行优化,防止BP神经网络陷入局部最优解,并且加快神经网络收敛速度,从而提高BP神经网络的预测精度。从我国1970年至2016年之间发生的地震灾害中,选取32组造成人员伤亡的地震数据,对初始数据进行处理后,利用遗传算法优化的BP神经网络预测模型进行训练并预测。选取27组样本作为训练样本,另外5组样本作为测试样本。预测分析结果表明,遗传算法优化的BP神经网络预测死亡人数与真实死亡人数相比平均误差为9.72%,均方误差为10.41,而BP神经网络的预测死亡人数的平均误差为17.61%,均方误差为18.02,因此GA-BP神经网络结果较为理想,相比传统的BP神经网络具有更高的逼近精度。     

内腐蚀海底管道剩余强度的FOA-GRNN模型

为探究内腐蚀海底管道剩余强度,保证管道安全运营,基于管道壁厚、直径,腐蚀深度、长度、宽度和极限抗拉强度等影响因素,提出果蝇优化算法(FOA)优化广义回归神经网络(GRNN)的剩余强度计算方法,应用GRNN构建剩余强度预测模型;采用FOA优化模型,人为设置光滑因子的负面影响;通过有限元模拟生成影响因素和剩余强度数据库,并采用FOA-GRNN模型训练和预测;以巴西国家石油研究中心的极限强度爆破试验数据为例,分析验证预测模型。结果表明:FOAGRNN模型对有限元模拟数据的剩余强度预测平均相对误差(ARE)为16.53%,对试验数据预测ARE为7.81%,预测结果合理、准确。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。