基于遗传BP神经网络模型的矿井突水水源判别

在分析矿井突水水源的水化学特征基础上,选取常用的Na~++K~+,Ca~(2+),Mg~(2+),Cl~-,HCO_3~-,SO_4~(2-)等6种离子质量浓度作为水源判别的依据,将具有局部搜索能力的BP神经网络和具有全局寻优功能的遗传算法(GA)进行结合,提高神经网络的泛化性。为了验证其优点,分别采用BP和GA-BP两种神经网络模型对20组训练样本进行训练,并对6组待测样本进行判别。结果表明:GA-BP神经网络模型克服了BP神经网络初始权值与阈值的随机性、易陷入局部最优的缺点,能提高BP神经网络的判别精度;虽然经过GA初始化的BP神经网络在训练过程中收敛速度与误差均不如未优化的BP神经网络,但GA-BP网络模型泛化性却高于BP网络模型,能提高突水水源的判别准确性。     

基于主成分分析与Fisher判别分析法的矿井突水水源识别方法

为有效地预防矿井突水事故,及早识别突水水源是关键工作之一。根据矿井各含水层水化学成分的差异性,选取7种水化学成分指标作为突水水源识别的样本变量。在此基础上,采用主成分分析(PCA)与Fisher判别分析相结合的方法建立突水水源判别模型。以新庄孜煤矿不同水层的水化学特征资料中的33个为学习样本,12个为预测样本,对该模型进行检验和应用,并与传统Fisher判别分析模型的结果进行比较。研究结果表明:利用PCA与Fisher突水水源判别模型能够有效地消除样本变量指标间的相互影响,使突水水源判别结果更加准确。     

基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2+、Mg2+、K++Na+、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。     

Elman神经网络在矿井突水水源判别中的应用

矿井突水是矿建与生产过程中最具威胁的自然灾害之一,准确判别突水水源是防治水害的关键。选取6种离子的质量浓度作为突水水源的判别因素,将河南省焦作矿区不同水层的39组水化数据以2种样本设计方案进行Elman神经网络模型的构建与检验。以不同的35组水源样品作为训练样本,运用Matlab软件进行Elman神经网络训练,将所建立的判别模型应用于(相应的)4组待测样本的判别,并与DDA、FDA、Bayes三种判别方法的判别结果进行分析比较。2种方案应用结果表明:将具有非线性动态特征的Elman神经网络应用于突水水源判别,在结合相应的水文地质条件前提下,可以准确判断突水来源;矿井多年的开采促使地下各水层水质呈动态变化,Elman神经网络判别模型能够反映这种变化特性,对探寻地下水运移与演化具有一定的应用价值。     

基于水化学分析的煤矿矿井突水水源判别

矿井突水是煤矿生产过程中的主要自然灾害,准确判定矿井突水水源是解决突水问题的重要条件。基于模糊综合评判和矩阵方程分析数学原理,分别建立了矿井突水的模糊综合评判和矩阵方程分析模型;在水化学分析的基础上,建立了水样6项指标评判标准,利用两种方法分别对某煤矿3个不同突水巷道水样进行了水源判别,并与实际突水水源相比较。结果表明,模糊综合评判和矩阵方程分析均能有效判别矿井突水水源,但各有其优越性及局限性,选择何种判别方法应视矿井突水水化学资料状况而定。     

矿井突水水源识别的RS-LSSVM模型

为了对矿井突水水源进行准确、高效的判别,综合考虑水化学特征,选取Ca~(2+),Mg~(2+),K~++Na~+,HCO-3,SO2-4,Cl~-和总硬度7个指标的质量浓度(mg/L)作为矿井突水水源的最初判别指标。利用粗糙集(RS)理论的属性约简来筛选水化学特征指标,用以作为水源识别的核心判别指标,建立基于RS的矿井突水水源识别的最小二乘支持向量机(LSSVM)模型。选用约简处理后的13组煤矿数据对模型进行训练,再用训练好的模型对另外12组突水数据进行水源判别,并与未进行属性约简的LSSVM模型及Fisher判别分析法、随机森林方法进行对比。结果表明,利用属性约简方法可以很好地排除原始数据中的冗余信息干扰,因而能有效判别矿井突水水源,使矿井突水水源模型的误判率降低至0;而且指标约简过程可以降低LSSVM运算的复杂度,也能够提高判别效率。     

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。     

GA-BP算法应用于核事故源项反演的研究

为了更准确地估算核事故源项,提高核事故后果评价的准确性,将用遗传算法优化的BP神经网络算法应用于核事故源项反演,改善BP神经网络学习算法应用于核事故源项反演时易陷入局部极小的缺陷。应用Matlab软件编码实现用遗传算法来优化BP神经网络的权值和阈值,将这些优化值赋给网络,得到优化的BP神经网络,即GA-BP神经网络。用7 852组训练数据训练GA-BP神经网络,训练结束后,用500组测试数据评估两种算法的性能。经统计计算得到GA-BP神经网络的平均训练误差为7.98%,小于原始BP神经网络的10.25%;GA-BP的平均测试误差为9.78%,小于原始BP神经网络的10.21%。训练和测试结果表明,经遗传算法优化的BP神经网络误差明显小于原始BP神经网络算法,GA-BP神经网络算法能有效地避免原始BP神经网络容易陷入局部极小值的缺陷,且缩短了训练时间,提高了源项反演的准确度。     

高速公路应急救援中心选址优化模型

为完善高速公路交通事故应急救援体系,以昆石高速为研究对象,将遗传算法(GA)与反向传播神经网络模型(BP)相结合,运用GA-BP神经网络模型鉴定高速公路事故多发段,根据昆石高速环境条件选定应急救援中心候选点;应用双层规划理论模型分析昆石高速应急救援中心选址,并利用萤火虫算法优化求解,得到昆石高速公路应急救援中心选址的最优方案。研究结果表明:GA-BP神经网络模型鉴别高速公路事故多发段相较于传统模型更准确;运用双层规划模型和萤火虫算法求解可得到昆石高速应急救援中心最佳选址方案。     

GSK-XGBoost模型在井底风温预测中的应用*

为防治矿井热害,针对矿井井底风温在预测过程中精度较低的问题,提出1种网格搜索法结合K折交叉验证优化XGBoost的预测模型。通过分析确定影响井底风温的主要因素,使用网格搜索算法结合K折交叉验证,进行迭代缩小搜索范围并调参,选取最优参数配置,实现对XGBoost模型的优化,得到预测结果并与其他模型进行比较。研究结果表明:初始参数经优化后,当最大回归树深度为3且学习速率为0.1时,XGBoost回归模型性能最佳,与随机森林模型、BP神经网络模型、T-S模糊神经网络模型相比,平均相对误差分别降低了2.12%,0.88%,0.3%,均方根误差分别降低了0.66,0.24,0.11 ℃。     

人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

兰成渝腐蚀管道失效压力的GA-BP 神经网络组合预测方法

为准确掌握管道失效压力,保证管道安全运行,根据神经网络的非线性和良好的函数逼近特性,提出了基于遗传算法（GA）优化的BP神 经网络组合模型的腐蚀长输管道失效压力预测模型。组合模型将最佳组合阀值与权值隐含在网络的连接中,兼具遗传算法、人工神经网络预测 的优点,并克服了原始数据少对预测精度的影响,同时避免了神经网络容易陷入局部寻优的缺陷,也增强了网络的适应性,改善网络的收敛性 ,在客观地反应腐蚀油气管道失效压力变化趋势方面具有一定的优势。通过实例分析,结果表明:BP神经网络的预测值和Modified B31G计算结 果与真实值误差均较大,而GA-BP的预测值与实际结果的相对误差最大为6.12%,有很好的一致性,为管道的预防性维修提供了理论依据。     

基于BP神经网络和SVR的Fund?o尾矿坝排水数据预测对比研究

针对尾矿库运行过程中安全预警问题,选取2015年巴西Samarco铁矿溃坝事故案例,研究BP神经网络和SVR方法在排水数据预测的适用性。综合分析了排水数据的复杂且非线性的特点,以库水位、降雨量和干滩长度为输入特征,采用上述2个模型对尾矿坝排水数据进行预测。研究结果表明:基于BP神经网络预测结果的最大相对误差不高于4.35%;基于SVR算法的最大相对误差不高于9.21%;Fundo坝的排水预测结果是可行的,BP神经网络的预测精度更高,而SVR模型的运算速度更快。研究结果可为矿山安全工作的快速响应和溃坝预警提供信息支撑和参考依据。     

基于PCA-BP神经网络的多股铜导线 熔痕定量金相识别方法研究

为实现火灾现场中多股铜导线熔痕的自动识别,采用主成分分析(PCA)和反向传播(BP)神经网络算法对四种多股铜导线熔痕(一次短路熔痕、二次短路熔痕、过负荷熔痕和火烧熔痕)的金相组织进行了识别研究。利用Image-Pro Plus 6.0和Axio-Imaging软件获取每种熔痕30组17维金相组织参数数据,采用PCA对四种熔痕共120组数据降维,获得前6个主成分得分矩阵,建立具有6个输入层节点,10个隐层节点和4个输出节点的神经网络模式识别模型。随机抽取每种熔痕的20组样品的主成分得分矩阵作为训练集,将每种熔痕的剩余10组主成分得分为测试数据,输入最终训练完成的模型进行识别,其识别准确率达到92.5%。实验结果表明采用PCA+BP神经网络的算法,可以较好地实现多股铜导线熔痕识别,为火灾物证鉴定工作提供了有力的工具。     

基于QSPR方法的活性化合物热稳定性预测研究

为形成安全、可靠、便捷的活性化合物热稳定性预测方法,快速获取活性化合物热稳定性参数,采用定量结构-性质相关性(QSPR)方法,针对38种有机过氧化物和104种硝基化合物的起始放热温度和分解热,结合遗传函数算法(GFA)和“断点原则”筛选出的分子描述符,利用遗传算法(GA)优化的BP神经网络,建立活性化合物的热稳定性GA-BP预测模型,验证分析模型的性能和应用域。研究结果表明:所建立的GA-BP模型具有良好的拟合能力、稳定性和预测能力,优于线性模型,说明活性化合物热稳定性与分子结构之间存在非线性关系;同时,得出影响活性化合物热稳定性参数的主要结构因素。     

基于PCA_Fuzzy_RF模型的煤层底板突水预测

针对煤层底板突水问题,提出了基于主成分分析、模糊数学和随机森林的一种新预测模型。首先通过主成分分析将6个影响因素(水压、采高、隔水层厚度、断层落差、煤层倾角、断层距工作面距离)进行降维,提取4个主成分因子,其次对主成分因子进行模糊化,作为随机森林模型的输入变量,建立基于PCA_Fuzzy_RF的煤层底板突水预测模型。利用华北矿区实测资料的50组数据作为PCA_Fuzzy_RF模型的训练数据,10组数据作为测试数据,并将预测结果与BP神经网络及Fisher模型进行对比分析,结果表明,PCA_Fuzzy_RF模型的误判率为0,适用于解决煤层底板突水问题。