基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。     

基于BP神经网络的二元混合液体自燃温度预测

为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892 K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530 K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。     

应用原子类型AI指数预测烃类燃烧热

以基于Xu指数的原子类型AI指数作为分子结构描述符,表征了80个液态烃的分子结构特征,并分别结合人工神经网络和多元线性回归方法,对这80种液态烃的燃烧热进行定量结构-性质相关性建模和预测研究。结果表明,基于Xu指数的原子类型AI指数能很好地表征烃类物质的分子结构特征。所建的最佳预测模型为基于Xu指数的原子类型AI指数多元线性回归模型,模型复相关系数为0.999,对测试集的平均预测相对误差为0.637%,模型预测值与实验值的一致性令人满意。     

烃类及其衍生物闪点、沸点的定量构效关系

基于定量结构一性质相关性（QSPR）原理,研究了烃类及其衍生物闪点、沸点与其分子结构间的内在定量关系。应用CODESSA软件计算384种烃类及其衍生物的分子结构描述符,建立了闪点和沸点的QSPR模型。用最佳多元线性回归（B．MLR）方法筛选得到的分子描述符建立了线性回归模型。用B-MLR方法所选择的5个描述符作为支持向量机（SVM）的输入建立了非线性模型。所有的化合物被分为训练集和测试集,对每个模型的训练集和测试集的复相关系数、交互验证系数、均方根误差等进行了计算,并用测试集对模型的预测能力进行检验,预测结果表明：预测值与实验值均符合良好,所建立的闪点模型稳健,泛化能力强,预测误差小,预测的效果令人满意,但沸点的模型预测效果有待加强。相比烃类物质的模型,加了衍生物的模型性能均有所下降。     

基于BP神经网络的煤层自燃预测

在全面分析影响煤层自燃因素的基础上,建立了煤层自燃预测的人工神经网络模型.应用该模型对某煤田的多个煤层样本进行了训练和预测,网络经过10次训练后,误差达到设定的最小值,6次预测测试中最大误差仅为0.027 8,最小的为0.000 1.研究表明,该模型精度较高,可用于预测煤层自燃的实际应用.     

基于新型拓扑指数的咪唑类离子液体捕集CO2性能预测

大量温室气体CO_2的存在严重影响环境,而咪唑型离子液体具有独特的气体溶解性,在CO_2捕集方面的应用较为广泛。基于定量结构-性质相关性(QSPR)原理提出了一种新的描述符——拓扑指数(Topological Index,TI)描述符,研究了咪唑类离子液体捕集CO_2的性能与其拓扑指数描述符之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组拓扑指数描述符,将其与温度和压力一起作为输入参数,分别采用多元非线性回归算法及支持向量机算法建立了咪唑类离子液体捕集CO_2性能与其拓扑指数描述符之间的非线性模型。通过多元非线性回归算法得出训练集和测试集的决定系数分别为0.771和0.754,由支持向量机算法得出训练集和测试集的决定系数分别为0.990和0.981。对预测模型进行了评价验证及稳定性分析,结果表明,两种模型均具有良好的稳定性能和预测能力。根据拓扑指数描述符所建立的预测模型为工程应用提供了一种预测咪唑类离子液体捕集CO_2性能的有效方法。     

低压环境下RP-3航空煤油自燃特性研究

开展了低压环境下RP-3航空煤油的自燃特性研究,测试了101 kPa、80 kPa、60 kPa、40 kPa、20 kPa五种压力环境下航空煤油自燃点及着火延迟时间数据。结果表明,随着环境压力降低,自燃点升高,并基于谢苗诺夫热自燃理论,建立了耦合压力参数的自燃点预测模型。分析了环境压力对着火延迟时间的影响机制,建立了不同环境压力下的着火延迟时间预测模型。分析了GB/T 5332—2007标准在低压环境下测试存在的问题,并提出了相关改进方法。     

QSPR在混合物典型燃爆特性预测中的研究进展

为全面了解定量结构-性质关系（QSPR）方法在混合物燃爆特性预测中的研究现状，展望其发展趋势，综述其在混合物闪点、爆炸极限与自燃温度预测中的国内外研究进展，分析预测目标参数的选择、数据收集、描述符计算和筛选以及模型建立和验证等方面的不足与研究方向。结果表明:QSPR在混合物燃爆特性预测中尚处于起步阶段，当前研究的首要限制是混合物燃爆特性参数实验数据样本不足，关键点及难点是混合物结构的准确表征，未来研究应关注的重点是大量数据源统一的数据样本的获取方法、非加和性混合物分子描述符的计算方法以及机器学习等非线性建模方法。     

硫化矿石自燃倾向性鉴定技术研究

根据硫化矿石自燃过程的复杂性，通过程序升温氧化（TPO）实验对硫化矿石吸附性能进行研究，提出了硫化矿石程序升温氧化（TPO）吸氧鉴定的方法，测试矿样温度从30℃到1000％条件下的总吸氧量和自热起始温度作为硫化矿石自燃倾向性鉴定指标，并对其进行分类；提出了基于支持向量机的硫化矿石自燃倾向性预测方法，通过预测建模最终达到了预期数据与实际数据的最佳拟合。     

基于偏序集评价模型的煤自燃危险性研究

为了对采空区煤炭自燃危险程度做出准确预测,探究一种具有强鲁棒性的判定方法,以确保回采工作面的安全生产.利用低温氧化试验对韩家洼煤矿4个工作面的煤样进行测定,以试验所测得的指标性气体、煤样湿度及炉壁温度等数据为基础,结合由煤自燃危险性等级分级标准构造的等级样本组成样本群,应用偏序集评价模型对样本群进行聚类分析,最终判定韩家洼煤矿4个回采工作面的采空区自燃危险程度.结果表明,4个煤样都具有不同程度的自燃危险性,各煤样所处工作面的采空区自燃危险程度从大到小依次为4号煤样、3号煤样、2号煤样、1号煤样.这4个煤样所处工作面的采空区都需要加强实时观测,并提前制定防灭火措施.该预测结果与现场实际情况相吻合,表明该模型应用于煤自燃危险性评价是合理可行的.     

基于PCA和BP神经网络边坡稳定性分析

基于影响边坡稳定性各因素之间具有一定的相关性和边坡工程是一个非线性、不确定的动态过程等这些特征,首次应用主成分和BP神经网络的原理和方法,建立了边坡稳定性评价模型,并应用SPSS软件对影响因素进行分析并确定主成分,应用Matlab71神经网络工具箱对一些边坡样本进行训练仿真。对比了经过主成分分析和未经过主成分分析评价结果,结果表明,经过主成分分析的BP神经网络评价精度更高,相对误差更小。表明了建立主成分和BP神经网络评价模型具有较好的可行性和适用性。     

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。     

基于遗传-神经网络算法的含均匀腐蚀缺陷油气管线爆破压力预测研究*

为提高含均匀腐蚀缺陷油气管线爆破压力的预测精度，保障长输油气管线的安全运行，将遗传算法和BP神经网络相结合，建立含均匀腐蚀缺陷油气管线爆破压力预测的遗传-BP神经网络（GA-BPNNs）模型。采用已有文献实验数据，分析对比该模型与AGA NG-18，ASME B31G，修正B31G，PCORRC，DNV RP-F101和SHELL 92等方法用于X46，X52，X60，X65，X80等材质油气管线含均匀腐蚀缺陷时爆破压力的计算误差。结果表明:GA-BPNNs模型用于含均匀腐蚀缺陷油气管线爆破压力预测时，误差在-7.78%～6.06%之间，预测精度明显高于目前国内外通用规范的计算结果；该模型操作简单，适用范围广，工程实用性好，为含缺陷压力管道爆破压力的预测提供更好的思路和方案。     

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。     

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BP神经网络不同输入变量的爆破振速预测

以某隧道爆破开挖为实例,利用BP神经网络解决复杂非线性函数逼近问题的能力,以最大段药量、爆心距、爆破分段数、泊松比、岩石基本质量指标作为影响爆破振动速度的主要因素,选取不同维数的输入变量建立BP神经网络模型来预测爆破振动速度。对比分析各组预测值与实测值之间的相对误差,选取合理维数的输入变量建立了爆破振动危害预测的BP神经网络模型。     

基于BP神经网络技术的实验数据分析处理

许多热灾害实验的危险性和成本相对较高,很难进行多次实验,且数据较少。针对这些的问题,笔者根据BP神经网络基本原理,建立多层反向传播的神经网络,以现有实验数据为训练样本,对神经网络进行训练,利用训练后的网络对待测样本进行预测。以喷射火作用下液化气储罐热响应实验的数据处理为例,利用BP神经网络进行压力值预测。将预测的结果和实验数据进行比较,结果表明了神经网络对实验数据进行处理和预测的可行性。     

基于IPSO-BP模型的火灾气体传感器气压补偿算法

为完善飞机火灾检测系统,设计一套方案,模拟试验不同气压下CO、CO2气体传感器采集气体的体积分数值,并与理论值比较,进而提出一种根据粒子适应度值动态调整学习因子的粒子群算法.采用改进的粒子群(IPSO)算法寻找反向传播(BP)神经网络的最优初始权值阈值,再利用寻优后的BP神经网络修正CO、CO2气体传感器的检测结果,消...