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。     

基于运行场次用时误差的载人设备故障预警可视化研究

针对国内游乐设施行业载人设备运行状态监测不够完善、故障诊断多数情况下需要依赖技术人员经验的现状,分析了基于机理模型、基于知识和基于数据驱动的载人设备故障预警方法,研究了载人设备故障预测的多元线性回归算法,并利用矿山车的时间系数、人数系数、温度系数,建立了矿山车载人设备的多元线性回归模型。通过矿山车15个同步点区间用时预测案例,在可视化平台上显示预测和实际运行曲线,实现了对矿山车或过山车类载人设备运行故障的有效预警。     

情绪对新手驾驶员视觉特性的影响研究

为构建基于驾驶员生理特性情绪识别系统,采用眼动仪等设备对20名新手驾驶员开展不同情绪状态下的模拟驾驶试验,采集高兴、悲伤、愤怒3种情绪状态和无情绪下新手驾驶员的视觉数据,利用Matlab、SPSS软件统计分析新手驾驶员瞳孔变化、眼球扫视、注视点视觉数据.结果 表明:悲伤、愤怒情绪对新手驾驶员瞳孔尺寸分布频率及其变化差异...     

基于GMM模型的煤矿顶板事故致死人数预测

为了解决目前常用预测模型对随机波动性较大数据预测精度偏低的问题,文章在灰色预测GM(1,1)的基础上引入马尔可夫状态转移矩阵,建立了灰色马尔可夫预测模型(GMM),并将该法运用到煤矿顶板致死人数的预测中。经计算GMM模型的预测平均相对误差为1.181%,最大相对误差3.426%,与GM(1,1)法相比,后者精度分别提高了21倍和13倍。     

基于眼-脑生理指标的大型地下洞室驾驶员疲劳演化特征研究

为保障大型地下洞室驾驶安全，提出眼动和脑电双模态驱动的大型地下洞室驾驶疲劳评价方法，探究驾驶员疲劳演化特征。首先，根据实地数据设计大型地下洞室模拟场景，利用驾驶模拟技术开展驾驶试验，实时采集驾驶员的眼动和脑电数据；其次，对数据进行分段处理，基于格拉布斯准则剔除眼动异常数据，通过快速傅里叶变换分解出脑电节律，构建脑电疲劳指数模型；最后，开展不同区段下驾驶员平均瞳孔直径、眨眼持续时间、眨眼频率及θ、α、β节律等指标的差异性分析，以平均瞳孔直径和脑电疲劳指标F为参量，提出基于模糊综合评价的驾驶疲劳度量方法。结果表明，驾驶员的视觉疲劳出现明显早于精神疲劳，而精神疲劳可以更精确地体现影响驾驶状态的内在疲劳。相较于地上路段，驾驶员在大型地下洞室中的疲劳累积更快，呈现反复、波动式上升，且其综合疲劳程度在中后段达到峰值，之后受洞口光亮刺激在末段减弱。     

考虑随机误差的软土基坑沉降趋势分析及预测*

为准确分析基坑沉降变性规律，基于现场监测数据，通过卡尔曼滤波对趋势项及误差项进行分解，采用M-K检验对发展趋势进行评价，利用优化广义回归神经网络和差分整合移动平均自回归模型，构建基坑沉降分项预测模型，并将预测结果与发展趋势评价结果对比分析，以实现基坑沉降变形规律综合研究。结果表明:卡尔曼滤波能有效分解基坑沉降数据趋势项与误差项，相较于传统小波分解效果更佳；基坑沉降呈持续增加趋势，但趋势性逐渐减弱；预测结果相对误差均值均不大于2%，预测模型精度较高；沉降变形会进一步增加，但增加速率明显降低，与发展趋势分析结果一致，两者相互佐证分析结果准确性。研究结果为基坑沉降变形规律分析提供新思路。     

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。     

山区高速公路空间郁闭度对驾驶员视觉及生理指标的影响

为了解高速公路空间郁闭度对驾驶员视觉行为和心理状态的影响规律,在山区高速公路开展室外实车试验,采用Dikablis眼镜式眼动仪和Varioport生理记录仪记录了驾驶员的眼动和生理数据,包括注视时间百分比、平均注视时间、扫视幅度、眨眼率、心电、心率、皮电等。结果表明,随空间郁闭度增加,驾驶员皮电和扫视幅度增大,眨眼率和平均注视持续时间减小,视点越来越集中。随着驾驶员的逐渐适应,空间环境对驾驶员的心理影响逐渐减弱。驾驶员主要关注中间靠左区域,目标物为中央分隔带和前方道路。开敞空间下驾驶员对右侧区域有少量关注。半郁闭空间下驾驶员皮电呈现规律性的波动,对于左侧区域的关注明显增多,对右侧区域的注视持续时间较长,视点集中点更远。     

基于混沌、灰色理论模型,预测煤矿生产中安全状况的对比分析

建立煤矿安全生产状况预测的非线性回归模型、混沌动力学模型、灰色模型和灰色残差模型,用4种模型对我国百万吨煤矿死亡率进行预测分析,其结果表明:混沌动力学预测模型和非线性回归模型使用参数较少、计算简单,易于推广,但预测精度尚不高,误差较大;使用灰色残差模型进行预测,虽然计算复杂,但预测精度较高,验证2007年度百万吨死亡率相对误差仅为0.96%,煤炭生产的安全性指标百万吨死亡率宜采用残差模型进行预测。笔者认为,灰色残差模型在对煤矿安全生产的宏观管理领域有广泛的应用前景。     

基于无偏灰色模型的煤矿百万吨死亡率预测

为预测中国煤炭行业安全生产状况发展趋势,构建无偏灰色预测模型对我国煤矿百万吨死亡率数据进行模拟预测。通过对我国2005—2010年度煤炭行业的百万吨死亡率有关数据进行模拟,并与传统的灰色GM(1,1)模型的预测模拟结果进行对比分析。计算结果表明:无偏灰色模型消除了传统GM(1,1)模型本身固有偏差,预测精度较高,分析结果可靠,其中,平均绝对误差为0.030 6%,平均相对误差为2.71%,均低于传统GM(1,1)模型。预测数据显示近年来我国煤矿百万吨死亡率正逐步下降,2011年和2012年分别降至0.536%和0.411%,符合煤矿安全生产"十二五"规划要求。     

海底隧道入口段驾驶员眼动特征分析*

为研究海底隧道入口段驾驶员眼动特征,以海底隧道收费站至入口为研究对象,运用Facelab5.0眼动仪和录像机等设备,采集真实状态下驾驶员眼动特征、行车速度和行车位置数据,并依据道路线形、车辆行车特征和路段标志标线设置,将收费站至入口划分为提速驶离段、换道减速段、缓和段和过渡段（入口段）,分析各区段驾驶员眼动特征及车速变化规律,并建立相应数学模型。研究结果表明:驾驶员驾车通过换道减速段和过渡段时,分别受交织车流与黑洞效应影响,行车速度减小、眼睑闭合度下降、眨眼频率增大;驾驶员行经入口段,车速呈上升-下降-上升-下降的趋势,眼睑闭合度呈增大-减小-增大-减小的趋势,眨眼频率呈减小-增大-减小-增大的趋势,且受交织车流与黑洞效应的影响显著。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一，为了实现矿井通风阻力系数简单准确地预测，提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系，并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型，对比分析各预测模型的相对误差，确定最佳矿井通风阻力系数预测模型，即当输入模型影响因素为巷道断面积、周长和支护方式时，预测相对误差小于10%的样本数占测试样本的76%，相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的，并具较高的准确性。     

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 ℃。     

基于稳态模型的井下抽采主管道泄漏检测方法研究*

为准确检测煤矿井下瓦斯抽采主管道泄漏位置，提出基于稳态模型的管道泄漏检测与定位方法，采用Comsol数值模拟及地面相似实验研究压力梯度法对煤矿井下抽采管道泄漏检测与定位的可行性及准确性。研究结果表明:管道未泄漏时，管内沿线压力呈均匀分布，当管道突发泄漏时，管内压力分布呈现明显弯折现象，弯折处即为管道漏点位置，并对管道阻力计算公式进行修正，提高了检测准确性；随着管道泄漏程度的加大，湍流效应显著增强，漏点处速度、压力产生明显突变，且当其他条件恒定时，随着管道泄漏孔径的扩大，管道的漏入量越大，定位的相对误差越小；在宏岩矿开展地面相似实验，实验结果绝对误差为4.5 m，相对误差为6%；在阳煤五矿井下8421抽采巷进行现场应用，绝对误差134 m，相对误差约7.95%。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。     

综放开采覆岩“两带”高度影响因素及预测模型研究*

为研究影响综放开采覆岩“两带”高度预测模型,采用理论分析与经验公式方法系统分析影响覆岩“两带”高度的因素,包括覆岩岩性、覆岩组合结构、煤层赋存状态、顶板控制方法、开采厚度、工作面走向长度与倾向长度、工作面推进速度、覆岩破坏残余变形;并将上述因素划分为采矿地质因素、顶板控制方法、采煤工作面三维尺寸设计参数、时间因素4类;基于此建立综放开采“两带”高度预测模型,并通过工程实例对比、现场实测等方法进行合理性验证。结果表明:芦沟矿与盛泰矿2个工作面的“两带”高度预测值均在实测值范围之内,说明得出的回归式预测效果较好,验证综放开采“两带”高度预测模型的合理性。     

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CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。