基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。     

尾矿坝浸润线数据挖掘预测模型的样本选取研究

本文分别应用时间序列功能模型和回归模型，在原始数据的基础上建立样本，并运用支持向量回归机算法对样本进行训练，得出了尾矿坝浸润线埋深预测模型并进行了实例应用。研究证明，运用时间序列模型选取训练样本能够得出更为精确的预测结果。     

尾矿坝变形规律的灰色Verhulst预测

尾矿坝变形规律预测是矿山尾矿库安全技术管理的重要内容.尾矿坝的变形受多种因素的影响,其中有些因素是可知的,但有部分因素是不确定的,因此尾矿坝本身实际上是一个灰色系统.为了实现对尾矿坝变形趋势的预测,在充分认识尾矿库工程系统及坝体变形数据特性的基础上,采用灰色Verhulst模型对尾矿坝的变形进行预测,并结合某铁矿尾矿坝变形监测实际数据进行预测,模型精度满足要求,表明灰色Verhulst模型用于尾矿坝变形规律预测具有很好的适用性.     

基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究*

为准确预测尾矿坝变形趋势,通过主成分分析法（PCA）对尾矿坝变形影响因子进行优选,基于生物地理学优化算法（BBO）对支持向量机（SVM）参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明:PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。     

基于多点关联性的尾矿坝位移监测序列异常值诊断*

针对尾矿坝位移监测序列中噪声和真实异常值的区分问题,提出1种基于多点关联性和改进孤立森林（IF）算法的异常数据诊断模型。通过IF算法对监测序列中的各样本点异常程度进行量化计算,引入云模型（CM）算法确定IF量化的异常得分与异常概念的相互映射关系以实现异常点的初步诊断,根据Apriori算法计算多测点序列间的关联性,找出强关联序列组合,结合序列关联性以及异常点诊断结果区分噪声与真实异常值。以某尾矿坝位移监测序列为例进行模型验证。研究结果表明:基于多点关联性的异常诊断模型能够有效区分尾矿坝位移监测序列中的噪声与真实异常值,提高监测系统的准确性。     

尾矿库在线监测系统中位移数据分析方法探讨

尾矿库的安全稳定在矿山安全生产和环境保护中具有十分重要的意义,国家已明确要求三等及三等以上尾矿库应安装在线监测系统。本文在总结我国尾矿库在线监测系统结构和建设情况基础上,分析了当前已建成系统中坝面位移或坝内位移处理方法的现状和存在的不足,并提出科学合理地分析位移数据是关系到尾矿库在线监测系统有效性和适用性的关键技术之一。在总结归纳尾矿库安全领域坝体变形和稳定安全评价方法的基础上,提出了尾矿库在线监测系统中坝面位移和坝内位移定量分析处理的新思路,指出尾矿坝变形过程的数值仿真是校核在线监测系统所得位移数据,进而有效地分析和预测尾矿坝变形趋势的重要手段之一。     

基于无人机摄影测量的尾矿坝边坡表面变形监测*

为弥补传统基于GPS/GNSS的单点监测方式无法反映尾矿坝整体变形的局限性,提出1种结合坝坡现有位移监测系统的无人机尾矿坝边坡表面变形监测方法。利用单镜头轻小型多旋翼无人机和计算机视觉技术对尾矿坝的空间三维地理信息进行数据采集与重建;基于设置在坝坡表面的位移人工监测点（水泥桩）对多期尾矿坝点云数据进行配准;通过对不同时期尾矿坝点云数据距离的计算实现对其边坡表面变形的整体监测。结果表明:经过雨季冲刷,山东某尾矿坝局部边坡出现冲沟、滑塌、表层滑移等现象;提出的方法能够精细地体现出尾矿坝边坡的整体变形与细节变化,可为尾矿坝边坡整体变形监测方法的拓展提供参考。     

自动化安全监测系统在尾矿坝中的应用

论述了影响尾矿坝安全的因素,确定了尾矿坝安全监测系统的监测内容。着重阐述了系统选型、硬件选择和软件开发的原则,开发了基于Internet-Intranet的尾矿坝自动化安全监测系统,通过工程实例证明了该系统的实际应用效果,为研制开发尾矿坝自动化安全监测系统提供了很好的借鉴和参考。     

灰色支持向量机在瓦斯流量预测中的应用

在分析了灰色预测方法和支持向量机各自的优缺点基础上,提出了将二者相结合的一种新的预测模型灰色支持向量机瓦斯流量预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷,工程实例表明,所提出的瓦斯流量测模型较传统的GM(1,1)模型、支持向量机模型精度都有所提高,为瓦斯流量预测提供了一种新的方法.     

雾霾天气预测中支持向量机的应用分析

支持向量机在对非线性复杂问题进行处理的过程中,展现出来的优势特征非常突出,本文针对雾霾天气预测中支持向量机的应用做出了进一步探究,对支持向量机的概念、支持向量机的基本思想、建立雾霾预测模型、预测试验给出了详细的分析。     

The internet of things (IOT) and cloud computing (CC) based tailings dam monitoring and pre-alarm system in mines

Tailings disposal is a significant consideration for the mining industry, with the majority of the ore processed in most mining operations ending up as tailings. Several tailings dam failure accidents have occurred during the past few years and mine tailings dam failures, which are disastrous with the serious damage and the loss of lives, are occurring at relatively high rates. To improve the tailings dam safety, a tailings dam monitoring and pre-alarm system (TDMPAS) based on the internet of things (IOT) and cloud computing (CC) is accomplished with the abilities of real-time monitoring of the saturated line, impounded water level and the dam deformation. TDMPAS has helped the mine engineers monitor the dam safety 24/7 and acquire pre-alarm information automatically and remotely in any kind of weather conditions. TDMPAS has been applied in several mines and has demonstrated the feasibility of monitoring the tailings dam physical condition.     

支持向量回归机在尾矿坝浸润线预测中的应用

本文提出一种基于支持向量回归机的浸润线高度预测方法，从大量尾矿库监测数据中选取有效样本，运用留一法对支持向量回归机参数进行优化选取，建立预测模型。结果表明：该方法能在小样本、高精度要求下对浸润线高度进行准确的预测。     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

基于灰色系统理论的尾矿库坝体形变位移预测方法

为了降低尾矿库在金属非金属矿山安全生产中的危险,提高尾矿库在线监测数据的准确性,提高尾矿库工程溃决的预报预测水平,将尾矿库坝体形变位移作为研究重点,以在线监测技术测得的数值为原始数据,利用灰色系统理论的方法,以时间为主线,建立尾矿库坝体位移数学模型.最后,进行了工程实际坝体形变位移预测,结果表明,利用灰色系统理论建立的模型进行预测可以排除天气、人工、现场条件等许多因素的影响,为人工监测提供可靠依据.     

基于MIC-BBO-SVM的大坝渗流预测模型*

为监控大坝运行过程中的异常状态，准确预测大坝渗流量的变化趋势，采用最大信息系数(MIC)量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量，通过引入生物地理学优化算法(BBO)并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机(SVM)作为预测模型，以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5，0.155 0 m3/h，0.135 6 m3/h，11.51%，预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型，可为大坝渗流安全监测提供参考与借鉴。     

基于改进CM的尾矿坝体变形4级预警阈值确定方法*

为改善我国尾矿库在线监测系统由于重建设、轻利用而导致的事故预警能力被制约的现状，以尾矿坝体变形速率监测指标为研究对象，通过引入改进云模型，根据3E规则确定尾矿坝变形监测的正常运营值边界，建立尾矿库坝体变形速率4级预警阈值确定模型，以湖北省某尾矿库为例进行实例分析。结果表明:通过提出的坝体预警阈值确定方法，可得出尾矿库坝体变形速率黄、橙、红各级预警阀值分别为10.842，16.68，25.02 mm/d；进一步与典型小概率法计算结果对比表明，所提出的尾矿坝变形速率4级预警阈值确定方法更加科学合理，可用于尾矿库重要安全监测指标预警值的确定。     

基于时序InSAR的覆砂石尾矿坝形变演化研究

为解决目前采用在尾矿坝坝体及滩面覆盖砂石进行防尘治理与闭库，但传统监测手段难以实现坝体整体监测的问题，采用时序InSAR技术对2014年10月至2018年7月的Sentinel-1A影像进行处理，提取了对应时间段内卡房尾矿坝的形变信息，并结合实地调查及尾矿坝建设资料，研究了卡房尾矿坝的时序形变演化规律。结果表明:SBAS InSAR监测到坝体出现第1次异常形变加速运动时间与坝体开始铺设砂石工程的施工时间节点完全吻合，体现SBAS InSAR技术在受人为工程影响的坝体形变监测方面具有极高的敏感性。坝体在施工结束后，坝体形变加剧趋势并未缓解，并且出现2次加速现象，分析认为是由于在坝体铺设约2 m厚的碎砂石极大地增加了坝体荷载，打破了坝体原有的应力平衡状态，且识别出雨季对坝体形变影响显著，表明铺设砂石会使得降雨在坝体中的停滞时间加长，进一步引发非雨季期间坝体形变加剧。研究结果不仅能还原坝体出现异常形变的时间与演化过程，而且还可以对引起异常形变的内在影响因素进行分析与论证，对指导尾矿坝灾害识别、分析与治理具有重要的指导意义。