基于LMD-BA-ELM的边坡变形时序非线性预测模型研究

为分析和预测边坡变形,基于局域均值分解(LMD)、蝙蝠算法(BA)和极限向量机(ELM)的基本原理,建立边坡变形时序非线性预测模型。用LMD法将边坡变形时序样本分解为多组相对平稳的分量;用BA对ELM的参数进行全局寻优,构建BA-ELM预测模型,并对各分量进行滚动预测,经叠加各分量预测值,得到边坡变形最终预测结果。以某露天矿边坡变形实际监测数据为例,进行多模型对比分析。结果表明:LMD-BA-ELM模型预测的平均绝对误差为0.151 0 mm,平均相对误差为1.287 3%,运行时间为7.614 3 s;能够充分挖掘边坡变形的内部规律,有效降低其非线性特征。     

边坡变形的LMD-ELM多尺度预测模型研究

为准确预测边坡变形,有效预防边坡灾害发生,提出构建基于局域均值分解(LMD)和极限学习机(ELM)的边坡变形多尺度预测模型。用LMD方法,将边坡变形时间序列分解为多尺度且相对平稳的随机项、周期项和趋势项。针对各项时间序列,分别构建基于ELM的预测模型。经累加各分项预测值,获得模型最终预测结果。以甘肃某边坡变形为案例,进行实证分析。结果表明:LMD-ELM模型能够充分挖掘数据内部隐含的变形规律,有效诠释多尺度变形与其诱发因素间复杂的响应关系,预测精度、运行速度和拟合泛化能力较其他模型有所提高。     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

安全预测的EEMD-PSR-Elman建模方法及应用

为分析安全预测中时间序列的非平稳特性并提高预测精度,提出基于集合经验模态分解(EEMD)、相空间重构(PSR)及神经网络的预测建模方法。首先应用EEMD方法将时间序列分解成若干具有不同周期性或趋势性的分量,通过C-C方法计算各分量的最佳嵌入维数和延迟时间;然后分别进行相空间重构;再应用Elman神经网络对各分量进行训练并建立预测模型;最后将各分量预测结果叠加得到最终预测值。用该方法分析反映煤矿安全生产的关键性指标——煤炭生产百万吨死亡率。结果得到具有长期趋势性和周期性波动的5个分量,预测相对误差为-0.11%~0.20%;外推预测表明,中国煤炭生产百万吨死亡率将保持持续下降趋势,至2020年将下降到0.05以下。     

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态，防范化解大坝溃坝等重大风险，基于大坝变形大样本、非线性监测数据，引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测，以测试样本的均方根误差最小为适应度函数，采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数，建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析，并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明，GA-LSTM模型的预测效果和性能更佳，且相较于LSTM模型和GRU模型各测点预测误差均有减小，平均绝对误差减小量最高达6.92%。     

边坡位移的EEMD-PSO-ELM模型预测方法

为解决边坡变形位移预测难度大的问题,利用北斗监测系统获取边坡位移数据,引入集合经验模态分解(EEMD)法、粒子群优化(PSO)和极限学习机(ELM),建立边坡位移预测的EEMDPSO-ELM模型;以攀钢集团石灰石矿5号监测点为例,对原始数据小波去噪,采用EEMD法将位移时间序列分解为波动项位移和趋势项位移;利用PSO-ELM优化模型预测下一时段位移,叠加2项位移预测结果,得到边坡累计位移预测值,并对比分析预测结果。结果表明:EEMD-PSO-ELM模型位移预测方法的平均相对误差(MRE)为0. 15%,均方根误差(RMSE)为0. 03,拟合优度为0. 999 9,该模型具有一定的精确性和适用性。     

基于决策融合的多模型顶板安全预警

为了对矿井深部开采中煤层巷道的动压规律进行准确的预警预测,采用决策融合的多模型顶板来压预测方法。利用聚合经验模态分解方法(EEMD)对每个传感器监测数据进行模态分解,得到各子模型的多个固有模态函数(IMF)序列;根据模态函数的特点,对非线性序列运用支持向量机(SVM)模型,线性序列运用单整自回归移动平均(ARIMA)模型进行预测,再将各子模型中各种预测值合成重构得到各子模型的预测输出;通过统计识别模式将各子模型的预测数据进行归一化决策融合后,在同一个时空坐标系中表示出来。实际应用表明,用多模型融合的预测方法能实现采场顶板动态规律的远期、近期以及实时预测,并能很好地反映动压大变形规律,捕捉顶板灾害的预兆信息。     

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。     

软弱基底排土场变形破坏治理措施研究

针对软弱基底露天矿排土场普遍存在的变形破坏问题,结合胜利东二露天矿南排土场南帮边坡的工程实际,基于极限平衡理论,给出了通过探槽及滑坡变形反分析综合确定基底赋存条件及抗剪强度指标的方法;提出了对软弱基底排土场的变形治理措施;根据已有监测数据,对南帮边坡治理效果进行了评价。结果表明:在实施削坡减载措施后,各地表监测点的累计位移趋于平缓,边坡治理措施效果明显,解决了胜利东二露天矿迫切的安全问题,为同样具有软弱基底的其他露天矿排土场变形及破坏治理提供了指导。     

基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。     

基于VMD-LSSVR的河水水质预测方法

为了更好地掌握河水水质的变化规律,提出了一种基于变分模态分解(VMD)和最小二乘支持向量回归(LSSVR)的组合水质预测方法。通过VMD将水质指标分解成一系列有限带宽的模态分量以降低其非平稳性,然后对各分量分别建立LSSVR预测模型,并利用Pearson相关分析确定各分量输入变量,最后将各分量预测结果进行整合得到最终的水质指标预测值。以长江朱沱监测断面的高锰酸钾指数(CODMn)进行模型性能验证。结果表明,与其他现有模型相比,该方法具有更高的预测精度,为河水水质污染预控提供了有效技术支持。     

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。     

煤矿瓦斯涌出量预测的隐层递归反馈Elman模型

为更有效预测回采工作面绝对瓦斯涌出量,基于Lyapunov稳定性原理,改进Elman模型的递归部分。选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、采高、日工作进度、工作面长度、工作面采出率、邻近层瓦斯含量、邻近层厚度、邻近层间距、开采强度和层间岩性作为监测指标,对某矿16个学习样本进行训练,建立隐层递归反馈(HRF)Elman预测模型。利用矿井监测数据检验预测模型。试验结果表明,用HRF Elman模型能够有效地预测出瓦斯涌出量,预测结果相对误差为1.6%~3.41%,平均相对误差为2.45%,相比传统的Elman模型,预测精度和效率都有所提高。     

基于粗集理论算法-脊波神经网络的深基坑变形预测与应用

基坑开挖变形具有非线性特性,在脊波神经网络的基础上,采用粗集理论算法优化初始权值和阈值,建立了基于粗集理论算法-脊波神经网络的深基坑变形预测模型,应用该模型对西南地区某市火车站综合交通换乘中心南广场的基坑开挖过程进行了变形预测。结果表明:粗集理论算法能够对脊波神经网络进行优化,提高了脊波神经网络基坑变形预测结果的收敛速度和泛化能力;脊波神经网络能逼近基坑变形的非线性部分,避免了模型误差影响基坑开挖变形预测精度,提高了系统整体抗干扰性能。模型的预测值与实测值之间的误差在5%以内,满足实际工程的要求。     

高陡边坡三维实体变形预测的研究

从高陡边坡变形预测的机理出发,综合考虑三维点变形之间的相互影响以及变形的时间效应。根据三维实体变形预测理论,利用Matlab编制变形预测程序,建立了高陡边坡三维实体变形模型。结合实际工程监测资料,回归出相应的参数,并进行后续变形预测。结果表明,预测值与实际监测值相接近,相对误差在4%以内,由此为滑坡预警和安全生产提供了依据。     

灰色Elman神经网络在火灾事故预测中的应用研究

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色Elman神经网络火灾事故预测模型。依据我国1998—2007年火灾事故统计数据,分别选用GM(1,1)模型和灰色Elman神经网络模型对1998—2005年数据(火灾起数)进行拟合,对2006年、2007年数据进行(火灾起数)预测。结果表明:灰色Elman神经网络火灾事故预测模型符合火灾事故的特点;有效地解决了传统灰色预测模型在火灾事故预测中误差大稳定性差的缺陷,提高了预测精度;可对火灾事故进行预测与分析,为消防安全管理提供依据,以最大限度地减少火灾事故的发生。     

露天矿边坡变形预测的协同进化多核相关向量机模型

为提高露天矿边坡变形预测精度,利用协同进化粒子群(CEPSO)优化多核相关向量机(MK-RVM)的参数,构建协同进化多核相关向量机(CEPSO-MK-RVM),并将此模型应用于露天矿边坡变形预测。将CEPSO-MK-RVM的结果与协同进化多项式核函数相关向量机(CEPSO-PolyRVM)、协同进化高斯核函数相关向量机(CEPSO-Gauss-RVM)及修正果蝇优化下的支持向量回归(MFOA-SVR)的结果进行对比,并分析CEPSO对MK-RVM参数的优化效果。结果表明,CEPSO比标准粒子群优化(PSO)算法具有更好的优化效率及最优解;用CEPSO-MK-RVM模型得到的结果,4个精度指标均优于其余3种方法,边坡变形预测的精度得到有效提高。     

基于PCA-VMD-CNN的输电线路覆冰重量预测模型*

为防止覆冰灾害危及电路安全,提出1种输电线路覆冰重量预测模型。首先对多个气象因素进行主成分分析提取气象因素中的有效信息,再对覆冰历史数据进行变分模态分解,获得具有不同特性的本征模态分量;然后基于卷积神经网络,对具有不同时间尺度（周期性、波动性不同）的各个分量进行训练及预测,并将每个分量的预测结果相加。研究结果表明:通过对某覆冰区域的输电线路监测数据进行实验仿真,研究所提出的覆冰重量预测模型有更高精度。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。