基于改进的未确知聚类模型的岩爆倾向性预测

在采用未确知聚类评价模型进行多指标分级评价时,常采用置信度识别准则作为待测对象的属性识别,该准则中置信度的取值由人为取定,当置信度取值不同时,得到的分级判定结果往往出现差异,甚至产生完全不同的判定结果。通过距离判别的思想将未确知聚类理论中的置信度识别准则进行改进,并运用到岩爆烈度的分级预测中。根据岩爆发生的主要影响因素,选取岩石单轴抗压强度σ_c、单轴抗拉强度σ_t、最大切应力σ_θ及岩石的弹性变形能指标W_(et)为岩爆主要影响因子。并以σ_c/σ_1、σ_θ/σ_c、W_(ey)为岩爆烈度等级评价因子,建立未确知测度模型,以距离判别改进后的属性识别方法进行分级预测,并与原置信度识别准则得到的判别结果进行分析和比较。为验证改进模型的实用性,以贵州开磷集团马路坪矿区为例,采用改进的未确知聚类模型对其岩爆烈度等级进行预测分析。结果表明,预测结果与实际情况基本吻合,证明采用改进后的未确知测度模型的判别结果不仅消除了由于置信度取值不同造成的判别结果误差,降低了人为主观因素的影响,而且具有较高的判别准确性和可行性。     

基于反赋权与MBCT-SR多维云模型算法岩爆预测研究

基于岩爆事故的模糊性与随机性特征,为解决在当前岩爆烈度等级预测研究中,通过正向云发生器经验式计算多维云模型特征值进而导致预测结果主观性较强的问题.本文选取应力比Ts=σθ/σt、岩石脆性指数B=σc/σt以及弹性应变储能指数Wet作为评价指标,结合机器学习理论,采用多维逆向MBCT-SR云发生器算法对岩爆等级进行预测,...     

基于改进组合赋权的岩爆多维云模型预测研究

岩爆是地下开挖工程主要的地质灾害之一,其烈度分级预测是一个急需解决的世界性难题。针对其预测过程中的不确定性,选取切向应力与岩石单轴抗压强度比σ_θ/σ_c、岩石单轴抗压强度与抗拉强度比σ_c/σ_t、弹性变形能指数Wet建立评价指标体系,以改进熵权-基于指标相关性的指标权重确定方法(CRITIC)综合计算预测指标权重,结合不确定性人工智能理论,将逆向云发生器算法用于确立多维云模型的3个数字特征,生成所有预测指标的多维云模型。用国内外48组典型岩爆实例数据检验本文模型的准确性与有效性,并与基于权重融合的云模型、一维正态云模型的预测结果进行对比。结果表明:该模型应用于岩爆预测有更高的准确性。     

基于BP网络理论的岩爆预测方法

选取影响岩爆的一些主要因素,如地应力大小、岩石抗压和抗拉强度、岩石弹性能量指数,采用人工神经网络理论,根据国内外一些岩石地下工程实例构造样本集,建立了一种新的岩爆预测模型.此模型可以直接应用于岩石地下工程,对岩爆的发生与否及烈度大小进行预测.实例表明,预测结果与实际情况符合得很好,说明了此模型的有效性.     

改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer, IMVO)优化广义回归神经网络(General Regression Neural Network, GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_WEP)和旅行距离率(V_TDR)两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。     

基于MIV-MA-KELM模型的岩爆烈度等级预测

为准确预测岩爆烈度等级以确保挖掘工程施工安全,提出一种基于MIV-MA-KELM的岩爆烈度等级预测模型。首先,在分析岩爆烈度影响因素的基础上确定主要评判指标,采用文化基因算法(MA)优化核极限学习机(KELM)参数,借助KELM拟合评判指标与岩爆烈度等级间的非线性映射关系;然后,利用平均影响值(MIV)方法以20%的调解率计算各指标影响权重,剔除低影响权重指标并反馈到MA-KELM模型中重新训练与测试;最后,选取巴玉隧道的68组数据进行试验,并用该模型预测秦岭隧道岩爆烈度等级。结果表明:预测结果与实际情况完全一致;MIV-MA-KELM模型能更合理地构建指标体系,有效避免局部最优解,提高岩爆烈度等级的预测准确率。     

基于粗糙集和加权灰色关联分析的岩爆预测

本文选取影响岩爆发生的五项指标作为岩爆预测的关键影响因素:最大主应力、单轴抗压强度、岩石点荷载强度、岩体完整性系数和弹性变形指数。通过采用粗糙集理论确定岩爆预测影响因素的权重,利用加权灰色关联分析对某工程的岩爆发生情况进行了预测。预测的结果与现场实际状况相吻合,说明运用该方法预测岩爆是合理的。     

RF-AHP-云模型下岩爆烈度分级预测模型

为准确可靠地预测岩爆灾害,将随机森林(RF)与层次分析法(AHP)结合,在RF分析指标重要性的基础上优化AHP法,构建RF-AHP指标权重计算方法;结合云模型理论,建立基于RFAHP-云模型的岩爆烈度分级预测模型;通过文献调研法,建立包含301组岩爆工程实例的数据库作为岩爆烈度分级预测的样本数据,并分析25组预测样本的岩爆预测结果。结果表明:所提模型预测准确率达88%以上,可判定预测样本的岩爆烈度等级;经验证,作为预测模型核心的RF-AHP指标权重计算方法具备一定的合理性。     

基于改进Smote-GBDT算法的岩爆预测模型

为准确预测岩爆等级,确保施工人员和设备安全,首先,从岩爆机制、数据和算法角度,分析埋深(D)、单轴抗压强度(UCS)、单轴抗拉强度(UTS)、岩石脆性指数(B₁、B₂)、围岩最大切向应力(MTS)、应力集中系数(SCF)和弹性变形能指数(W_et) 8个指标,建立岩爆预测指标体系;其次,针对岩爆样本存在的数据不均衡问题,引进托梅克联系(Tomek Link)对欠采样方法,改进合成少数类过采样(Smote)算法,对岩爆训练样本进行混合过采样;最后,构建SmoteTomek-梯度提升树(GBDT)岩爆预测模型,以38组数据验证模型的有效性,并与其他模型进行对比。结果表明：SmoteTomek-GBDT的准确率为92.1%,较未采样提升5.3%,Smote采样提升10.5%,优于随机过采样模型,并且避免跨等级的岩爆误判。     

基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

基于NRS-ACPSO-SVM的冲击地压危险性预测模型

为快速、准确地预测冲击地压危险性,提出基于NRS-ACPSO-SVM的冲击地压危险性预测模型。首先,在综合分析冲击地压危险性影响因素的基础上,以重庆砚石台煤矿为例,选取煤层厚度、倾角、埋深等10个影响因素作为冲击地压危险性的特征指标;然后,基于邻域粗糙集(NRS)理论对特征指标进行降维,提取出影响冲击地压危险性的关键属性构成约简集;最后,为避免支持向量机(SVM)模型受惩罚因子C和核函数参数σ随机性影响,采用自适应混沌粒子群算法(ACPSO)优化SVM模型参数,将约简集作为ACPSO-SVM模型的输入进行训练,利用训练好的ACPSO-SVM模型预测样本,并对比其他模型的预测结果。研究表明:NRS能有效地约简属性,简化模型结构,模型预测精度与运行效率均有明显提高;利用ACPSO优化SVM模型能避免结果陷入局部极值,提高收敛速度及预测精度,用该模型可有效地预测冲击地压危险性等级,其预测错误率为0。     

基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

基于不同指标无量纲化方法的岩爆预测模型优选

为研究不同指标无量纲化方法对岩爆等级预测模型精度的影响，提高岩爆预测准确率，选取应力系数、脆性系数和弹性能量指数作为预测指标。基于104组岩爆实例大样本数据，采用统一极差处理法、差异化极差处理法、平均化处理法和归一化处理法4种指标无量钢化方法，对预测指标的原始数据进行处理，建立不同的岩爆预测距离判别模型并进行工程实例应用。研究结果表明:基于平均化处理法的岩爆预测模型的回判准确率高达97.1%；对不同矿山、隧道和水电站的6个工程实例的预测结果符合实际情况，说明其是一种准确率高、方便实用的岩爆预测模型。     

基于改进组合赋权-TOPSIS法的岩爆倾向性评判模型

针对岩爆倾向性评价模型中指标权重难以确定导致预测精度不高的问题，提出1种基于改进组合赋权-TOPSIS法的岩爆倾向预测模型。综合考虑岩爆发生条件，选取岩性条件、应力条件和围岩条件3项准则对应的15个岩爆倾向性判别指标。采用3标度法的改进层次分析法（IAHP）与熵权法（EWM）结合，消除主、客观因素影响获得最优权重，运用逼近理想解法(TOPSIS)分析评判对象与虚拟理想解的贴近程度，从而判断岩爆倾向性等级。研究结果表明:弹性能量指数Wet、动态DT参数、能量储耗指数k、T准侧和应力指数S对岩爆倾向性影响较大；该模型对岩爆倾向性预测准确率高于85%，可为类似地下岩土工程岩爆倾向性预测提供理论支撑。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

遗传算法优化的BP神经网络在地震死亡人数评估中的应用

破坏性的地震灾害作为一种突发性自然灾害,往往会在短时间内造成大量的人员伤亡和财产损失。地震发生后若能有效地预测伤亡人数,可以更科学地组织人员救灾与配置救灾物资,对于减少震后的人员伤亡具有一定的指导作用。通过我国往期的地震数据信息,分析总结出对人员伤亡数目影响较大的7个因素,分别为地震等级、地震时间、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度。鉴于这7个影响因素与地震时的死亡人数呈非线性关系,选用基于遗传算法(GA)优化的BP神经网络建立地震死亡人数预测模型。针对BP神经网络的局限性,利用遗传算法全局搜索最优值的特点,对BP神经网络的权值与阀值进行优化,防止BP神经网络陷入局部最优解,并且加快神经网络收敛速度,从而提高BP神经网络的预测精度。从我国1970年至2016年之间发生的地震灾害中,选取32组造成人员伤亡的地震数据,对初始数据进行处理后,利用遗传算法优化的BP神经网络预测模型进行训练并预测。选取27组样本作为训练样本,另外5组样本作为测试样本。预测分析结果表明,遗传算法优化的BP神经网络预测死亡人数与真实死亡人数相比平均误差为9.72%,均方误差为10.41,而BP神经网络的预测死亡人数的平均误差为17.61%,均方误差为18.02,因此GA-BP神经网络结果较为理想,相比传统的BP神经网络具有更高的逼近精度。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

灰靶决策理论在岩爆烈度等级评价中的应用

为解决小样本情形下岩爆烈度等级评价的模糊性和不确定性问题,提出基于多因素灰靶决策理论的岩爆烈度评价方法。首先,利用该方法构建评价指标体系,采用灰色关联法确定各指标权重系数;然后,引入基于正负靶心的灰靶决策理论,建立多维空间岩爆烈度等级评价模型,利用空间投影距离法建立不同岩爆烈度等级的综合靶心距分布集;最后,通过度量靶心距的大小判定岩爆烈度等级。研究结果表明:该方法的评价结果与实际岩爆情况相吻合;相较于粗糙集理论和Russenes判据,能够弱化因信息量不足所造成的决策模糊性,给出更为确切的岩爆烈度判定结果。     

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。     

均布与梯度应力加载路径下岩爆破坏特征试验

为探究围岩切向应力集中过程中加载应力分布对岩爆特性的影响,利用自主研制的梯度与气液复合加载岩爆装置,对大尺寸类岩体模型进行均布与梯度应力加载路径下的岩爆模拟试验;从岩爆破坏现象、碎屑形态及分布特征等方面,对比分析均布与梯度应力加载下的模型岩爆特征。结果表明:均布与梯度应力加载下的岩爆破坏特性存在明显差异;均布应力加载下,模型岩爆主要形成以张拉破坏为主的片状、板状碎屑,碎屑弹射距离较近,对应的岩爆烈度小;而梯度应力加载下,模型岩爆主要形成以剪切破坏为主的块状碎屑,相对于均布应力加载,碎屑抛射距离更远,岩爆烈度更大。