基于因子分析与BP网络的地铁施工安全预警研究

为了解决当前我国地铁施工过程的安全预警问题,构建因子分析与BP神经网络相结合的地铁施工安全预警模型。在分析地铁施工安全预警指标的基础上,采用SPSS因子分析法对调查数据进行降维,采用Visual Basic 6.0软件编写BP网络程序,并通过工程实际数据实现模型的训练及检测。研究结果表明,通过因子分析能使BP网络的输入数据从37个减少至7个,经因子分析降维后的收敛速度和计算精度均高于未经因子分析的神经网络,且误差均在10%以内。通过因子分析与BP神经网络相结合构建的耦合模型识别地铁施工过程中的不安全因素,进而有针对性地完善地铁施工的相关预警技术。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

基于广义回归神经网络的矿井涌水量预测

矿井涌水量预测对矿山的安全生产和地下水资源的保护都有着重要意义。将广义回归神经网络(GRNN)引入到矿井涌水量预测中,以实例为研究基础,提出采用GRNN对矿井涌水量预测问题进行建模,将大气降水、采空区面积和底板构造断裂及采动裂隙三个影响因子作为网络输入,涌水量作为预测输出,采取交叉验证方法获得光滑因子来建立预测模型。预测结果表明,GRNN模型的预测值与真实值的最大相对误差仅为4.27%,而BP神经网络预测的最大相对误差为10.48%。同时,减少训练样本数量,即应用于小样本预测问题时,GRNN模型的预测结果较BP神经网络精度高且稳定性好。因此,应用GRNN模型进行矿井涌水量预测是准确的、可行的。     

基于SVR的含缺陷管道剩余强度研究

针对采用标准预测含缺陷管道剩余强度误差较大这一问题,在Matlab中建立基于SVR的含缺陷管道剩余强度预测模型,并基于60组含缺陷管道爆破试验数据进行训练测试,以验证模型的实际性能.结果表明:SVR模型预测测试集结果的最小相对误差为0.55％,最大相对误差为10.35％,平均相对误差为2.63％,预测结果的R2高达0....     

基于变权重RBF组合模型的煤与瓦斯突出强度预测

为更准确预测煤与瓦斯突出强度,在组合算法和径向基函数(RBF)神经网络的基础上,建立变权重RBF组合模型。首先,选取最具代表性的3种单项模型:BP神经网络、支持向量回归机(SVR)、免疫遗传算法(IGA),分别建模后对样本序列进行预测,并重构预测结果数据。以重构后的预测序列为输入层,突出强度为输出层,对变权重RBF组合模型进行训练,获得各单项模型的动态权值,从而建立动态变权重RBF组合模型,最后对突出强度进行预测。结果表明:变权重RBF组合模型预测结果的平均相对误差为2.621 2%,优于各单项模型、定权重组合模型以及数据不重构组合模型。     

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。     

基于BP神经网络的民航机场安全预警研究

在完善、改进已有民航机场安全预警指标体系及其指标值的基础上,突破民航机场传统的危险预警模式,建立基于BP神经网络的民航机场安全预警模型.采用SPSS主成分分析法对模拟数据进行预处理,基于MATLAB软件实现网络模型的训练与检测,从而实现安全预警.研究表明此模型是可行有效的,可为研究机场安全预警问题提供新的思路和方法.     

风电运维人员行为安全预警指标体系构建与分析

为提高风电运维人员安全行为水平,在独立性、完备性、梯度性、可行性原则的前提下,从人因、机械设备、作业环境、监督管理、信息沟通5个方面建立行为安全预警指标体系,利用问卷调查法获取行为安全预警数据,基于果蝇优化算法(FOA)优化反向传播(BP)神经网络,建立“15-10-1”结构的行为安全预警模型,利用该模型训练测试问卷数据。结果表明：构建的行为安全预警指标体系是科学合理的,FOA-BP神经网络模型有较强的预警能力,能够预测风电运维人员的行为安全风险。测试后,模型能实现较好的预警效果。     

基于改进随机森林模型的海底管道腐蚀预测

为提高海底管道腐蚀速率预测精度,建立一种基于改进随机森林的海底管道腐蚀预测模型。首先,采用斯皮尔曼相关系数,分析实海挂片腐蚀数据的相关性,并采用因子分析降维;然后,设定K值为5的K折交叉验证,建立随机森林回归(RFR)模型,并输入降维后的数据;最后,输出模型的交叉验证得分,并对比评价该模型与其他模型的最高得分预测结果。研究结果表明:改进RFR的五折交叉验证输出平均得分值为0.912,高于BP神经网络(BPNN)模型、支持向量回归(SVR)模型2种对比模型;五折交叉验证最高得分预测结果均方根误差(RMSE)、平均绝对误差(MAE)分别为1.441和1.3,均优于对比模型相应值。     

基于IPSO-BP的受损钢结构改造施工安全预警评估研究

为研究受损钢结构改造施工安全预警状况,建立受损情况下钢结构改造施工安全预警指标体系,并针对BP神经网络算法易陷入局部最优的问题,提出了用改进粒子群算法（IPSO）对BP神经网络权重及阈值进行调整的IPSO-BP安全预警评估模型。通过分析某单层重钢厂房受损现状,针对其结构损伤情况和已构建的安全控制指标体系进行数值模拟分析。研究结果表明:与传统的BP模型相比,IPSO-BP模型具有更好的预测能力,构建的安全预警指标体系及预警模型可以很好地对受损钢结构改造施工过程安全状况进行综合评估,对受损钢结构改造施工安全控制具有一定的参考价值。     

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。     

基于多源数据融合的石油罐区安全监控模型

由于单一传感器在石油罐区安全监控中容易受到外界因素影响从而产生误差,为提高传感器检测结果的可靠性和罐区安全监控预警的准确性,基于多源数据融合技术,建立罐区安全状态预警模型。首先,介绍了多源数据融合技术的3个层级:数据级融合,特征级融合和决策级融合,以及目前各领域常见的数据融合方法;其次,建立了基于最优加权融合算法的一级融合模型和基于BP神经网络算法的二级融合模型;最后,得到石油罐区安全监控数据融合模型,并为进一步的实践应用打下了理论基础。     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

川藏铁路桥隧施工安全风险评价

通过评估川藏铁路工程建设的施工风险等级,为高质量推进川藏铁路工程建设提供理论支撑。剖析了国内外学者关于风险评估研究的理论与方法,针对川藏铁路施工建设中的5座特大桥梁工程和9座超长隧道工程,分析了桥梁隧道建设工程的特征,构建了川藏铁路桥梁工程的17个安全风险评价指标体系和隧道工程的20个安全风险评价指标体系,通过建立基于模糊综合评价法的风险评估模型完成了对川藏铁路重点桥梁和隧道工程的风险评价,最后构造BP神经网络模型对风险评估结果进行验证,以川藏铁路部分重点桥梁工程评分数据和部分重点隧道工程评分数据为训练数据,以剩余评分结果为验证数据,预测桥梁和隧道工程的风险等级。结果表明:采用BP神经网络预测桥梁隧道工程安全风险等级的准确率高达98. 82%,BP神经网络对于该工程施工安全风险评价具有适用性;川藏铁路重点桥隧工程项目有50%处于较危险以上,只有20%的工程处于安全级别。     

基于贝叶斯决策的尾矿坝干滩长度预警研究

为合理确定尾矿坝干滩长度的监测预警阈值,首先,分析干滩长度和渗透系数的变化特性,结合尾矿坝稳定性分析与贝叶斯决策理论,将干滩长度数据离散化,采用随机变量表示干滩长度的不确定性;然后,依据相关规程将坝体安全系数的范围离散化,建立安全系数与干滩长度间关联的贝叶斯决策模型,并依据最小风险分析原则划分贝叶斯决策分类,再通过最大后验概率确定干滩长度的预警阈值;最后,将该预警模型应用于陕西某尾矿库的干滩长度预警。研究表明：当干滩长度小于170 m时,该尾矿坝存在溃坝风险,通过排渗可使干滩长度增加至175 m以满足坝体稳定性要求。贝叶斯决策预警数据与企业监测数据吻合,预警阈值能客观反应尾矿坝的稳定性状况。     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。     

含硫气井完整性风险等级预测研究

为保证含硫气井在开发过程中安全高效生产,提出一种基于主成分分析(PCA)和BP神经网络的含硫气井完整性风险等级预测模型。首先,采用Bow-tie方法得到含硫气井完整性失效风险因素,通过模糊评价法对风险因素进行量化处理;然后,利用PCA提取综合指标,并结合BP神经网络得到预测模型,进而得到风险等级。研究结果表明:通过PCA能使BP神经网络的输入数据由28个减少至4个,所建模型的风险等级预测精度高于未经PCA的BP神经网络;通过PCA与BP神经网络结合的预测模型可识别含硫气井开发过程中完整性失效的风险因素,完善了含硫气井风险等级预测技术。     

尾矿坝溃坝模型研究及应用

根据多个大坝的实际溃决资料,提出尾矿坝溃坝的数学模型,该模型考虑尾矿的物理力学性质及其在流动中的变形,适合溃坝砂流下泄流量变幅大的特点。并就尾矿坝溃坝后泥石流对坝下游的影响提出预测的方法,该方法确定了泄砂总量、溃坝口平均宽度、坝址最大砂流量、坝址流量过程线等溃坝的重要参数。最后利用数学模型对某尾矿库溃坝砂流进行了预测,并指出该坝下游人员的撤离高程,为防灾减灾以及保护人民生命财产安全等起到了积极作用。     

基于Hadoop平台的瓦斯突出预测预警方法研究

为防治煤与瓦斯(甲烷)突出事故,提出基于Hadoop平台的煤与瓦斯突出预测预警方法。首先,选用霍尔特指数平滑法对实时监测的瓦斯体积分数数据进行预处理,以提高监测数据的准确性和完整性;其次,基于BP神经网络模型,提取监测的瓦斯体积分数的特征参数,并结合人工检测的防突检测参数,构建瓦斯突出预测预警模型;最后,在平煤八矿戊9-10-21050工作面,进行现场应用,验证该方法的可行性。研究表明:用该方法能较好地处理及分析海量瓦斯体积分数所得数据,突出预测预警结果可靠性较高,能够满足现场实际应用的需要。