考虑数据去噪分解的滑坡位移组合预测研究

为准确掌握滑坡位移变化规律,基于滑坡变形监测结果统计,对位移数据进行去噪分解处理,将滑坡位移数据分解为趋势项和误差项,并分别利用优化多核极限学习机和Arima模型构建预测模型,以实现滑坡位移的组合预测.结果表明:Morlet复小波较传统去噪模型分解效果更优,且通过优化处理,能更好地提高其分解能力;通过对多核极限学习机的...     

基于EEMD-LSTM模型的尾矿库风险预测模型研究

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解(EEMD)和长短期记忆(LSTM)的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明：EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。     

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。     

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。     

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。     

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。     

露天矿边坡变形的LMD-Elman时序滚动预测研究

为准确预测边坡变形,采用局部均值分解(LMD)与Elman神经网络相结合的方法,构建基于LMD-Elman的露天矿边坡变形的滚动预测模型。通过LMD将时序样本分解为多个分量,利用Elman神经网络对各分量进行滚动预测,再叠加各预测值重构最终理论预测值。以某露天矿边坡实际监测数据为例,进行仿真预测。结果表明:监测数据自身携带诱导边坡变形及失稳的重要信息,基于LMD-Elman的滚动预测能有效揭示边坡变形的波动性、趋势性和周期性特征;模型预测结果的平均绝对误差为0.056 8 mm,平均相对误差为2.756 8%,与单一Elman模型相比,预测精度显著提高。     

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。     

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD-DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0. 096 m3/min,平均相对误差为2. 43%,预测精度有所提高。     

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。     

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。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

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。     

基于EMD-LSSVM的瓦斯浓度动态预测模型

为提高回采工作面瓦斯体积分数预测时效性,建立了EMDLSSVM的瓦斯体积分数动态预测模型;为能够快速有效地反映瓦斯体积分数当前状态,避免早期历史数据对模型预测的影响,采用复合窗口技术对瓦斯体积分数时间序列进行动态更新;为提高算法预测精度,先采用经验模态分解算法(EMD)对更新后的窗口数据进行分解得到高频项、低频项和趋势项,考虑到瓦斯体积分数变化受到诸多因素干扰导致预测难度较大,但由同类因素影响的瓦斯体积分数变化特征具有较高的相似性,利用聚类方法将瓦斯体积分数监测数据划分成性质相似的若干个模式类别,以减少各种随机因素对预测结果的影响,再利用最小二乘支持向量机(LSSVM)对高、低频项进行加权预测,用自回归(AR)模型对趋势项进行预测,最后进行组合预测。实例对比分析表明,该预测模型能够有效地预测瓦斯体积分数的变化趋势,减少了预测时间,预测精度也满足矿山安全工程实际要求。     

加权马尔可夫链滑坡预警模型优化研究

滑坡预警研究是地质灾害领域的重要课题,为准确建立滑坡预警模型,采用均值-标准差法将位移速度数据划分为2种状态,以加权马尔可夫链动态预测未来的位移速度状态,以前日、当日的已知位移速度状态及次日的预测位移速度状态作为预警判据,构建加权马尔可夫链滑坡预警模型。以平庄西露天矿4·17滑坡为工程背景,通过预警及时性、抗干扰性及可信度三方面对样本容量及标准差倍数进行优化,确定出滑坡预警的最优化模型。研究结果表明:模型在边坡等速变形阶段的错误预警率极低,在滑坡临近时能给出合理的密集预警时段,具有较好的时间预警和区域预警效果,同时能在一定程度上揭示滑坡的启动及演变过程;样本容量为20,标准差倍数为0.4时,模型可充分利用其精确性,使错误预警率更低、预警更及时,能较好满足模型评价的及时性、抗干扰性及预测可信度标准;最优模型对滑坡区各监测点的7日平均预警密集度为77%,平均预警错误率为0,平均预测一致率为61%。     

基于预处理的IFOA-ELM煤与瓦斯突出预测模型

为快速准确地预测煤与瓦斯突出危险性,提出一种基于预处理的改进果蝇优化算法(IFOA)-极限学习机(ELM)的预测模型。首先预处理平顶山八矿的部分实测数据,采用灰色关联分析(GRA)法与熵权法(EWM)结合的灰色关联熵分析(GREA)法剔除影响程度较小的因素,应用主成分分析法(PCA)进一步约简因素;构建煤与瓦斯突出危险性预测模型,基于果蝇优化算法(FOA),引入自适应步长更新策略及群体适应度方差策略设计IFOA;利用IFOA优选ELM输入层权值及隐含层阈值,对预处理样本数据进行训练、预测并对比其他模型预测效果。结果表明:基于预处理的IFOA-ELM模型预测结果与实际结果完全拟合,预测效果显著优于未预处理的模型;基于预处理的IFOA-ELM模型的分类准确率和召回率均为100%,显著高于其他对比模型。     

基于CRITIC-有限区间云模型的边坡稳定性评价

针对岩质边坡危险性分级的不确定性,选取坡高、坡角岩体结构特征、岩石单轴抗压强度等12项定量评价指标构建评价体系。根据有限区间云模型的相关概念和计算模型,求出露天采场边坡实测数据的云模型特征参数,利用正向云发生器生成云滴图进行量性概念的转化,通过改进的CRITIC法确定指标权重,进而求出不同采场隶属于不同危险等级的综合隶属度,实现边坡稳定性等级的划分。研究结果表明:评价结果与实际相符,利用CRITIC算法求取的权重值,可以考虑各评价指标的综合信息量以及指标间的相关性系数,使评判结果更具有准确性;同时可以快速准确判断出边坡稳定性分级,进行安全预测,为评价边坡的稳定性提供了新思路。     

弱层台阶边坡可靠度非侵入式随机分析*

为确保复杂结构边坡的安全稳定,针对弱层台阶边坡可靠性开展非侵入式随机分析。以抗剪参数为随机变量,采用局部平均法进行随机场离散,采用随机场和Monte Carlo(SMC)法编制程序进行数值计算,并与Monte Carlo(MC)法结果进行比较。结果表明:利用非侵入式随机分析方法计算可靠度效率更高且易于实现;随机场可以反映岩体力学参数的空间变异性以及参数之间相关特性,更接近于实际情况,弱层对边坡稳定性有重要影响,会导致边坡安全系数降低,且最大位移会显著增大;采用MC法会过度放大边坡的失效概率,而SMC法得到的结果更可靠。该结论可为复杂结构边坡的可靠性分析提供参考。     

直觉模糊集TOPSIS在边坡地震稳定性评价中的应用

为准确评价岩土边坡地震稳定性,建立基于直觉模糊集逼近理想解排序(TOPSIS)法的边坡地震稳定性评价模型。首先综合考虑定量与定性指标,选取岩土体特征、新构造运动特性、坡高、坡角、年降水量、场地地震烈度等6个因素为边坡地震稳定性评价指标;然后针对定性指标与指标权重的模糊性,利用直觉模糊集对其进行表示,并结合TOPSIS构建边坡地震稳定性评价模型;最后利用模型对16处边坡地震稳定性进行评价,结果与实际相符。研究结果表明:基于直觉模糊集TOPSIS法的岩土边坡地震稳定性评价模型可用来处理指标权重和定性指标的模糊性,与突变级数法、属性数学、灰色聚类法、综合指标法、模糊因素法等方法相比,用其得到的评价结果更准确。     

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。