Elman神经网络在矿井突水水源判别中的应用

矿井突水是矿建与生产过程中最具威胁的自然灾害之一,准确判别突水水源是防治水害的关键。选取6种离子的质量浓度作为突水水源的判别因素,将河南省焦作矿区不同水层的39组水化数据以2种样本设计方案进行Elman神经网络模型的构建与检验。以不同的35组水源样品作为训练样本,运用Matlab软件进行Elman神经网络训练,将所建立的判别模型应用于(相应的)4组待测样本的判别,并与DDA、FDA、Bayes三种判别方法的判别结果进行分析比较。2种方案应用结果表明:将具有非线性动态特征的Elman神经网络应用于突水水源判别,在结合相应的水文地质条件前提下,可以准确判断突水来源;矿井多年的开采促使地下各水层水质呈动态变化,Elman神经网络判别模型能够反映这种变化特性,对探寻地下水运移与演化具有一定的应用价值。     

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。     

BP和Elman神经网络在砂土液化预测中的研究

基于砂土液化的影响因素具有非线性关系,而神经网络模型能够逼近任意非线性函数和适合于动态系统辨识的特性,分别建立输入层为4,隐含层神经元为2,输出层为1的三层BP神经网络和Elman网络,并且通过matlab软件运算,实例比较得出Elman模型比BP模型收敛速度快、精度高,在砂土液化的预测中效果更好。     

人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

基于灰色Elman神经网络的煤矿事故预测

随着煤炭工业的快速发展,煤矿事故频繁发生,安全生产形势依然严峻。针对煤矿事故的特点,根据我国1998～2007年煤矿事故数据,将灰色预测模型GM（1,1）与Elman神经网络预测模型相结合,建立煤矿事故预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,符合煤矿事故的特点。由此可对煤矿事故进行科学的预测与分析,为安全管理提供依据,以最大限度地减少事故的发生。     

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。     

基于BP神经网络人群流量预测的实现

人群拥挤踩踏突发性的特点决定了现场的事故救援措施效果较差,事前预防是唯一有效的策略。对商业区人群流量进行预测,对于合理控制商业网点人口,预防人群类事故的发生具有重要的意义。本文介绍了基于BP神经网络的人群流量预测方法,利用Matlab建立了相关模型,并结合实际数据对模型进行了调整,分析了隐含层神经元个数、不同输入-输出结构、不同传递函数等因素对网络性能的影响。研究表明利用神经网络的非线性映射能力对人群流量进行预测时可行的。     

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。     

供氧条件和水分对煤粉热特性的影响研究

使用C80微量量热仪研究了煤粉在升温条件下的热特性,比较了煤粉在不同供氧条件下的热特性.结果表明,在80℃时探测到煤粉开始放热,供氧量增加能促进煤粉产热增加,根据供氧不足情况下的实验,得出煤粉的耗氧产热量为14.49 J mL-1.研究了少量水分对煤粉热稳定性的影响,当煤粉和水的质量比为10:1时,在71℃时探测到放热,比干燥煤粉的放热开始温度低9℃.这些研究为煤炭的安全存储提供了实验基础.     

激波诱导下煤粉的爆炸压力测试

因气体爆炸导致沉积粉尘的二次爆炸的威力远大于单纯的气体或者粉尘爆炸产生的威力,利用自制的装置,诱导煤粉爆炸的激波由甲烷气体爆炸产生,对激波诱导下煤粉的爆炸压力Pmax、爆炸压力上升速率(dp/dt)max进行了实验研究。该实验分别研究煤粉浓度及煤粉粒度对爆炸指数的影响,其结果表明:对于不同的煤粉浓度,存在一个理想煤粉浓度值,在这个浓度下的煤粉爆炸压力值最大;随着煤粉粒度的减小,其爆炸压力不断升高。     

基于声发射特征参数的阀门内漏神经网络识别

为解决阀门内漏在线快速检测问题,基于声发射检测技术,采集了DN150闸阀在上下游压差0.8 MPa典型工况下的声发射信号,提取振幅、振铃计数、能量、平均信号电平、信号均方根值5个特征参数作为输入矢量,内漏结果作为输出矢量,建立了3层BP神经网络识别阀门内漏的模型,利用实验数据样本对该模型进行了验证。结果表明,阀门内漏识别准确率超过90%,有利于提高阀门安全运行在线监测水平。     

不同压力环境下不透明非碳化ABS材料的热解温度模型研究

在不同热流强度下,利用智能步进低压实验仓对不透明非碳化聚合物材料丙烯腈-丁二烯-苯乙烯(ABS)在不同压力情况下的热解过程中的表面及背面温度进行了实时测量,建立了表面吸收一维热解模型,预测了ABS在不同外界热流密度下,不同压力环境下表面温度及背面温度随时间的变化;并将实验测量值与模型模拟值进行对比。结果表明,非碳化聚合物的表面吸收一维热解模型在高热流密度下对温度的预测情况优于在低热流密度下对温度的预测结果,总体来说,模拟计算结果与实验测量值较为一致。     

基于BP神经网络技术的实验数据分析处理

许多热灾害实验的危险性和成本相对较高,很难进行多次实验,且数据较少。针对这些的问题,笔者根据BP神经网络基本原理,建立多层反向传播的神经网络,以现有实验数据为训练样本,对神经网络进行训练,利用训练后的网络对待测样本进行预测。以喷射火作用下液化气储罐热响应实验的数据处理为例,利用BP神经网络进行压力值预测。将预测的结果和实验数据进行比较,结果表明了神经网络对实验数据进行处理和预测的可行性。     

桥式起重机安全评估指标体系研究和系统设计

在对桥式起重机的设计、结构组成和常见事故故障资料进行调查研究的基础上,分析了桥式起重机在工程应用中遇到的不安全因素,建立了较完善的安全评估指标体系。设计了一种基于模糊神经网络的桥式起重机安全评估系统并对系统的软件功能设计进行了初步探讨。建立了模糊神经网络评估数学模型,利用MATLAB工具对模型进行了仿真验证,结果表明此模型是可行的。通过研究,为进一步针对桥式起重机展开定性、定量评估及安全管理与决策提供了有益参考     

活性炭吸附苯过程工艺参数实验和数值模拟研究

吸附法可适用于各种浓度范围VOCs的治理。本文采用实验和数值的方法研究了活性炭吸附苯过程工艺参数。首先采用实验方法得到了一种工况下的穿透时间,然后基于多孔介质模型和组分输运模型建立U型管内活性炭吸附苯过程三维数学模型。数值计算得到的穿透时间和实验结果对比误差为1.41%,证明数学模型可靠。另外,本文对模型进行了网格无关性验证。最后,采用该数学模型研究了入口速度、入口苯质量分数和多孔介质孔隙率对穿透时间、吸附过程最高温度和U型管内温度分布等参数的影响规律。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。     

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。     

煤与瓦斯突出两相流传播特性实验研究*

为了探究煤与瓦斯突出后煤粉-瓦斯两相流传播规律,利用自主搭建的煤与瓦斯突出管网实验系统,研究突出后冲击气流压力衰减规律、煤粉运移分布特征。结果表明:在初始压力为0.4 MPa时共突出煤粉3.12 kg,管道内煤粉质量呈正态分布,管道前部煤粉分布较少,占突出煤粉质量33.7%,多为小粒径煤粉;管道中部煤粉分布最多,占突出煤粉质量61%,粒径分布范围广;后部煤粉分布质量最小,仅占突出煤粉质量的5.3%,但多为大颗粒粒径煤粉。煤粉在管道内测点处依次为分层流、均匀流、大颗粒流3种流态,每种流动形态所对应的运移速度与煤粉打击压力均呈现逐渐衰减的规律。突出后冲击气流压力沿管道呈现衰减趋势,冲击气流对管道内所造成的压力扰动可持续 4 s左右。     

基于BP神经网络不同输入变量的爆破振速预测

以某隧道爆破开挖为实例,利用BP神经网络解决复杂非线性函数逼近问题的能力,以最大段药量、爆心距、爆破分段数、泊松比、岩石基本质量指标作为影响爆破振动速度的主要因素,选取不同维数的输入变量建立BP神经网络模型来预测爆破振动速度。对比分析各组预测值与实测值之间的相对误差,选取合理维数的输入变量建立了爆破振动危害预测的BP神经网络模型。     

铁路行车事故预测方法分析与比较

对铁路行车事故的特点和类型进行分析;根据美国铁路2005年安全年报提供的数据,运用灰色系统理论和BP神经网络方法建立铁路行车事故的预测模型;利用MATLAB软件进行预测仿真,比较和分析两种预测方法的精度及特点。结果表明:灰色系统理论预测结果固定,短期效果比较好;BP神经网络预测具有适应性和灵活性,适用于长期预测。采用灰色系统理论和BP神经网络进行铁路行车事故的预测,克服了传统数学统计预测方法中建立复杂的数学模型,预测准确性低的缺点,对预防和控制铁路事故的发生,降低事故损失具有现实意义。