基于KPCA-MPSO-ELM的矿井突水水源判别模型

为准确判别矿井突水水源并有效预防突水事故,提出一种基于核主成分分析-改进粒子群算法-极限学习机(KPCA-MPSO-ELM)的矿井突水水源判别模型。利用核主成分分析(KPCA)法对原始数据进行属性约减,通过改进粒子群算法(MPSO)优化极限学习机(ELM)的初始权值和阈值,建立KPCA-MPSO-ELM模型;在综合考虑矿井各含水层的水化学特征的基础上,选取Ca2+、Mg2+、K++Na+、HCO3-、SO42-、Cl-等的浓度和总硬度作为矿井突水水源的主要判别依据;以新庄孜矿的45组实测数据作为样本进行实例分析,其中33组数据作为训练数据训练模型,另外12组数据作为预测样本,用该模型进行预测,并将其判别结果与MPSO-ELM、KPCA-PSO-ELM模型的判别结果进行对比。结果表明:KPCA方法能减少指标数据间的信息重叠;通过MPSO优化ELM参数,可提高算法的整体搜索性能和收敛速度; KPCA-MPSO-ELM模型的预测精度高于MPSO-ELM、KPCA-PSOELM等2个模型。     

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。     

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LLE-ELM的矿井瓦斯涌出量预测方法研究

基于局部线性嵌入(Locally Linear Embedding,LLE)算法和极限学习机(Extreme Learning Machine,ELM)神经网络建立矿井瓦斯涌出量预测模型,该预测模型运用LLE算法对矿井瓦斯涌出量影响因素样本进行数据挖掘,得到降维后的有效因子,再将这些有效因子作为ELM神经网络的输入层进行训练和预测。利用某矿井的实测数据进行实例分析,结果表明该预测模型预测速度快,精度高,能够用于矿井瓦斯涌出量预测。     

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。     

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...     

基于极限学习机的炭化可燃物着火时间预测

机器学习技术近年来在许多传统科学领域取得了应用,针对火灾中炭化可燃物着火时间与物性参数及环境参数之间关系复杂的特点,提出了一种基于极限学习机的预测方法以实现不同物性及环境参数时着火时间的快速准确预测,为防治及扑救火灾提供参考。首先建立炭化可燃物热解数值模型,考虑了可燃物热解过程中的含水率以及热解反应、气体流动等复杂物理化学反应过程,然后搭建极限学习机,以数值模拟数据为基础进行训练及验证工作。结果表明基于极限学习机的预测方法能够有效实现炭化可燃物着火时间的快速准确预测,平均相对误差小于3%。     

基于PSO-ELM-Boosting模型的底板破坏深度预测

为准确预测煤层底板采动破坏深度,在分析底板破坏深度主要影响因素的基础上确定评判指标;以经粒子群优化算法(PSO)优化输入权值和隐层阈值的极限学习机(ELM)为基预测器,以Boosting算法为集成学习框架,构建基于PSO-ELM-Boosting的底板破坏深度强预测模型;比较不同ELM隐层节点与基预测器个数组合对模型预测精度的影响,2次筛选确定二者的最优组合,并控制样本权值避免发生"权值扩充"现象;选取64组底板破坏深度实测数据为试验样本,对比分析PSO-ELM-Boosting模型与其他集成学习模型的预测准确率。结果表明:PSO-ELM-Boosting模型具有更好的平均绝对误差百分比(4.54%)、均方误差(0.429 2 m~2)和拟合优度(0.956 5),验证了PSOELM-Boosting模型的有效性。     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

边坡稳定性自动机器学习预测方法研究

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出1种边坡稳定性自动机器学习预测方法。首先,简要介绍5种主流开源自动机器学习框架;其次,以422组边坡稳定性样本为数据集,进行自动机器学习纯自动化训练,并与传统机器学习对比分析模型的性能与耗时;最后,综合讨论与比较典型自动机器学习框架的特性。研究结果表明：自动机器学习预测效果总体上优于传统机器学习,提升边坡稳定性预测准确率和稳健性,且无需人为干预。研究结果可为岩土工作人员准确可靠地评价边坡稳定性提供便捷条件。     

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PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。     

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。     

基于BP神经网络的煤与瓦斯突出预测系统开发

煤与瓦斯突出影响因素多,难以为其建立合适的多指标非线性预测模型,为提高突出预测的准确性和增强预测预报方法的实用性,采用改进的BP算法建立煤与瓦斯突出预测数学模型。通过研究不同算法的突出预测效果,对已建模型的泛化能力进行检验,利用Matlab GUI和神经网络工具箱设计开发煤与瓦斯突出预测系统,通过向系统输入已知的突出样本数据,经过学习、训练,实现对未知参数的预测。仿真结果表明:网络在训练300次后,误差训练曲线的均方差(MSE)可以达到10-15,实际预测误差也小于0.1,系统得到的5组数据预测结果与实际情况相符。     

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。     

基于粒子群优化的DGM（1,1）模型在基坑变形安全预测中的研究

为确保基坑施工期间发生变形后能够正常使用,将变权缓冲算子结合DGM(1,1)模型构造出变权离散灰色模型,利用相对误差、后验差比,灰色绝对关联度3种精度检验法作为粒子群算法适应度建立模型,构造PSO-VWDGM(1,1)模型,并结合实际工程监测数据研究不同适应度对基坑变形预测精度的影响。研究结果表明:不同适应度函数对预测精度存在较大影响,以灰色绝对关联度作为适应度建立模型预测精度较高,可以更好应用在工程中。研究成果可为工程施工阶段的基坑变形预测、稳定性分析与灾害评估、预警提供参考。     

基于Logistic回归模型的大兴安岭地区林火发生概率预测研究*

为实现对大兴安岭地区林火发生概率的基本预测,根据该地区历史火灾资料、地形因子、气象因子和人为因子,基于Logistic回归模型建立该地区林火发生概率预测模型。研究结果表明:坡度、海拔、平均气压、平均气温、平均相对湿度、最小相对湿度是该地区林火发生的主要驱动因子;坡度、海拔、平均气压、平均气温与林火发生概率呈正相关,平均相对湿度和最小相对湿度与林火发生概率呈负相关;ROC曲线下面积值（AUC）为0.91,最佳临界值为0.425;建立的大兴安岭地区林火发生概率预测模型,建模样本总体准确率为82.4%,验证样本总体准确率为80.5%;该地区夏季林火发生概率明显高于春、秋季;林火发生概率较高的Ⅳ级和Ⅴ级火险区主要集中在夏季该地区东南部、西部以及春、秋季该地区东南部。研究结果可为该地区林火预测提供1种参考方法。