RS-PSO-ELM下腐蚀管道失效压力预测

为提高腐蚀管道失效压力的预测精度并简化其计算过程,提出基于粗糙集(RS)和粒子群算法(PSO)融合极限学习机(ELM)的腐蚀管道失效压力预测模型。通过属性约简提取影响失效压力的关键因素,选用PSO优化ELM的输入权值和隐含层偏差,将归一化的核心指标数据代入计算。结果表明:该模型预测结果与实际值基本一致,与单一ELM模型相比,预测结果的均方差(MSE)降至0.255;与其他蚀管道失效压力评价模型相比,该模型预测结果的绝对误差平均值降至0.32。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

基于优化IGA-ELM模型的爆破振动特征参量预测研究

为有效预测露天矿爆破振动特征参量,建立基于组合赋权的免疫遗传算法(IGA)优化极限学习机(ELM)预测模型。建立该模型之前,根据爆破振动影响因素确定输入层参数,根据爆破安全规程判据确定输出层参数;然后,应用调和平均数概念整合模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,量化输入层参数权重;其次,针对现有ELM输入层权值、隐含层偏差的选择问题,引入IGA对其进行优化选择,并通过逐步增减法探究ELM隐含层最优节点数。该模型曾被应用于某露天矿。研究结果表明:用所构建优化IGA-ELM模型能够更准确地预测露天矿爆破振动特征参量,且所得均方误差、决定系数、仿真误差明显优于其他模型。     

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。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于网格搜索和ELM的冲击地压危险等级预测

为提高冲击地压危险等级预测模型的泛化性能及预测精度,采用网格搜索法结合十折交叉验证法对极限学习机(ELM)中的隐含层神经元个数及激活函数的类型进行组合优化,进而建立冲击地压危险等级预测模型;选取重庆砚石台煤矿36组实测数据进行试验,对影响因素数据进行标准化处理,选择其中26组样本对模型进行训练,采用该模型对后10组样本中冲击地压危险等级进行预测,并与其他方法作对比。结果显示:经过十折交叉验证,用该模型得到的正确识别率为84.615%,高于朴素贝叶斯及Adaboost M1的76.92%、61.54%,采用该模型对测试样本集中冲击地压危险等级进行预测,预测准确率为90%,高于朴素贝叶斯及Adaboost M1预测准确率80%。     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

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。     

基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。     

白云岩单轴压缩试验声发射特性研究

在单轴压缩条件下,进行白云岩破坏全过程的声发射试验研究,得到应力、声发射特性与时间的关系,并研究了岩体的Kaiser效应。结果表明:（1）岩石单轴压缩破坏过程中并不是所有试验岩样有具有典型的声发射特征阶段,部分岩样AE曲线中可以找到Kaiser效应特征点,但是多数岩样的Kaiser效应特征点不明显;（2）岩样的AE现象在应力达到峰值前会经过一个平静期,而在岩石发生破坏直至彻底破坏阶段,AE现象明显增加,这个先平静后剧增的过程可以作为预报岩爆发生的一种警示信号;（3）大多数岩样都在AE能量达到最大时发生彻底破坏。     

千秋煤矿2号煤层冲击倾向性判别指标研究

在对现行冲击倾向性指标分析的基础上,综合考虑煤样变形破坏过程中冲击能量效应和时间效应,提出有效冲击能量速度指数这一新的冲击倾向性判定指标。建立了煤样的单轴压缩峰值前塑性变形消耗能量的计算模型,得出了有效冲击能量速度指数的计算方法和判定准则。通过试验、分析和计算,论证了单轴抗压强度和有效冲击能量速度指数作为煤层冲击倾向性判定指标的可行性和可靠性。研究结果表明:以冲击能量指数、弹性能量指数、动态破坏时间、单轴抗压强度和有效冲击能量速度指数五个指标作为千秋煤矿2号煤层冲击倾向性判别指标,可以增强判定结果的可靠性和准确性。     

FTA -AHP 方法研究及应用

事故树方法由于故障率数据的缺失无法准确确定各基本事件对顶上事件的影响度,工程应用中难以确定安全措施重点与优先顺序。将FTA-AHP结合起来,先用事故树做定性分析,得到最小割集和最小径集,画出等效事故树,然后以事故类型作为目标层,最小割集或最小径集作为准则层,各基本事件作为指标层因素,引入专家打分法构建判断矩阵,获得指标层因素（基本事件）对目标层（事故）的影响顺序,从而得到基本事件对顶上事件影响程度与顺序。将该方法应用于分析发生频率高的建筑工程高处坠落事故,研究结果表明,利用FTA-AHP方法所获得的分析结果更加符合工程实际,高处坠落事故防范重点明确,拟采取的安全措施优先顺序合理,有利于指导制定科学合理的防范高处坠落事故的安全措施。     

基于CREAM方法的人因失效概率预测模型研究

认知可靠性与差错分析方法(CREAM)是第二代人因可靠性分析方法中的代表方法之一,通过对任务环境进行分析从而直接确定人为差错发生概率。本文分析了该方法及其后续研究在人因可靠度评估时存在的主要问题,并以CREAM方法为基础建立新的人因失效概率预测模型。模型首先要求有针对性的对具体任务环境确定通用性能影响因子(CPC)权重,然后通过对CPC进行打分对任务环境进行量化,通过加权求和的方式分别计算出CPC的改进总分值G和降低总分值J,最后运用新建的预测模型计算出人因失效概率。新模型提出了三点改进:第一将任务环境设定为连续的空间;第二提出了不同的工作环境(任务环境)应该有其对应的CPC因子权重;第三考虑正影响CPC因子和负影响CPC因子的双重影响,建立双变量预测模型,预测结果更加合理。     

基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明：FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.994 9,相比于其他模型,该模型具有更优的预测性能。