基于粗糙集-未确知测度理论的金属矿山紧急避险能力评价模型

为实现对金属矿山紧急避险能力的可靠预测,建立了基于粗糙集-未确知测度理论的紧急避险能力评价模型。以问卷调查的方式获取指标数据;运用粗糙集理论对影响紧急避险能力的28个指标进行约简,删除相对不重要的指标,从而得到最优指标,进而通过归一化数据求得约简指标的综合权重;对约简后的指标建立未确知测度模型。以广西某矿为例,根据专家的打分,确定单指标未确知测度;依据置信度准则,进行等级判定,得出该矿山的紧急避险能力评价结果。将预测结果与专家评价结果对比,两者结果相符,表明该方法可行。     

矿区采空塌陷危险性预测的RS-SVM模型

为快速、准确地预测矿区采空塌陷的危险性,针对矿区采空塌陷预测的复杂非线性特点,在统计分析实测资料的基础上,选取7项指标作为初始特征指标,30组塌陷样本作为原始样本,其中,前17组为原始训练样本,后13组为测试样本;运用粗糙集(RS)理论,对原始训练样本进行对象约简和属性约简。将属性约简后的3项指标作为支持向量机(SVM)的输入向量,建立矿区采空塌陷危险性预测的RS-SVM模型。将对象约简后的7组样本作为训练样本,用于模型训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对13组待评样本进行预测,并与贝叶斯、BP神经网络(BPNN)方法进行比较。结果表明,RS理论与SVM算法相结合,能降低属性维数,去除冗余样本,简化模型,该模型所得预测结果准确率为100%。     

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。     

基于粗糙集Skowron差别矩阵的矿井火灾风险评价指标约简

在安全评价过程中,当构建的指标体系过于庞大,数据繁琐,不利于进行安全评价工作。为了对矿井火灾风险评价指标体系进行快速简化,基于粗糙集理论属性约简功能,采用理论与实例分析相结合的方法,利用Skowron差别矩阵算法对矿井火灾风险评价决策表进行属性约简。研究表明:通过约简,矿井火灾风险评价指标由原来的16个缩减为6个,大大减少了后续评价过程中权重确定的计算量,降低了评价的复杂程度,减少了评估工作量。同时约简结果也为矿井火灾防治工作提供了一些指导意见,体现了差别矩阵在决策表的属性约简中的高效性。     

基于RS-SVM的城市埋地燃气管道外腐蚀情况评价

为提高城市埋地燃气管道外腐蚀情况评价的准确性,识别影响管道外腐蚀的主要因素,构建评价指标集,结合粗糙集(RS)与支持向量机(SVM)的优势,建立管道外腐蚀情况预测评价模型。给出具体评价步骤,包括收集样本数据、预处理数据、用属性约简算法筛选核心指标集、用SVM训练器训练数据,形成检验模型。以某条城市燃气管线为例进行实例验证和分析。结果表明:用RS-SVM模型预测评价管道的腐蚀等级与实际结果一致,传统方法预测管道腐蚀速率平均相对误差为14.1%,RS-SVM模型预测的平均相对误差为7.9%,较之传统方法精度更高。     

基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

基于粗糙集-人工神经网络的航空安全文化评价模型研究

根据航空运输企业安全生产系统的特征,制定相对科学的、适用的安全文化评价指标体系。将粗糙集、人工神经网络方法应用于航空安全文化评价研究。首先,通过问卷调查与粗糙集方法相结合,对安全文化评价指标信息表进行设定。利用粗糙集的属性约简功能,确定航空安全文化的核心要素;其次,利用人工神经网络对约简后指标权重进行计算;经过仿真实验,训练后的神经网络较好地获取并保存了安全文化评价的知识和经验,能够较为准确地对航空安全文化进行评价。     

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BP神经网络和SVR的Fund?o尾矿坝排水数据预测对比研究

针对尾矿库运行过程中安全预警问题,选取2015年巴西Samarco铁矿溃坝事故案例,研究BP神经网络和SVR方法在排水数据预测的适用性。综合分析了排水数据的复杂且非线性的特点,以库水位、降雨量和干滩长度为输入特征,采用上述2个模型对尾矿坝排水数据进行预测。研究结果表明:基于BP神经网络预测结果的最大相对误差不高于4.35%;基于SVR算法的最大相对误差不高于9.21%;Fundo坝的排水预测结果是可行的,BP神经网络的预测精度更高,而SVR模型的运算速度更快。研究结果可为矿山安全工作的快速响应和溃坝预警提供信息支撑和参考依据。     

残矿回采地压安全预警系统的构建方法与应用研究

为提高矿山的安全生产水平,针对地下矿山复杂环境下残矿回采过程潜在的安全问题,并基于安全系统工程的观点与粗糙集理论的属性约简功能,提出残矿回采地压安全预警系统的构成内容与构建流程,建立地压监测数据的神经网络灰色Verhulst算法组合预测模型和安全评价模型。据此,构建国内某矿山残矿回采中段的地压安全预警系统,该地压安全预警系统为本矿山的残矿回采过程提供了安全保障。残矿回采地压安全预警系统能指导矿山循序渐进的构建符合残采系统工程实际的安全预警系统。     

基于RS-ANN的通风系统可靠性预警系统

系统可靠性预警是度量系统运行状态偏离可靠性指标界线的强弱程度,确定预警等级和做出决策警示的过程。笔者在对目前国内外有关系统预警方法的分析比较基础上,针对矿井通风系统可靠性运行的实际状况,应用了粗糙集(RS)理论和神经网络(ANN)技术,提出了一种基于粗糙集神经网络(RSANN)的矿井通风系统可靠性预警方法:首先,建立了一套适合于矿井通风系统可靠性的预警指标体系;然后,利用人工神经网络与粗糙集理论的优势互补,以粗糙集作为前置处理系统优化指标结构,构建了基于RSANN的通风系统可靠性预警仿真模型,并应用该模型进行了实例验证。其结果表明,该模型的仿真结论与基于ANN的结论十分吻合,训练效率提高了667倍。     

基于AHP与重要性指标筛选的神经网络评价模型与应用

以对评价目标有影响的所有评价指标作为神经网络的输入,会导致网络模型复杂、降低其性能和影响计算精度的问题,因而提出基于层次分析法和重要性指标筛选法的神经网络评价建模方法即首先运用层次分析法对评价指标进行重要度排序,然后利用重要性指标筛选法过滤出对评价目标有重要影响的指标,以其结果作为神经网络的输入。该法不仅简化网络模型,而且提高网络的性能和计算精度。运用该法对企业安全工作评价,结果证明,不仅是可行的,而且达到了预期的目的。     

基于粗集理论算法-脊波神经网络的深基坑变形预测与应用

基坑开挖变形具有非线性特性,在脊波神经网络的基础上,采用粗集理论算法优化初始权值和阈值,建立了基于粗集理论算法-脊波神经网络的深基坑变形预测模型,应用该模型对西南地区某市火车站综合交通换乘中心南广场的基坑开挖过程进行了变形预测。结果表明:粗集理论算法能够对脊波神经网络进行优化,提高了脊波神经网络基坑变形预测结果的收敛速度和泛化能力;脊波神经网络能逼近基坑变形的非线性部分,避免了模型误差影响基坑开挖变形预测精度,提高了系统整体抗干扰性能。模型的预测值与实测值之间的误差在5%以内,满足实际工程的要求。     

Environmental emergency decision support system based on Artificial Neural Network

We present a general methodology for developing environmental emergency decision support systems (EEDSS) based on an Artificial Neural Network (ANN). We highlight the method for developing the system using an illustrative example of an unexpected atmospheric accident with an ANN prototype system for a district in Shanghai. The network architecture of the ANN is introduced. Then the development process and key technologies are addressed. The procedures for matching the environmental emergency decision support characteristics are as follows: (1) digitization (coding) of case information and emergency measures, in which the information of cases are divided into the input attributes and decision-making information, and standardized and digitized through the Feature Evaluation (FE) method and the Intensity Hierarchical (IH) method, respectively; (2) construction of environmental emergency ANN, in which Gradient Descent with Momentum and Adaptive Learning Rate (GDMALR) method (traingdx function), a modified back-propagation algorithm, is employed to do training; and (3) translation (decoding) of decision-making information, in which output data of ANN is interpreted into practical contingency measures with Translation Based on Conventional Import Ratios (TBCIR) method. The training features, time, errors, accuracy, and input attribute weights of the prototype system are analyzed. The usage of the prototype system is demonstrated through a hypothetical case. This article encounters the challenge of ANN’s own lack of training samples. We discuss to the concept of integrating Case-Based Reasoning (CBR), Genetic Algorithm (GA), and ANN to overcome this difficulty and form a technology system for generating useful decision support information for environmental emergency response.     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

矿井突水水源识别的RS-LSSVM模型

为了对矿井突水水源进行准确、高效的判别,综合考虑水化学特征,选取Ca~(2+),Mg~(2+),K~++Na~+,HCO-3,SO2-4,Cl~-和总硬度7个指标的质量浓度(mg/L)作为矿井突水水源的最初判别指标。利用粗糙集(RS)理论的属性约简来筛选水化学特征指标,用以作为水源识别的核心判别指标,建立基于RS的矿井突水水源识别的最小二乘支持向量机(LSSVM)模型。选用约简处理后的13组煤矿数据对模型进行训练,再用训练好的模型对另外12组突水数据进行水源判别,并与未进行属性约简的LSSVM模型及Fisher判别分析法、随机森林方法进行对比。结果表明,利用属性约简方法可以很好地排除原始数据中的冗余信息干扰,因而能有效判别矿井突水水源,使矿井突水水源模型的误判率降低至0;而且指标约简过程可以降低LSSVM运算的复杂度,也能够提高判别效率。     

基于LS-SVM的供水管网安全性评价方法研究

为评价城市供水管网的安全性,保障其正常运行,笔者基于多元分类最小二乘支持向量机(LS-SVM)的方法,在对城市供水管网安全运行影响因素总结与分析的基础上,构建供水管网安全性评价的指标因素集与评价模型,通过对有限的经验数据的学习,建立供水管网安全性与其影响因素之间的非线性关系。运用该模型进行实例仿真模拟,通过与实际安全等级及BP神经网络模型预测安全等级之间的对比表明:基于LS-SVM的供水管网安全性评价方法具有较高的精度,正确分类率可以达到83.33%。     

多因素耦合条件下硫化矿自燃神经网络动态预测模型研究

硫化矿石自燃是多种因素、多场耦合综合作用的结果,是一典型的非线性问题。笔者应用人工神经网络技术,以Matlab软件为平台,通过现场调查和理论分析,建立了矿石含硫量、通风强度、环境温度3因素与硫化矿石自燃之间的预测模型;通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,误差控制在10%以内,取得了较好的效果。该研究为预防硫化矿石自燃提供一个新的思路和方法,具有一定的理论意义和应用价值。     

基于距离判别分析法的冲击地压预测研究

考虑影响冲击地压的矿山地质因素和开采技术因素,提出预测预报冲击地压危险性的距离判别分析方法。选用煤层开采深度、顶板岩性、地质构造复杂程度、煤层倾角、煤层厚度、开采方法、有无煤柱、炮采或综采8项指标作为距离判别分析模型的输入变量,并以工程实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。研究结果表明,距离判别分析模型学习性能良好,预测精度高,回判估计的误判率为零,是冲击地压预测预报的一种有效而实用的方法。