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。     

基于RBF神经网络的矿井突水水源识别方法研究

采用Na++K+、Ca2+、Mg2+、Cl-、SO42-和HCO3-六种常规水化学指标作为矿井突水水源识别的依据,利用Piper三线图分析了各充水水源水化学特征,筛选出适用于模型构建的样本。运用SPSS软件构建RBF神经网络,对6组待测样本进行识别。结果表明:RBF神经网络对孔隙水、地表水和奥灰水的判别正确率均为100%,对于砂岩水和太灰水的判别正确率分别为91.7%和50%;经过待判检验,RBF神经网络待判检验正确率为92.3%。     

利用PARAFAC及SOM研究不同来源及粒径胶体的三维荧光光谱特征

利用三维荧光光谱法(3D-EEM)结合平行因子分析(PARAFAC)和自组织神经网络分析(SOM),解析了不同来源水体中不同粒径胶体的荧光特性,同时与挑峰法进行比较,以期寻找一种更好的分析天然胶体来源、粒径、荧光特性间关系的方法.基于PARAFAC模型,研究区水体中不同粒径胶体共解析出2个类腐殖质荧光峰(C1和C3)及3个类蛋白荧光峰(C2、C4和C5).其中,300 k Da~1μm分级胶体荧光强度最高,C1、C2、C3组分的荧光强度随粒径增大而增强,C4、C5组分的荧光强度随粒径增大而减弱.不同来源胶体(生活污水:进水和出水;农业污水:大盈和天恩桥;天然水体:吴淞口)的荧光强度变化大致规律为:吴淞口进水大盈天恩桥出水.SOM分析结果与PARAFAC一致,且可视化程度更高,但EEM-SOM模型存在输入变量多、兼具挑峰法缺点的问题.而PARAFAC-SOM模型不仅兼具了前两者的优点,还具有输入变量少、运行时间短、可靠性高等优点.同时,该模型还成功应用于胶体其他理化参数的分析(Parameters-SOM模型),使得前期工作结果系统性更强、更直观.因此,PARAFAC-SOM模型是相对较好的分析天然胶体来源、粒径、荧光特性间关系的方法.     

基于BP神经网络的污染物浓度多模式集成预报

基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品,利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明：（1）相对于单模式,BP神经网络集成预报的3~72h逐3h污染物浓度和观测之间的归一化平均偏差从-100%~200%降低到-20%~20%,污染物浓度和观测的均方根误差比各单模式降低15%以上,相关系数从0.1~0.8提升到0.3~0.85之间,说明其预报结果优于各单模式.（2）2016年AQI等级评估表明,集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22%和10%,在天津重度污染的空报率和漏报率分别降低31%和25%.（3）2016年12月份的重污染过程评估发现,集成模型预报的PM_2.5浓度的演变趋势和实况基本相符.     

基于PCA-BP神经网络的多股铜导线 熔痕定量金相识别方法研究

为实现火灾现场中多股铜导线熔痕的自动识别,采用主成分分析(PCA)和反向传播(BP)神经网络算法对四种多股铜导线熔痕(一次短路熔痕、二次短路熔痕、过负荷熔痕和火烧熔痕)的金相组织进行了识别研究。利用Image-Pro Plus 6.0和Axio-Imaging软件获取每种熔痕30组17维金相组织参数数据,采用PCA对四种熔痕共120组数据降维,获得前6个主成分得分矩阵,建立具有6个输入层节点,10个隐层节点和4个输出节点的神经网络模式识别模型。随机抽取每种熔痕的20组样品的主成分得分矩阵作为训练集,将每种熔痕的剩余10组主成分得分为测试数据,输入最终训练完成的模型进行识别,其识别准确率达到92.5%。实验结果表明采用PCA+BP神经网络的算法,可以较好地实现多股铜导线熔痕识别,为火灾物证鉴定工作提供了有力的工具。     

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。     

长隧道围岩施工变形特征分析的模型应用

隧道围岩监控量测是隧道安全施工的重要保证,通过对隧道现场实测数据进行建模来分析围岩施工的变形特征,可以判断隧道围岩的稳定性,从而指导隧道的下一步施工。利用灰色系统理论GM(1,1)模型和BP神经网络模型对某隧道现场监控量测数据进行数据拟合与建模分析,并通过计算拟合残差选取更适合的预测模型来处理分析数据。由模型预测结果可知,BP神经网络模型所得到的拟合值更加贴合实际发展趋势,拟合精度更高,具有一定的适应性。     

基于遗传-神经网络算法的含均匀腐蚀缺陷油气管线爆破压力预测研究*

为提高含均匀腐蚀缺陷油气管线爆破压力的预测精度，保障长输油气管线的安全运行，将遗传算法和BP神经网络相结合，建立含均匀腐蚀缺陷油气管线爆破压力预测的遗传-BP神经网络（GA-BPNNs）模型。采用已有文献实验数据，分析对比该模型与AGA NG-18，ASME B31G，修正B31G，PCORRC，DNV RP-F101和SHELL 92等方法用于X46，X52，X60，X65，X80等材质油气管线含均匀腐蚀缺陷时爆破压力的计算误差。结果表明:GA-BPNNs模型用于含均匀腐蚀缺陷油气管线爆破压力预测时，误差在-7.78%～6.06%之间，预测精度明显高于目前国内外通用规范的计算结果；该模型操作简单，适用范围广，工程实用性好，为含缺陷压力管道爆破压力的预测提供更好的思路和方案。