充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

基于改进BP神经网络的运输企业安全评价研究

为了更准确地评价道路旅客运输企业的安全状况及安全等级,提出了基于主成分分析法(PCA)和改进BP神经网络的评价模型。基于遗传算法改进的BP神经网络模型利用非线性识别计算能力设计神经网络中的分类器,把分类计算出的结果输入到网络中计算,更加精确的计算了网络中相关的参数,弥补了传统神经网络缺点。利用该模型对3家实例运输企业进行仿真评价然后与传统模型评价结果比较分析。结果表明,该模型评价结果与实例企业真实评价期望值之间的相对误差在0.2%~1.0%之间,比传统神经网络评价误差值小,说明改进的BP神经网络优于传统的BP神经网络,也证明了此方法的有效性与实用性,可以正确的评价企业的安全状况。     

基于环管实验的膏体流变特性及影响因素

为研究膏体的流变特性与影响因素,自主设计研发小型膏体环管实验平台,测试不同工况条件下膏体管道输送的τw-dv/dr流动曲线,并采用Hershel-Bulkey模型(简称H-B模型)进行回归分析,获得膏体管道输送的流变参数,分析水泥掺量、尾砂颗粒粒径及料浆质量分数对膏体屈服应力τ0、塑性黏度μ的影响。研究结果表明:膏体流变模型属于n1,τ00屈服伪塑性体,用H-B模型描述更为精确,其屈服应力τ0和塑性黏度μ都随着膏体料浆的质量分数增加呈指数增加,随着水泥掺量的增加先增大后降低;膏体料浆质量分数一定的情况下,构成膏体的尾砂粒径越细,屈服应力越大,与尾砂的比表面积呈幂指数关系。     

锅炉飞灰BP-WA算法优化控制策略

针对锅炉飞灰含碳量在线测量参数多变、惯性大等问题,设计一种改进型BP神经网络飞灰含碳量预测模型.通过主元分析法分析各燃烧工况与飞灰含碳量的关系,利用信息熵将标准BP神经网络中的误差函数进行改进,以抑制输入样本中的干扰噪声,并采用主元分析法筛选模型中输入参数,精简网络模型.结合所提出的改进型BP-WA(BP神经网络-狼群算法)优化控制策略对锅炉燃烧运行工况进行优化控制仿真研究,结果表明：采用改进型BP-WA优化控制策略优化飞灰含碳量前后,锅炉飞灰含碳量预测与标准BP网络模型方法相比,均方误差降低0.012 1;飞灰含碳量降低3.50%,提升了锅炉运行的稳定性.     

PCA-BP神经网络在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确的预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

环境温度和水化时间对纳米偏高岭土水泥浆流变性的影响

为研究环境温度和水化时间对纳米偏高岭土(NMK)水泥浆流变性的影响，利用流变性方法测量不同环境温度(8～45℃)和水化时间(10～90min)条件下NMK水泥浆流变性的变化规律.同时采用X-射线衍射仪和激光粒度仪分析新拌NMK水泥浆水化特性及絮凝结构.考虑环境温度、水化时间、NMK掺量和水胶比的影响，基于BP神经网络建立了流变参数预测模型.结果表明：水泥与水接触90min内水泥水化缓慢，NMK颗粒特性和絮凝结构是影响新拌水泥浆流变性的主要因素.NMK水泥浆流变特征符合修正Bingham模型，浆体呈现剪切稀化行为；随环境温度(8～45℃)升高，NMK水泥浆表观黏度降低，触变性先增大后减小，且水泥浆触变性在27℃左右达到最大值；环境温度对屈服应力和塑性黏度无显著影响.掺1%～10%NMK水泥浆表观黏度、屈服应力和塑性黏度随水化时间(10～90min)的变化幅度较普通水泥浆小.考虑环境温度、水化时间、NMK掺量等多因素影响的BP神经网络模型所预测流变参数与试验值吻合较好.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,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,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

基于BP神经网络的垃圾热值预测模型

 入炉垃圾热值不稳定,对焚烧炉的稳定运行有很大影响。采用遗传算法优化BP神经网络的权值和阈值,建立垃圾焚烧炉入炉垃圾热值的预测模型。利用Garson方法和主成分分析法对某垃圾焚烧电厂在线运行数据进行分析后,作为BP神经网络的输入参数,实现入炉垃圾热值的在线测量和预测。研究结果表明,该模型预测平均相对误差为2.64%,检验样本相对误差平均值概率为95%的置信区间为[-1.75,2.59],有较高的准确性和置信度,具有较好的工程应用价值。     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。     

G-BP算法在烧结矿FeO指标预测中的应用

实现烧结过程工艺参数的优化,首先要进行烧结矿质量预测·采用遗传算法与BP神经网络相结合的方法,建立了烧结矿FeO含量预测模型,并改进BP学习算法·仿真表明,该方法可以优化神经网络结构,缩短学习时间·与传统的BP神经网络模型相比,预测值与实际值间的相对误差由6534%降低至1400%,其精度高于传统BP网络模型·该方法为实现在线预测奠定基础·     

新拌纳米偏高岭土水泥浆流变性

为了探明纳米偏高岭土(NMK)对新拌水泥浆流变性能的影响,采用流变仪开展了水胶质量比(0.40、0.45、0.50)和减水剂(SP)影响下,掺加不同质量分数(1％、3％、5％、10％、15％)NMK水泥浆流变试验,得到了表观黏度、屈服应力、塑性黏度等流变参数,探讨了NMK掺量对水泥浆流变性的影响规律;基于修正Krieger-Dougherty模型预测了NMK水泥浆黏度;并建立了流动参数与流变参数之间的关系.结果 表明:随NMK掺量增加,表观黏度、屈服应力和塑性黏度增大,流动度降低;水胶质量比0.50,掺质量分数15％ NMK水泥浆的屈服应力、塑性黏度较普通水泥浆分别增大约6倍和9倍,流动度降低约50％.NMK导致水泥浆内部絮凝结构增加,触变性增大.修正Krieger-Dougherty模型所预测低掺量(质量分数＜3％)NMK水泥浆黏度与试验值吻合良好;流动度与黏度、屈服应力、塑性黏度间均存在幂函数关系.     

膏体流变参数影响机制及计算模型

首先对膏体物料特性开展量化表征研究,通过分析膏体细观结构的物质组成,提出了一种全面描述物料特征的综合指标——固体填充率;开展膏体流变实验,基于宾汉模型对流变曲线进行拟合获得相应的屈服应力及塑性黏度,分析了体积分数、质量加权平均粒径、不均匀系数、细颗粒及水泥质量分数等因素对流变参数的影响规律,并从细观结构的角度对其影响机制进行了解释,最终构建了流变参数关于固体填充率的计算模型.研究结果表明:相同条件下,膏体屈服应力及塑性黏度随体积分数增大呈指数增大,随物料不均匀系数增大而减小,随细颗粒含量增大呈先减小再增大的变化趋势.     

合欢皮多糖提取工艺优化及BP神经网络模型

优化合欢皮多糖微波辅助提取工艺和建立BP神经网络模型。以多糖得率为指标,选取微波辐射时间、液固比和溶剂pH为自变量,采用Box-Behnken试验设计,结合响应面分析法(RSA),建立回归方程;在此基础上,建立BP神经网络(BPNN)模型。优化条件下的总多糖实际得率为3.648%,BPNN模型相对误差为1.042%,小于Box-Behnken设计模型相对误差(1.452%)。该BPNN模型预测性能良好,对工艺研究的开发具有一定的实用价值。     

基于GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

APAM对全尾似膏体及其管道输送流变特性的影响

为探究添加阴离子型聚丙烯酰胺(APAM)前后,全尾似膏体浆料及其管道输送的流变特性,构建考虑屈服应力、稠度系数和流变指数的屈服伪塑性体流变模型,并推导管道输送的沿程阻力计算公式。以某铅锌银矿质量分数为70%的全尾似膏体浆料为例,进行6组室内恒定剪切流变试验,对比添加APAM前后浆料的切应力和表观黏度的变化,并预测沿程阻力。研究结果表明:添加APAM后,浆料的平衡切应力和平衡表观黏度均大于添加APAM前,且剪切速率越大,浆料的平衡切应力和平衡表观黏度增加比例越小;添加APAM后,浆料的沿程阻力损失比添加APAM前多13.16%。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,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SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

BP神经网络主成分分析在试飞数据预测中的应用

本文采用主成分分析与BP神经网络相结合的方法对试飞数据进行了预测,同时还对BP神经网络主成分分析法与全要素BP神经网络分析法进行了比较．结果表明BP神经网络主成分分析法具有精度更高、收敛速度更快等特点。