基于PSO和SVM的矿区地表下沉系数预测

研究并建立矿区地表下沉系数的智能预测模型.将粒子群优化(PSO)和回归支持向量机(SVM)方法进行融合.采用PSO算法优化SVM回归估计参数,在简要分析影响地表下沉因素的基础上,建立了基于PSO优化参数的SVM(PSO-SVM)矿区地表下沉系数智能预测模型.以我国典型的地表移动观测站资料作为学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP神经网络算法的预测结果进行了比较.结果表明:PSO-SVM方法计算地表下沉系数是可行的,收敛速度更快,计算精度更高.为地表下沉系数的计算探索了一种可行的方法.     

地表下沉的分形特征及其预测

对煤矿开采中地表下沉所表现出来的分形特征以及用分形插值函数法来预测预报地表下沉进行了研究，通过与实测下沉量的比较分析表明，分形预测比传统插值方法更为精确，因此，对开采沉陷研究来说是一种很有实用价值的方法。     

深部采矿岩体移动ANSYS分析

针对深部矿体开挖岩体移动变形的特点,分别运用ANSYS软件和随机介质方法对开挖引起的地表下沉进行二维模拟分析.通过将理论计算结果与实测值进行对比,结果表明,运用随机介质方法算出的理论值与实测值比较吻合,而ANSYS软件只能预测最大下沉值.本研究结果可供今后进一步探索ANSYS软件在岩土工程中应用提供参考.     

沈阳地铁车站深基坑沉降变形特性

为揭示东北地区地铁车站深基坑沉降变形特性,以沈阳地铁下深沟车站深基坑工程为依托,采用理论分析和现场观测的方法,推导了适合沈阳地区深基坑的最大下沉点位置和最大下沉量的计算中关键参数地基土最大下沉角的公式及值,并得到基坑外地表沉降变形最大点位置和沉降量公式.研究结果表明,地基土最大下沉角的合理性和理论计算方法的可行性.研究结论初步突破了传统沉降变形预测的计算方法,有助于寻求沈阳乃至东北地区的地铁车站深基坑设计施工中沉降变形分析和预测的有效途径.     

基于BP神经网络的杭州紫之隧道最大地表沉降预测

杭州紫之隧道浅埋暗挖北段处于地下水丰富的软弱地层中,施工过程中产生的地表沉降量难以控制,波动范围较大.为了准确评估施工风险,采用BP神经网络对最大地表沉降进行预测.首先对地表沉降的影响因素进行选取和量化,构成样本数据组.然后通过试错法,建立预测精度最高的一般BP神经网络和遗传算法优化的BP神经网络模型,研究发现BP神经网络在预测地表沉降方面效果较好,且使用遗传算法可以进一步提升预测精度.接着探讨了地层渗透性对BP神经网络预测精度的影响,研究发现不考虑地层渗透性会使预测精度大幅下降.最后对BP神经网络模型参数进行了敏感性分析,揭示了预测沉降的变化趋势符合客观变形机理.     

地表沉陷的数据拟合分析

采用现场实测的方法,对倾斜煤层的开采沉陷及地表移动的基本规律进行了研究.对现场实测数据进行了多项式拟合.研究结果得出了地表移动的下沉系数、水平移动系数、最大下沉量及其相对应的地表移动的预测公式,所得结果对矿山具有实际的指导意义.     

小净距隧道洞口段地表下沉分段曲线拟合研究

针对基于最小二乘法的曲线拟合方法无法考虑小净距隧道先、后洞相互影响的施工特点,根据隧道先、后洞不同步开挖对洞口段地表下沉规律的影响,提出一种新的预测地表下沉的分段曲线拟合方法,并对隧道施工现场洞口段地表下沉量测数据进行分段曲线拟合分析。结果表明:采用分段曲线拟合法能较好反映地表下沉随先行洞与后行洞掌子面向前掘进的变形规律并可预测最终下沉量,避免了多项式函数无法预测最终下沉量以及指数与对数函数拟合精度偏低等问题;隧道先、后洞由不同步施工开挖引起的地表下沉量沉降槽曲线并不对称,最大地表下沉量偏向后行洞。     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

人工神经网络在地表径流预报中的应用

为了更加准确地对地表径流进行预测,选择广东省汕尾市南告水库以上流域作为研究对象,构建BP神经网络模型对南告水库的日资料进行径流模拟研究,研究结果表明:人工神经网络可以提高预测精度,且应用前景比较广泛.     

基于神经模糊推理系统的盾构施工地表沉降预测

盾构隧道施工引起的地表沉降,主要受盾构掘进参数和地层条件的影响,且各参数间关系复杂.已有地表沉降预测方法大都没有直接考虑掘进参数的影响,难以满足盾构快速施工超前预测预报和环境影响控制的需求.自适应神经模糊推理系统(ANFIS)是一种基于神经网络的模糊类智能模型,通过减法聚类数据细分技术自动生成模糊规则,使网络的节点和权值具有明确的物理意义,集成了神经网络数据自适应能力和模糊系统知识表达性能,特别适合于多元非线性系统的预测预报.结合北京地铁14号线东风北桥站至京顺路站区段工程实测数据,选取埋深、洞顶覆土标贯值、土仓压力、推进速度、刀盘转速、扭矩、盾构推力,以及同步注浆量为输入变量,建立了地表最大沉降量预测模型.计算结果表明,该模型计算量小,泛化能力强,计算精度高.研究成果为盾构施工地表沉降预测预报提供了新的技术方案.     

基于机器学习算法的盾构掘进地表沉降预测方法

针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.     

分段Weibull时间函数开采沉陷动态预计研究

以地表点最大下沉速度时刻τ为分界点,将动态下沉过程分为前后近似对称的两个阶段,结合偏差改正、生长函数模型等手段消除理论误差,提出一种分段Weibull时间函数,建立了τ与地表点距开切眼距离x的回归方程,并对岩性参数c和k的确定方法进行了探讨,有效改进了Weibull时间函数在动态预计中存在的不足。以山西某矿3214工作面实测数据为依据,对单点及主断面的下沉值进行预测验证,并与Weibull、Knothe以及优化后的分段Knothe函数对比。分析发现,就单个点而言,分段Weibull时间函数的预测精度比上述函数分别提高了41.09%,51.03%,3.47%;对主断面而言,第一期相对误差最大,仅为5.25%.研究表明,分段Weibull时间函数具有一定的可靠性,能够用于沉陷区更高精度的动态预测。     

下沉速度法研究地表移动变形分布规律

在地质采矿条件变化不大时，从地表点的下沉速度出发，取随开采工作面一起移动的动坐标建立动坐标系，研究地表点下沉速度的分布规律，得到地表下沉速度分布曲线，并对地表点在整个下沉时间过程的速度曲线进行积分，得到动态地表主断面上的地表下沉分布公式，并在此基础上经过一系列转换，得到地表任意点下沉、倾斜、曲率、水平移动、水平变形公式。公式简单，便于应用。     

南桐矿区深部开采岩移基本规律的研究

采用相似模拟实验和数值计算相结合的方法,对南桐煤矿(倾斜煤层)的开采沉陷及地表移动的基本规律进行了探讨.根据相似原理进行了相似模拟实验研究;采用FLAC计算程序对岩层移动及开采沉陷进行了数值分析.研究结果表明:倾斜煤层在倾向方向上移动盆地不对称,最大下沉点偏向下山方向,下沉曲线及水平移动曲线是连续光滑的;得出了南桐煤矿的下沉系数、水平移动系数、最大下沉量,所得结果对矿井的延深设计具有实际的指导意义.     

软土地层浅部隧道施工引起的地表移动分析

根据弹性力学理论给出了软土层浅部隧道开挖地表下沉预测分析的二维理论模型,并用于隧道开挖引起地表下沉的预测分析.在分析过程中,采用Matlab软件进行数值积分计算和图形绘制.通过具体的工程实例计算分析表明,理论计算结果与工程实测资料一致.     

基于ABC-BP神经网络的地铁盾构地表沉降预测

为研究地层参数和盾构掘进参数与地表沉降的非线性关联性,依托南京地铁6号线盾构区间,采用人工蜂群算法ABC优化BP神经网络,建立可预测地表沉降的ABC-BP神经网络模型。连续3个断面地表沉降预测结果表明:ABC-BP神经网络的预测精度和预测稳定性优于BP神经网络,且预测值与实测值一致；ABC-BP神经网络可较为准确地反映盾构机接近监测断面过程中的地表变形演变规律,最终实现地表变形控制的目的。提出了ABC-BP神经网络现场应用思路,构建了地层-掘进参数-沉降的关系,进而通过地层参数直接实现对盾构掘进参数和地表变形控制。     

影响地表动态移动和变形的因素

以Knothe模型的函数为基础,对不同推进速度和不同时间影响系数下动态地表移动和变形进行研究.结果证明:提高开采速度有利于减小地表采动损害;时间影响系数c较小时,下沉迟缓,最大动态变形值较小,随着c的增大,地表动态变形值增大.     

几种水质预测方法的比较分析

水质预测是了解河流水质污染趋势的重要手段。当前,水质预测方法主要有时间序列法、回归分析法和神经网络方法。对三种预测方法进行比较分析,并进行实例计算和结果对比评价。结果表明,神经网络技术预测效果明显优于其它预测算法。     

离层充填减缓地表下沉效果评价的神经网络模型

在覆岩离层范围内高压注浆可减缓地表沉降程度。本文采用人工智能中的神经网络方法，进行了地表减沉效果评价的根据实测资料，验 地表下沉效果评价神经网络模型分析的结果。     

基于BP神经网络的高速动车组牵引能耗计算模型

为准确计算动车组牵引能耗,提出BP神经网络模型和改进牵规法预测动车组牵引能耗。选取机车类型、坡度、目标速度、停站方案等8个因素作为动车组牵引能耗的BP神经网络输入变量,建立3层BP神经网络模型。采用增加动车组运动方程和优化基本阻力公式方式对牵规法进行优化。利用正交实验法对动车组牵引能耗影响因素进行分析,并对111组实测能耗进行模拟验证。研究结果表明:BP神经网络模型的实测能耗与计算能耗相对误差在4.26%以内,改进牵规法的实测能耗与计算能耗相对误差基本在10%以内,证明BP神经网络模型比改进牵规法模型能更好地预测动车组的牵引能耗,而且当目标速度增大时,BP神经网络模型的计算精度明显比改进牵规法的计算精度高;目标速度和坡度对牵引能耗有显著影响。