露天煤矿边坡稳定性的随机森林预测模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM和BP神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法（improved sparrow search algorithm,ISSA）优化支持向量机（support vector machine,SVM）,进而建立边坡稳定性预测模型（ISSA-SVM模型）。将重度、粘聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取国内外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法（grey relation analysis,GRA）进行敏感性分析。结果表明：ISSA-SVM模型预测精度更高、泛化能力更强,粘聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。     

爆破振动对矿山边坡稳定性影响的预测

针对矿山爆破过程中爆破点附近的边坡稳定性问题,应用因子分析和免疫最小二乘支持向量机方法,选取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等为影响因素.对相关性较高的因素进行因子分析,提取公共因子,建立爆破振动对矿山边坡稳定性影响的免疫最小二乘支持向量机预测模型.利用24组爆破数据作为学习样本进行训练,并采用回代估计法进行检验,误判率为1/12.用另外10组数据作为测试样本进行预测,同时通过与其他预测模型预测结果进行对比,验证本文所得模型在边坡稳定性预测中具有更高的准确度.研究结果表明:所得预测模型泛化误差满足精度要求,预测结果的误判率仅为1/10,优于其他预测模型.     

基于GS-SVM的膨胀土边坡防护工程健康预测模型

为了对膨胀土边坡防护工程健康状态进行精确、快速地预测,选取表征膨胀土边坡防护工程健康状态的指标,采用支持向量机算法,建立膨胀土边坡防护工程健康预测GS-SVM模型.在此基础上,研究数据预处理方式(标准化、权重量化)和模型训练集抽取比例(50％～80％)对预测结果的影响.研究结果表明:随着模型训练集抽取比例的增加,模型的...     

三峡工程高边坡的稳定性分析

为了分析三峡工程边坡的稳定性,根据灰色系统的理论,利用GM(1,1)预测模型,依据三峡现场边坡的测试数据,建立了边坡岩体变形的灰色预测模型,绘出了边坡变形的拟合和预测曲线,能够比较准确地预测边坡岩体变形的发展情况及稳定性,为边坡岩体变形的预测提供了可靠保证和理论依据.计算分析表明,其预测结果与实测数据较吻合,相对平均精度超过98%,能够满足工程的使用要求.三峡边坡工程是稳定和安全可靠的.     

支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

局部加权随机森林的冲击地压危险性等级预测

为对煤矿冲击地压危险性等级进行预测,综合考虑煤层厚度、煤层倾角、开采深度、顶板岩性、构造情况、开采方法、有无煤柱、采煤工艺等影响因素.采用局部加权学习方法建立冲击地压危险性等级预测模型,其中分类器选择随机森林,样本间距离采用欧氏距离函数进行计算.实验选取17组冲击地压数据进行研究,其中14组数据用于建立预测模型,采用十折交叉验证法对模型进行评价,并与采用决策树和朴素贝叶斯生成的模型进行比较,预测准确率得到较大提高,最后使用该模型对其它3组测试数据进行预测,预测结果与实际类别吻合.研究结果表明:采用局部加权随机森林方法可以建立泛化性能更好的冲击地压预测模型.     

基于随机森林算法的混凝土早期抗裂性预测研究

将随机森林(Random Forest)回归算法应用于混凝土早期抗裂性研究.以松通项目混凝土为例,基于大量文献和工程经验选取了7个主要影响因素的混凝土早期抗裂性指标体系.以原始数据建立训练样本集和测试集,通过计算基于Bootstrap自助重抽样得到的袋外数据(OOB)的模型误判率,确定随机森林预测模型的最优参数,并对影响因素进行重要性排序,利用Pearson相关性图分析各影响因素相关度,然后建立RF训练模型,输出模型训练集和预测集的预测拟合结果.通过RMSE和R~2值分析模型的预测精度,并将预测结果与BP神经网络和小波神经网络模型对比.结果显示,随机森林预测模型误差最小,精度最高,验证了模型的准确性和可靠性.提出的随机森林预测模型为实现混凝土早期抗裂性预测提供了一种有效的方法.     

基于随机森林结合地球物理测井资料的煤体结构识别方法及应用

在更加复杂的地质因素影响下,常规测井方法识别煤体结构准确度低,为精确识别煤体结构,研究了煤体结构测井曲线响应机理以及随机森林决策树个数的优选,从而建立煤体结构与测井曲线的随机森林分类模型进行煤体结构识别。结果表明:决策树个数为500时,随机森林分类模型效果最佳;通过袋外误差和模型对测试集样本的预测结果可知,随机森林分类模型的结果稳定且泛化性强,并且适合处理非均衡数据,预测精度较高。可见随机森林算法能有效识别煤体结构,为煤层气开发提供帮助。     

基于随机森林法的煤矿微震危害预测

微震过程的复杂性和不均衡性导致线性模型不足以预测微震灾害,提出随机森林方法(random forest)在高能量(E≥104J)下关于煤矿开采微震灾害的预测问题.数据来自位于波兰的采用长壁开采法的煤矿,采用随机森林方法对数据集进行标准均方误差(NMSE)分析,并与决策树、Bagging算法、支持向量机、最近邻法比较,发现随机森林方法对多样本、高维度的煤矿矿山微震预测问题效果理想.     

白音华一号露天煤矿合理帮坡角的确定及边坡稳定性评价

 为保证白英华一号露天煤矿开采过程的边坡安全,确定了白音华煤田一号露天煤矿各帮合理帮坡角,并对其边坡稳定性进行了分析与评价。根据白音华煤田一号露天煤矿边坡各剖面分层物料的物理力学性质,应用FLAC^3D数值模拟软件计算模拟了白音华煤田一号露天煤矿各帮边坡的稳定性,确定了各帮合理帮坡角。同时,对东端帮实施内排提高帮坡角进行了研究,模拟结果表明,内排的实现提高了所压边坡的稳定性,在保证内排跟踪距离的前提下适当提高帮坡角,进而提高煤炭的回收率在露天煤矿中是可行的。     

基于可见光-近红外光谱的煤种分类方法

利用便携式地物光谱仪SVC HR-1024对92个烟煤和58个褐煤样本进行光谱测试,烟煤和褐煤在可见光-近红外波段光谱特征差异明显,褐煤的光谱反射率及其斜率均明显高于烟煤.在光谱特征分析的基础上,利用MAO模型法、随机森林法、BP神经网络法和ELM算法进行煤种分类.结果表明:MAO模型法和随机森林法的分类结果较优.若进行大面积、快速遥感识别时,对分类时间要求较高,应选择MAO模型法;若是小面积单一矿区分类,对分类准确率要求较高,选择随机森林法较为恰当.     

基于PCA-Logistic模型边坡稳定性分析

提出一种基于PCA-Logistic模型算法,并对边坡的稳定性进行预测分析。先用PCA对样本数据进行处理,有效控制稳定性因素的计算数量。选出边坡重度、内聚力、内摩擦角、边坡角四个主成成分进行Logistic建模分析。得出其Logistic回归模型,并运用于边坡稳定性实例分析,与用Logistic回归模型确定权重的模糊综合法进行对比。研究结果表明：PCA-Logistic模型有效的处理样本数据,减少不必要的分析过程,计算得出的边坡稳定性状态与实际情况相符;并与Logistic回归模型确定权重的模糊综合法进行对比,验证其计算结果的准确性,高效性。该方法可在工程地质、采矿工程、经济等众多领域应用与推广。     

基于TLS辅助的长白落叶松一级枝条生物量模型构建

【目的】探究利用地基激光雷达(terrestrial laser scanning, TLS)点云数据估测枝条生物量的可行性,构建预测长白落叶松(黄花落叶松)枝条生物量的最优模型。【方法】以利用孟家岗林场26株长白落叶松点云数据提取出的733个一级枝条的特征因子[枝长(L_BL)、弦长(L_BCL)、基径(d_B)、着枝角度(A_B)、弓高(H_BAH)、枝条基部断面积(S_BAB)、相对着枝深度(d_RDINC)]和对应的实测数据为数据源,分别建立枝条水平上的一级枝条生物量基础模型,通过对比基础模型之间的差异来分析利用TLS数据建立枝条生物量模型的可行性。最后利用TLS数据分别对比基础模型、混合效应模型和随机森林模型的预测效果。【结果】基础模型中最终选定的自变量为S_BAB和L_BCL。利用TLS数据建立的枝条生物量基础模型具有更好的预测精度。对比3种模型预测能力结果显示,随机森林模型无论在训练集还是测试集...     

基于DBSCAN聚类改进随机森林算法的专利价值评估方法

对于专利价值的不确定性和影响因素的复杂性,以及评估工作中缺乏可操作性强并且科学高效的评估方法等问题,对价值评估指标体系进行分析,并使用随机森林算法选择最有效的指标集,同时基于DBSCAN(density-based spatial clustering of applications with noise)聚类选择高精度且一致性低的决策树子森林改进传统随机森林算法,使用改进前后的两种随机森林模型在专利数据样本上进行实验并比较。结果表明,改进的随机森林模型提升了传统模型的精度,在专利价值评估中具有一定的作用,总体上比较有效地反映了专利的价值度。     

基于灰色理论预测五阳矿未受采动影响煤层瓦斯含量

 采用邓氏关联度和广义综合关联度2种灰色关联分析方法对未受采动影响区域内煤层瓦斯含量的影响因素进行研究,并根据不同的影响因素分别建立了GM(1,7)、GM(1,6)和GM(1,5)瓦斯含量预测模型。研究结果表明,在五阳矿76、78采区未受采动影响的3#煤层中,30m底板砂泥岩比、地质构造、挥发分、灰分4个因素为影响其瓦斯含量的主要因素。由此建立的GM(1,5)模型瓦斯含量预测精度最高,可采用该模型对五阳矿76、78采区未受采动影响的3#煤层瓦斯含量进行预测。预测值能够为矿井瓦斯灾害的防治提供依据,对实现矿井的安全生产具有重要的现实意义。     

香根草-微型桩协同护坡机理研究

香根草护坡或微型桩护坡在边坡加固与防护工程中均得到了广泛应用;但两者协同护坡却研究很少。边坡安全系数是研究边坡稳定性的主要依据之一,对其计算分析对于预防滑坡具有重要意义。通过在室外建立与实际工程相似的大比例尺试验模型,利用应变片、微型土压力盒等仪器,通过坡顶加载的方法对植被护坡与微型桩护坡的效果进行了模型试验研究。结果表明,植被与微型桩协同护坡能有效的提高坡体整体性,而且能够提高边坡承受荷载能力,为边坡生态与工程协同防护设计提供了借鉴。