尾砂级配的混沌优化

采用分形理论研究分级尾砂的级配.计算国内外大量矿山尾砂材料的分形参数,研究尾砂的分形级配与其胶结强度的关系.采用神经网络建立尾砂胶结强度与水泥质量分数、料浆浓度、尾砂颗粒分维数、孔隙分雏数及分维数相关率的知识库模型.研究结果表明,尾砂胶结强度与其分形级配相关;随着尾砂颗粒间孔隙分雏数减小,充填体强度增高;尾砂分雏数相关率越大,充填体强度越大.用所建立的神经网络知识库模型,利用Logistic迭代方程的混沌遍历特性,采用混沌优化方法研究使充填体达到最佳强度的选矿尾砂最优分级.根据采场脱水工艺,应用该方法,获得安庆铜矿选矿尾砂的最佳级配参数.工程应用结果显示,该方法年增加尾砂用量2.87万t,胶结充填体强度提高8%,为矿山年节约充填成本55.8万元.     

高应变率下灰砂比对全尾胶结充填体力学性能影响

为研究采矿扰动下灰砂比对全尾胶结充填体力学响应,预制了三组不同灰砂比的全尾砂胶结充填体试件,利用ф50 mm SHPB试验系统,对预制试件进行单轴冲击试验,试验结果证明:全尾砂胶结充填体对弹性波传播有较强的反射和阻尼作用;在较高应变率下,试件强度则表现出快速软化;软化试件在18μs左右即达到峰值应力;试件动态抗压强度等参数变比均随应变率的增加而增大.灰砂比越高,试件的极限动态抗压强度等参数越大;在相同应变率下,试件的动态抗压强度等参数的增加反而降低.试件的破坏形式为压碎破坏,在相同应变率作用下,水泥含量越少,试件的破坏程度越高.     

尾砂充填料浆流变性能模型与试验研究

以地下矿山尾砂充填料为研究对象,试验研究与理论分析相结合的方法,利用R/S+流变仪和岩石力学试验机对充填料浆的流变性能进行试验研究.引入Papanastasiou黏塑性流体模型来表征尾砂充填料浆的黏度和切应力变化过程.研究结果表明:该黏塑性流体模型预测的结果和试验结果相吻合,因此可用于理论分析计算;得到不同的压力增长指数下切应力-切变速率曲线;尾砂充填料浆的黏度和屈服应力随料浆质量分数的增加而增大;同一质量分数下,胶结尾砂的黏度和屈服应力比全尾砂大.通过对充填料浆流变性能的研究,为矿山充填设计提供了理论和实验依据.     

尾砂胶结充填体损伤软-硬化本构模型

针对灰砂比分别为1∶4,1∶8和1∶10的尾砂胶结充填体进行了力学试验,得出了其在单轴压缩条件下的物理力学特性。根据统计损伤理论,在材料微元强度服从Weibull分布规律的基础上,引入有效损伤率参数来表征损伤材料的承载能力,建立尾砂胶结充填体在单轴压缩条件下的损伤软-硬化本构模型。经对比验算,尾砂胶结充填体损伤软-硬化模型与实验结果相吻合。该模型在体现尾砂胶结充填体损伤随机性、应变软化过程的同时,反映了尾砂胶结充填体峰后应变硬化过程及规律,为充填体强度设计提供了依据。     

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.     

用神经网络控制非线性系统的混沌运动

设计前馈反传神经网络 ,通过对参数扰动模型输入样本的学习 ,训练成混沌控制器 ,将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定不动点 .用 Henon映射作数值仿真实验 ,证明该方法十分有效     

韩家岭隧道围岩物理力学参数反分析

基于差分法、正交设计和人工神经网络建立了新的隧道围岩物理力学参数反分析方法·按照正交设计要求选取不同物理力学参数,用FLAC差分程序计算得出相应的神经网络分析样本;进行网络训练和网络结构及学习参数优化;利用现场监测数据,对韩家岭隧道围岩物理力学参数进行神经网络反分析,分析结果满足精度要求·     

基于BP网络的某矿山充填料浆配比优化

针对目前某矿山残矿回采充填体质量所存在的问题,提出采用分级尾砂胶结充填的方案.分析分级尾砂的物化特性,得出分级尾砂作为充填骨料的可行性.通过配比试验,初步确定影响料浆质量的因素.为了得到最优配比,采用神经网络进行优化,以料浆浓度及各组分添加量作为输入因子,塌落度、7d抗压强度及28 d抗压强度作为输出因子,并以配比实验数据为训练和检验样本来建立BP神经网络预测模型.对比隐含层节点数对模型训练过程及预测精度的影响,选取最佳预测模型结构为4-9-3.将配比参数细化输入到预测模型中,从而搜索出优选样本,得到最优配比为所(水泥)∶m(粉煤灰)∶m(尾砂)=1∶3∶8.优化结果表明:在保证强度的前提下,粉煤灰的添加可有效地降低充填成本,经济效益显著.     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

二维具时滞Hopfield神经网络动力学行为研究

Hopfield神经网络模型是对人脑神经网络的某些机理与机制的抽象,它可以模拟大脑实现联想记忆和优化计算等方面的功能.本文对一类二维具时滞的Hopfield神经网络模型进行了理论分析,给出了系统可能出现的稳定平衡点、周期解以及混沌奇异吸引子的参数选取信息,并在理论分析的基础上进行了数值模拟,用计算机描绘出解曲线图.本结果对人工神经网络的应用提供参数依据.     

边坡弹性模量反分析的模拟退火BP网络方法

通过模拟退火算法,对BP网络进行优化并编写了模拟退火BP网络程序,应用该程序对三峡永久船闸高边坡岩体弹性模量进行了位移反分析.结果表明,根据模拟退火BP网络反分析得到的弹性模量计算出的位移值和监测位移值差别较小.因此,模拟退火BP网络方法可以用于边坡岩体力学参数的反分析.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于GA-BP算法的隧道围岩力学参数反分析

建立智能位移反分析系统,用其确定隧道围岩的力学参数.针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值.结合均匀设计法在围岩力学参数初始域范围内设计实验方案,这样不仅减少了迭代时间和次数,还提高了预测精度.通过对绿春坝隧道围岩力学参数的反演,验证了该方法的可靠性及适用性.将反演得出的围岩力学参数代入到数值模型中进行计算,结果表明,数值计算值与现场实际监测值的误差分别为-8.9%和4.5%.     

铀尾砂胶结充填体三轴压缩试验及非线性强度准则研究

充填采矿法是矿山开采的重要施工方法,探究尾砂胶结充填体回填采空区后的强度特性具有重要的理论研究和工程实际意义。以铀尾砂胶结充填体为研究对象,研究砂灰比和围压对胶结充填体力学性能的影响。随后基于三种强度理论,以试验数据为基准,对不同砂灰比铀尾砂胶结充填体强度进行预测。结果表明：砂灰比对尾砂胶结充填体的力学特性有较大的影响;砂灰比为4,围压小于4 MPa时,铀尾砂胶结充填体的应力-应变曲线呈应变软化型,砂灰比大于4,铀尾砂胶结充填体的应力-应变曲线呈应变硬化型。黏聚力和内摩擦角随着砂灰比的增大而减小,逐渐趋于平稳,并呈指数下降趋势。Rocker准则公式简单,能精准地预测不同砂灰比条件下铀尾砂胶结充填体的强度。提出考虑砂灰比的铀尾砂胶结充填体的Rocker强度准则,并验证其具有良好的预测效果。研究成果为矿山充填开采提供了有益的参考。     

全尾砂絮凝沉降参数预测模型研究

为了得到最佳的絮凝沉降参数,运用BP神经网络和遗传学算法建立了全尾砂絮凝沉降参数预测模型.以絮凝剂单耗和尾砂浓度作为输入因子,以沉降速度作为输出因子;通过正交试验,确定网络学习、训练样本,建立神经网路预测模型;采用遗传算法对全尾砂沉降参数预测模型进行全局寻优,得到最佳絮凝沉降参数.将预测模型运用到和睦山铁矿,在絮凝剂单耗12 g/t,尾砂浓度17%条件下,沉降速度达到1.31 m/h,满足生产需要,比原生产所需絮凝剂单耗减少20%.应用结果表明,该预测模型有较高的实用性,为沉降参数优选提供了一种崭新的思路.     

多模块构架式空间可展开天线结构参数优化

为降低卫星天线的发射成本,提高天线的展开刚度,以多模块构架式空间可展开天线结构的质量和1阶固有频率为目标函数,基于误差反向传播（BP）神经网络和遗传算法对天线的结构参数进行了优化.运用ANSYS软件对支撑桁架的结构参数进行了数值模拟,得到了与设计变量对应的目标函数值;通过正交试验设计,构建了用于神经网络训练和检验的样本集;按照BP算法的基本思想,调整网络模型的参数,建立了用于优化的预测模型;采用分目标乘除法,将多目标优化问题转变成单目标优化问题;采用遗传算法进行了优化分析,得到了支撑桁架各杆件的设计参数.结果表明：该优化方法在降低天线质量的同时,使结构的刚度得到了提高,为天线的结构设计提供了参考.     

考虑误差影响的力学参数反分析神经网络方法研究

通过求偏导技术将反分析的参数误差分别表示为模型误差与测量误差的函数，利用这些函数研究了模型误差与测量误差在力学参数反分析神经网络方法中的传递过程以及影响反分析结果的影响因素．研究结果说明：输入变量的选择严重影响力学参数反分析的精度，选取力学参数灵敏度大的测点位移作为神经网络的输入变量，可以减小模型误差与测量误差对反分析结果的影响．这对提高力学参数反分析的实用性与可信性有重要意义．     

基于PSO-RBF神经网络的串联机械臂逆运动学分析

针对目前基于神经网络对串联机械臂求逆解方法中出现的精度不足和实时性较差的问题,使用粒子群优化(particle swarm optimization,PSO)算法对径向基函数(radial basis function,RBF)神经网络进行结构优化,提出一种基于PSO-RBF神经网络的机械臂逆运动学算法。首先由正运动学模型获取神经网络训练和测试参数样本,经过欧拉角变换在神经网络输入端建立机械臂关节位姿映射关系,然后通过PSO算法对径向基核函数进行参数寻优并对测试样本求解分析,最后获取经逆运动学求解后机械臂的运动轨迹,验证了该算法的可靠性。仿真结果显示,由PSO-RBF神经网络逆运动学算法能够快速得出满足精度要求的关节角度,为进一步机械臂工业控制提供了理论支持。     

铀矿尾渣胶结充填体塌落度影响因素及预测模型

采用生石灰中和后的铀矿尾渣为试验骨料,水泥为胶结剂,试验了不同渣浆质量浓度和灰渣质量比条件下尾渣胶结充填体试件塌落度。利用自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测不同渣浆质量浓度和灰渣质量比条件下塌落度。试验结果和模型预测结果表明,在同等条件下,铀矿尾渣胶结充填体的塌落度与渣浆质量浓度和灰渣质量比均成反比;随着渣浆质量浓度变小,铀矿尾渣胶结充填体流动性变大,如果再降低灰渣质量比,铀矿尾渣胶结充填体会出现明显离析现象;铀矿尾渣胶结充填体塌落度ANFIS模型的预测精度较高,结果唯一且可靠;如果不同矿山铀尾渣物理参数相似性较高,则已知的铀矿尾渣胶结充填体塌落度ANFIS模型可以预测该矿山尾渣胶结充填体的塌落度。