ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。     

用Fisher判别法确定矿井突水水源

运用Fisher判别分析(FDA)理论,根据含水层的标型组分和涌水点水样的化学成分,针对简单的两类和复杂的多类突(涌)水水源识别,分别建立Fisher的线性判别函数模型和典则判别的函数模型,并对它们进行判别分析,将所建的矿井突(涌)水水源识别的Fisher判别模型应用于华北某矿井予以验证.研究结果表明:该模型利用回代估计法所得到的误判率小,并具有较强的判别能力.运用该模型进行判别分析,简易方便,分类效率高,对研究矿井突(涌)水水源的快速、有效判别意义明显;该模型适用性强,有广阔的应用前景.     

SOFM与BP神经网络在矿井水源判别中的应用

介绍了SOFM神经网络与BP神经网络,以李咀孜煤矿为例,分别利用SOFM网络与BP网络,针对地下水化学特征分别建立突水判别模型,实例结果表明:SOFM网络模型比BP网络模型具有更高的判别精度,更快的运算速度,更好的反应地下水系统特性,为矿井水害防治提供了一种辅助决策手段。     

KPCA-CS-SVM下的矿井突水水源判别模型

针对矿井水害的突水水源判别问题,采用KPCA方法对原始数据降维,通过布谷鸟搜索算法(CS)优化支持向量机(SVM)的惩罚因子C和核参数g,建立基于KPCA-CS-SVM的矿井突水水源判别模型,以淮南新庄孜矿各含水层共45个突水样本数据作为研究对象,选取7个主要影响因素作为突水水源的判别依据,对KPCA-CS-SVM水源...     

基于Fisher判别法和质心距理论的突水水源识别

快速准确的判别矿井突水水源对煤矿安全开采而言是至关重要的。通过对张集矿水文地质资料的研究,并在此基础上根据不同含水层中水化学离子成分不同的特性,选用Ca~(2+)、Mg~(2+)、K~++Na~+、HCO~-_3、SO_4~(2-)、Cl~-六大常规离子,且增加pH和总溶解固体(total dissolved solids,TDS)共8个因素作为判别因子,基于Fisher判别法和质心距分析理论,利用SPSS软件,建立对张集矿突水水源判别的函数模型,并对随机抽取的8个水样进行判别分析。结果表明:因子分析对模型训练样本的建立具有一定的有效性;增加判别因子后,样本误判率降低,准确率从90.625%提高到96.875%;由于构造条件等因素的影响,待判水样存在一定的误差。因建立函数模型方法简单,且准确率较高,对突水水源类型的判别具有可行性。     

Fisher方法在矿井突水水源判别中的应用

快速且准确地判定突水水源是有效预防矿井突水事故的关键工作之一。本文以淮北矿区海孜煤矿为例,选取6大常规离子作为突水水源识别的样本变量,运用Fisher判别分析法建立突水水源判别模型。并与Q型聚类分析法判别的结果进行比较。研究结果表明:Fisher判别模型能够有效地判别突水水源,比Q型聚类分析有更高的准确性,实现对突水水源快速有效的判别。     

煤矿矿井突水水源的多元矩阵模型分析

 针对煤矿矿井突水对煤矿安全生产的不利影响,基于水化学分析结果,建立多元混合模型模型,分析计算矿井突水水样,并与传统的BP 神经网络原理和模糊综合评判法相对比,分析结果与矿山实际情况相符合。结果表明：多元混合模型不仅能准确分析出矿井突水水样主要来源,而且计算简单准确,受水化学分析样本量和离子种类数量限制较小,可以作为一种矿井突水水源判别工具在工程实践中应用。     

基于遗传BP神经网络的矿井突水水源识别

为了快速有效识别矿井突水水源,消除矿井水害,综合考虑各种水化学离子在水源识别中的重要性,选择Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-等6种水化学离子作为识别因子,提出了一种基于遗传算法优化BP神经网络的矿井突水水源识别方法.在同样的训练样本和待测样本下,将该方法的识别效果与BP神经网络、距离判别法、Bayes判别法等方法的识别效果进行比较.仿真结果表明该方法收敛速度更快,识别精度更高.     

Bayes逐步判别法在邢台煤矿突水水源判别中的应用

快速有效地判别突水水源是矿井安全生产的重要保障。文章以邢台煤矿为研究对象,选取各含水层多项水质指标,应用Bayes逐步判别法建立矿井突水水源快速判别模型。结果表明:Bayes逐步判别模型以其计算过程简单、模型结构稳定而优于其它模型,既提高判别准确率又提高判别速度,实现对突水水源快速有效判别,为防治水工作提供有力依据。     

华北隐伏型煤矿地下水水化学演化与突水水源判别

我国华北隐伏型煤田突水水源判别普遍注重单一含水层的静态水化学场分析,很少考虑煤矿开采进程中多含水层地下水系统水化学演化规律。为此,本文以典型华北隐伏型煤田——淮北煤田为研究示范,提出了地下水渗流与水化学演化模式。而且以淮北煤田境内的芦岭煤矿Ⅱ1016工作面出水点水化学动态变化为例,基于地下水渗流与水化学演化模式,正确判别出该工作面出水水源与渗流突水模式。研究成果对我国华北隐伏型煤矿水灾防治提供重要理论支持。     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

建立在神经网络基础上的煤矿突水预测模型

基于煤矿底板突水机理分析,利用BP神经网络具有分布式记忆、自学习、自适应性等特点,建立煤矿突水预测模型.实例表明,神经网络可以取得满意的预测精度,预测的结果更加可靠.     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

基于Modpath的矿井突水应用

运用粒子反向示踪理论,根据安徽铜陵新桥硫铁矿各含水层的水文地质条件、工程地质条件,利用抽压水试验得出的渗流系数、给水度等岩性特征,针对突水水源识别问题,建立Modpath的矿井突水可视化模型,并以时步分段量化研究水源渗透规律,分析了矿井突水的水源来向、侵害范围、影响程度等特征元素。研究结果验证了突水点上层含水层的岩溶裂隙带和断裂带对突水点的重要补给关系,并且有较强的直观判别能力;模型可以清晰判别分析矿井突水现象。     

矿井突水模型试验顶板离层破断数值模拟研究

针对矿井突水模型试验中的顶板离层破坏,用有限差分程序(FLAC)中的interface单元模拟层理面,开展流-固耦合模拟研究.实现了对矿井突水模型试验中顶板离层破坏和突水全过程的模拟,模拟结果较好地刻画出煤层开采后顶板岩层从沉降、离层直至垮塌突水的整个过程,能有效反应出矿井突水前顶板围岩位移急剧增大,渗压先增大后迅速降低的过程.同时将计算结果与试验监测数据进行了对比,二者吻合较好,表明所用的方法能够正确模拟矿井突水和顶板破断过程,该方法可以为矿井顶板离层破断突水等问题提供数值基础和相关前兆参数.     

地下矿水灾场一体化构模及可视化仿真技术

针对地下矿突水三维可视化仿真,基于矿山复合场理论,通过对水灾漫延过程中各场量参数的空间几何性、分布性、矢量性和时序性进行分析,给出属性空间的拓扑关系,构建了地下矿突水仿真的一体化动态模型,提出了相关属性的可视化仿真方法.通过对空间场量进行体素化和场量化处理,以时间为步长,实现了水灾漫延过程的动态可视化表达.以某典型地下矿山为例,通过对相关数据进行整理分析,实现了水灾漫延过程的动态可视化仿真,验证了地下矿突水一体化模型的可行性和有效性.     

基于权值时变模型的矿井突水最优逃生路径的动态选择

为了减少矿井突水发生时造成的矿工伤亡,为井下矿工动态选择出合理的逃生路径。综合考虑随时间变化的水位高度和水的流速对矿工逃生路径选择的影响,将其量化为对人体稳定性的影响,并将所研究的时间进行分段,根据不同时段下巷道内平均水流速与临界流速之比求得动态危险系数,并实时加权到邻接矩阵上,建立以巷道初始当量长度与危险性程度为衡量最优路径的权值时变数学模型,运用改进的Dijkstra算法进行求解,并结合W煤矿矿井进行实例分析。结果表明：优化后的模型更能反映突水时巷道内的实际情景,同时,改进的Dijkstra算法能够有效应用于突水时期最优逃生路径的动态选择中,使选择的逃生路径更加安全可靠。     

改进BP神经网络模型及其稳定性分析

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小点等缺点,提出一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,并在此基础上采用Lyapunov稳定性原理分析改进算法的收敛性。该算法综合考虑网络训练方式和学习率的不足,设计新的复合误差函数,同时采用一种分层动态调整不同学习率的新方法,并采用批量样本进行训练,以加快传统BP算法的收敛速度和避免陷入局部极小值点。在此基础上,将该算法应用于带钢表面缺陷图像检测中,并比较改进算法与传统算法在缺陷检测中的性能参数。研究结果表明:该改进算法能够提高缺陷识别率,检测速度快,更能满足钢板表面质量检测的实时性要求,是一种行之有效的方法。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。