巷道围岩稳定性分类的MBP神经网络预测研究

研究BP神经网络的工作原理和改进技术，分析巷道围岩稳定性的影响因素，基于改进的MBP神经网络建立了围岩稳定性分类的神经网络识别模型。研究结果表明，该预测模型性能好，预测精度高，预测结果能很好地拟合地下工程实际，验证了该模型的可行性和实用性。     

基于GIS的金属矿巷道突水预测

突水事故是地下开挖工程中常见的工程事故,为保障矿区的安全开采,以金属矿地下巷道为研究对象分析突水的主要影响因素,建立基于GIS和BP神经网络的脆弱性指数突水预测模型,并进行金属矿井突水预测.研究结果表明:金属矿巷道突水是多因素共同作用的结果,影响金属矿巷道突水危险性程度由大到小的因素依次是采动影响、断层、充水含水水压、巷道围岩防突性能和充水含水分布特性;巷道中严重的突水灾害易发于充水含水丰富且距离采场近的区域,并且与距断层的距离、充水含水水压和巷道围岩防突性能密切相关.     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.     

基于RBF神经网络算法的连拱隧道围岩变形预测方法研究

利用径向基函数前馈式神经网络的特性，构建了连拱隧洞围岩变形的预测模型，并利用Matlab工具对模型进行求解。最后的工程实例对文章的方法进行了检验，其结果表明，此方法具有求解速度快，结果更为优化、预测效果更好等优点。     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现.针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用干预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围.以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度.预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高.相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性.     

粗糙集-BP神经网络组合方法及其应用

将神经网络与数据挖掘的知识相结合,提出粗糙集-BP神经网络组合方法,并将其应用于围岩稳定性判别。首先,基于山东兖州矿区煤巷信息数据库,建立回采巷道围岩稳定性知识表达系统,对数据进行离散化处理;其次,针对传统BP神经网络收敛速度慢、容错性差、结果不唯一的缺点,采用MATLAB软件开发的粗糙集数据分析程序,对生成的决策表进行挖掘分析,通过挖掘的决策知识引导训练样本的选取和神经网络的建立;最后,在煤巷围岩稳定性判别中予以应用。研究结果表明:BP神经网络克服了传统BP神经网络的缺点,具有容错性好、训练速度快、全局逼近性好、精度高等优点,此方法能较好地用于解决巷道围岩稳定性判别问题。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

基于遗传神经网络的纱线质量预测

针对基于单一BP神经网络的纱线质量预测模型的不足,提出了一种基于遗传算法优化的神经网络的纱线质量预测模型,采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.通过试验表明,基于遗传算法优化的神经网络可以提高纱线质量预测模型的精度和稳定性,其性能优于基于单一BP神经网络模型的纱线质量预测.     

露天转地下采矿巷道围岩稳定性分析

利用FLAC3D软件对大冶铁矿东露天高陡边坡、露天转地下-72m水平29号采矿巷道建立模型,模拟了无边坡影响、高边坡影响2种情况下,采矿巷道的位移变化以及塑性区分布情况,并根据29号采矿巷道收敛监测结果,验证巷道数值模拟结果。通过采用不同围岩分级方法对采矿巷道进行评价,比较研究得出东露天采场采矿巷道围岩稳定性情况。     

淮南矿区深部岩巷典型围岩参数反分析研究!

基于典型巷道的表面收敛位移,通过进化神经网络方法进行了淮南矿区典型围岩类型的物性参数反分析研究.采用反分析得到的参数,通过数值正分析得到了和实测基本吻合的深部位移结果.表明通过反分析研究,基本得到了反映典型围岩类型的物性参数.     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

断面形状对巷道围岩稳定性影响的数值模拟分析

利用数值计算方法,研究了断面形状对巷道围岩稳定性的影响。结果表明:断面形状对巷道围岩的稳定性有较大影响。圆弧拱巷道围岩稳定性要远大于矩形巷道。采用矢跨比为0.2的圆弧拱巷道代替矩形巷道,可显著改善巷道围岩应力状况,减小巷道围岩变形量,减少围岩塑性屈服区域,加强巷道围岩的稳定性。     

隧道围岩应力时序的神经网络预测模型

围岩应力是影响隧道稳定性的根本因素,掌握隧道围岩应力的变化发展趋势,是准确判断隧道稳定性的前提.针对隧道围岩应力变化难以准确预测的问题,作者在分析了隧道围岩应力变化规律和主要影响因素的基础上,采用BP神经网络建立了隧道围岩应力时序的神经网络预测模型.模型在綦万高速公路观音岩隧道施工中成功应用,结果表明采用神经网络预测隧道围岩应力时序是可行的,其使用简便,预测准确.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

利用BP神经网络确定巷道摩擦阻力系数

在特定圆木支护巷道条件下，合理地选择了木支架直径、支架纵口径，巷道面积、巷道周长、支护周边长等作为神经网络的输入参数，运用改进的BP人工神经网络模型。进行摩擦阻力系数的模式识别。该方法的主要优点有：网络结构简单，收敛速度快。预测精度高。模型精度很高，有一定的实用价值。     

深部开采岩爆预测的神经网络方法

岩爆是深部高地应力岩石地下工程中的一种常见灾害,其影响因素之间存在着极其复杂的非线性关系。在综合分析基础上,选取开采深度、围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值、岩石冲击性倾向指数作为岩爆预测的评判指标。应用人工神经网络方法,建立了岩爆预测的计算模型,利用国内外一些深部开采、岩石地下工程资料作为学习样本和测试样本对模型进行训练。该模型成功应用于某矿巷道的岩爆预测,预测结果与实际情况一致,此研究为深部开采岩爆预测提供了新的途径。     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

考虑支护作用影响的煤岩巷道变形非线性分析

根据非线性动力学理论,利用FLAC3D数值软件,建立三维计算模型,对锚网锚杆、U型钢支护和吸能支护条件下的煤岩巷道冲击变形规律进行数值模拟,再现深埋巷道变形破坏过程,研究不同支护作用对巷道变形动力响应的影响。数值计算结果说明,锚网锚杆(主动支护)对提高围岩体强度作用明显,但在冲击载荷作用下巷道围岩应力大,变形量也大,破坏程度严重;U型钢支护(被动支护)可有效提高巷道支护强度,冲击作用后同样表现出抵抗能力较差,巷道整体变形较大;吸能支护对于抗缓冲和吸收冲击能作用明显,表现为冲击应力大幅度降低,巷道变形量减小,整体稳定性显著提高。     

Elman回归神经网络在大坝安全监控中的应用

给出了E1man回归神经网络的网络结构和学习方法。基于E1man回归神经网络能够逼近任意非线性函数的特点，提出了一种基于E1man回归神经网络建立安全监控模型的方法。实验表明，所建立E1man神经网络模型收敛速度快，并且其拟合及预报精度高于统计模型和BP网络模型。