盾构机土仓压力平衡系统智能建模及其实验

为解决盾构机土仓压力平衡系统时滞、非线性、时变和不确定特性建模问题,建立了基于神经网络和系统输入-输出观测数据的智能建模方法,解决了土仓压力平衡系统的解析数学建模所遇到的困难。计算结果表明,基于Gauss-Newton优化的神经网络训练方法,具有较快的收敛速度。盾构机实验台实验结果表明,与解析数学建模方法相比,所提出的新的智能建模方法拟合和预测精度提高了一个数量级,验证了智能建模方法的有效性和精确性。     

盾构机土仓压力控制模型及其参数辨识

基于改性后渣土的非线性本构关系,建立了盾构机土仓压力控制模型。根据现场观测的土仓压力、螺旋输送机转速和盾构机推进速度数据,提出了基于遗传算法的土仓压力控制模型参数辨识方法。工程实践应用结果表明,所建立的土仓压力控制模型及其参数辨识方法是十分有效的,土仓压力控制模型预测的土仓压力与观测值吻合较好。     

地下工程支护效果的ARMA预测模型及应用

基于时间序列分析理论, 建立了地下工程支护效果的自回归滑动平均模型(ARMA), 将顶板累积垂直岩移量和锚杆轴力作为评价指标, 提取监测数据趋势项及其平稳残差时序, 对顶板支护效果进行预测。现场应用表明, ARMA模型预测的顶板累积垂直岩移量及锚杆轴力值与实测值相比, 相对误差分别不超过3%和2%; 与GA-BP神经网络法相比, ARMA模型预测结果的精度显著提高。     

盾构掘进土压平衡控制模型

分析了影响盾构土压平衡的掘进参数之间及其与土仓压力间的相互关系,采用自适应神经模糊推理系统（ANFIS）建立了一个以推进力、推进速度、土仓压力实时数据采样值为输入,螺旋输送机转速为输出的基于排土控制的盾构土压平衡控制模型.在Matlab中利用100组施工现场数据对模型进行训练和参数优化,并采用另外100组数据对训练好的模型加以检验.结果表明,模型预测结果与实测数据吻合较好,说明该土压平衡控制模型能够很好地逼近盾构掘进此类非线性过程,同时可以对掘进参数进行有效的预测控制.     

基于ARMA-BP变异系数组合模型的矿山沉陷预计

针对单项非线性预测模型预测矿山开采地表沉陷精度低、稳定性差的问题,采用变异系数法组合互补性好的ARMA模型与BP神经网络模型,实验结果:预计值均方根误差为3. 2,平均相对误差0. 11%,结果表明组合模型在精度和稳定性方面具有较大优势。     

矿山地表移动ARMA预测模型

以某矿区一个监测点2001-2010年地表移动监测数据为样本,对其进行了统计分析。分析结果表明：该样本数据的自相关函数(AC)和偏自相关函数(PAC)都是拖尾的,符合ARMA(p,q)模型。在此基础上,应用EViews软件进行了模型的参数估计和模型检验工作,建立了该矿区地表移动ARMA预测模型。通过对模型预测值与实测值的比较,模型预测显示了良好的准确性,特别是在时间步长较短的情况下,可以大大提高矿山地表移动预测的精度。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

冲击地压组合预测方法最佳维数确定的研究

地下工程冲击地压具有突发性和破坏性,预测不准势必会造成不必要的防护浪费或直接造成灾难。为了准确预测冲击地压灾变,消除不同预测模型之间的差异,以杏山矿为研究对象,基于实际监测资料结果应用组合预测方法通过不同维数预测分析,最终确定合理的维数,由此可以提高预测结果可靠性,为工程安全预测提供保障。实践应用结果表明:采用组合预测方法后,3个测点的预测精度分别达到93.75%,91.66%和94.51%,其整体精度明显优于依据4维GM(1,1)模型和8维ARMA模型预测的结果。     

基于小波分析与GM(1,1)-ARMA(p,q)组合的矿井防尘用水量预测

为了提高矿井防尘用水量预测的精确度,提出了基于小波分析理论与灰色预测模型(GM(1,1))、自回归滑动平均模型(ARMA(p,q))组合的预测模型。运用小波分析将用水量时间序列做不同尺度分解,并将低频信号和高频信号采用GM(1,1)和ARMA(p,q)进行预测,最终经小波重构得到预测结果。以林南仓矿为研究背景,使用该组合模型预测2014年各月份的用水量,通过与实际数据对比,残差检验相对误差不超过2.5%。结果表明:矿井防尘用水量在总体上逐年缓慢增加,每年内呈周期性的变化;基于小波分析与GM(1,1)-ARMA(p,q)组合的预测模型具有较高的预测精度。     

基于灰色神经网络的我国原煤产量预测

文章采用灰色神经网络进行我国煤炭产量预测模型的建模,灰色神经网络具有灰色系统模型的可以用少量样本数据来建模与神经网络精度高的特性,克服在进行煤炭产量预测样本数据少的问题,仿真结果表明,此种模型预测结果的相对误差是1.57%,只使用灰色模型预测结果的相对误差是9.8%,采用此模型提高了预测的准确性和精度。     

我国煤炭开采总量的ARMA模型研究

建立了ARMA模型对我国煤炭消费总量进行了研究,意在指导我国煤炭开采总量。文章对煤炭消费序列进行了检验,建立了煤炭消费序列增量模型,选择了最优的ARMA模型,并对我国煤炭消费总量进行了预测,对预测结果进行分析研究,得出了重要结论,并提出了相应的措施和发展目标。     

土压平衡盾构机密封舱压力控制实验研究

为了解决土压平衡盾构机密封舱压力自动控制问题,建立了密封舱压力控制机理模型和实验台。根据实验台观测数据,采用系统辨识方法识别控制模型中的参数。以优化理论为基础,提出了密封舱压力稳健控制方法。实验研究结果表明,所建立的压力控制机理模型、模型参数辨识方法和优化控制策略是有效的。     

基于密封舱压力场的盾构土压平衡控制建模与仿真

为实现更准确、有效的土压平衡控制,提出一种新的密封舱土压平衡控制的建模方法.基于小波阈值去噪后的现场施工数据,采用最小二乘法建立了密封舱压力场分布模型;在此基础上,通过分析掘进控制参数与密封舱压力的关系以及土压状态发生变化的影响因子,建立了以等效压力为控制目标的密封舱土压平衡控制模型.设计了模糊自适应PID控制器,构建了土压平衡控制系统.最后,利用现场施工数据进行仿真验证,结果表明模型的有效性,为盾构掘进过程的土压平衡控制奠定了基础。     

掘进机上位机监控系统的研究及实现

针对掘进机施工对上位机监控系统的要求,研究开发了可视化的监控系统．介绍了该系统的硬件组成及软件结构,重点分析了程序运行状态的确定及地表沉降静、动态预测模型．提出了行之有效的解决方法,即依据掘进机各施工环节的运行状态,利用状态逻辑图,准确地确定了程序任一时间的运行状态;采用在线评估和对地表的静、动态预测方法及可视化手段较准确地预测出地表的沉降量．实践表明,该系统检测对象多、预测数据准确,且可实现可视化的在线评估及预测．     

短期电力负荷预测的时间序列数据深度挖掘模型设计

短期电力负荷预测存在数据时间序列紊乱现象,导致预测短期电力负荷精确度低,为此提出用于短期电力负荷预测的时间序列数据深度挖掘模型。设计数据预处理电力数据仓库体系,获取电力数据,并对电力数据进行排序处理;基于数据处理结果,划分数据时间序列,建立时间序列数据深度挖掘模型,预测短期电力负荷。实验结果显示,采集同一区域的同一电力局电力信息,对短期电力负荷进行预测,预测短期电力负荷功率与实际一致,对短期电力负荷预测的精确度较高。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。