共查询到16条相似文献,搜索用时 250 毫秒
1.
2.
3.
4.
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. 相似文献
5.
6.
7.
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。 相似文献
8.
9.
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。 相似文献
10.
11.
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。 相似文献
12.
13.
14.
15.
16.
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。 相似文献