多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

杭来湾井田煤炭开采地表移动变形预测

陕北煤炭开采引起大面积的地表变形破坏,不但严重破坏着生态环境,更威胁着人们的生命财产安全。研究煤炭开采区地表移动与变形的机理,预测地表移动变形规律和趋势,更好地保护地质环境和生态环境,减少人们生命和财产损失。以杭来湾井田30101工作面为例,运用概率积分法对采煤引起的地表移动变形进行预测,得出结果：地表变形的理论边界角为68.9°,移动角为70.4°,裂缝角为89°,移动盆地的沉陷范围面积是2.193km2。通过野外实测数据证明运用概率积分法对该井田地表移动变形的预测结果精度较高,该方法为其它井田煤炭开采地表移动变形预测提供一定的参考价值。     

RBF神经网络在深基坑监测预测中的运用

该文简要介绍了：RBF神经网络相对于BP神经网络的优点，分析了RBF神经网络的模型和结构。在此基础上通过Matlab编程语言建立了一预测深基坑工程监测项目的重要内容——墙体位移的RBF神经网络模型，经过工程实例验证了该模型的正确性，说明RBF神经网络在对深基坑工程监测项目的预测是可行和有效的。     

地表移动预计参数选取的神经网络法

地表移动预计参数的选取是研究地表移动及其规律的重要内容，由于预计参数受多种复杂因素的影响，具有高度的不确定性和离散性，利用神经网络具有自组织、自学习和高度非线性映射的能力，并既能考虑定量因素又能考虑定性因素的优点，可建立地表移动预计参数选取的神经网络模型以及对BP神经网络进行改进。利用大量的地表移动实际观测数据样本对该网络模型进行训练和学习，并用该网络模型对地表移动参数进行预计，结果表明，该改进的BP神经网络具有收敛速度快、预计参数精度高的优点，从而为开采沉陷地表移动预计中参数的选取提供了新方法。     

地表移动与变形的环境影响与预测

矿山开采会引发地表移动与变形。应用概率积分法对吉林省汪清县罗子沟油页岩矿区进行在矿区服务期满43年内有关地表下沉、倾斜、曲率、水平移动和水平变形的预测,以便在采矿过程中有所依据,以避免造成地表的破坏。     

基于RBF神经网络的堤防管涌预测方法

影响堤防管涌的各种因素是不确定和随机的,在堤防管涌的发生过程中各因素间表现出复杂的非线性行为。运用基于RBF神经网络的基本原理,建立了堤防管涌预测的RBF神经网络模型,从新的角度研究堤防管涌的预测问题,对该问题进行了探索性的研究。对该理论的建立以及预测方法进行了系统的讨论,为该领域的研究提供了完整的技术方法。对于23个典型堤防管涌实例的研究表明,RBF网络较BP网络有较高的预测精度,较短的预测时间和较快的预测速度,能够较好地描述堤防管涌的非线性特征。     

地表沉陷变形的非线性研究

简要介绍非线性理论应用于地表沉陷领域的一些研究成果.主要包括两部分(1)神经网络理论在地表沉陷中的应用.建立减缓地表下沉,BP神经网络模型,预测开采引起的地表沉陷.(2)离散单元法在地表沉陷中的应用.利用离散元解决非线性问题的特点,分析注浆前、后岩层的移动和变形.研究表明,利用神经网络方法和离散元数值模拟可以很好地解决岩层移动的非线性变形,有效地指导工程实践.     

深部走向长壁开采地表移动数值模拟

在对深部开采进行界定的基础上,运用数值模拟手段,基于关键层理论建立三维深部开采模型,对走向长壁式开采地表移动进行分析,数值计算所得三维地表移动图形能够定量、直观描述地表移动,结果与概率积分法预测符合良好,实现对采煤-上覆岩土层破坏-地表沉陷全过程分析,是对煤矿开采沉陷可视化工作的重要补充。通过数值计算,总结了深部开采地表移动特点,并对比深部开采与浅部开采,分析地表影响半径及相关变形指标。分别对充分采动和非充分采动条件下概率积分法下沉系数进行计算,并与传统计算方法进行比较,结果显示:两种开采条件下,下沉系数均小于传统计算结果,基于浅部开采的经验下沉系数不再适合深部采动情况,得出下沉系数随深度增大而变小的结论,并分析这种变化产生的原因。     

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

基于RBF神经网络的软基短期沉降预测研究

RBF(radial basis function)神经网络是一类比较优越的前向式多层神经网络,比传统的BP网络有较快的收敛速度.以深圳湾西部通道填海软基沉降的预测分析为例,探讨采用RBF神经网络解决这一问题的方法.采用插值方法构建时间间隔统一的时间序列数据并进行归一化处理,在此基础上建立了沉降变形时间序列的RBF神经网络模型,通过训练网络模型来预测沉降量.计算实例表明,模型具有运算速度快、预测精度高的特点,是一种具有应用前景的软基预测新方法.     

基于空间分析的概率积分法在预测多煤层采空区塌陷中的应用——以青海塔妥煤矿为例

概率积分法是预测煤矿采空区产生地面移动最直接,最简单的方法之一,应用广泛。但该方法的应用条件非常苛刻,对于地层复杂的地区,预测精度不高。本文为预测出多煤组开采造成的地面破坏,将概率积分法与空间分析软件相结合,运用GMS软件的空间分析功能和概率积分法的理论基础,对采空区产生的地面破坏进行预测。将这种方法运用到塔妥煤矿中,得到了当该煤矿的四个煤组完全开采时产生的地面破坏预测,其计算结果比直接运用概率积分法更加接近实际。     

任意形状工作面沉陷预测的概率积分法及其应用

概率积分法是煤矿开采沉陷预测的重要方法,可适用于缓倾斜、倾斜煤层开采地表移动分布曲线符合正态分布规律的地表移动和变形计算。针对原方法对任意形状工作面存在的不足,在原有走向和倾向概率积分函数的基础上,以走向和倾向为基准划分积分函数区域,在该区域内剖分非结构化的三角形单元作为二重积分的基本单位;通过坐标旋转变换的二重积分换元法,转化为以直线为上、下限的二重积分,计算旋转后的影响半径,对新的二重积分采用复合辛普森数值积分公式,积分得出地表任意点在基本三角形开采单元下的积分下沉值;最后,通过叠加计算完成任意点、任意形状工作面概率积分法的沉陷预测计算。算法在GIS系统下实现,实例应用效果良好,可为“三下”采煤提供地表移动预测计算的支持。     

基于关键层理论的地表下沉盆地模型初探

目前,开采沉陷的研究主要是现场观测和以概率积分法为代表的开采沉陷预测。这些方法仅是对地表沉陷稳定后的现象进行观测和推断,不涉及对采场上覆岩层整体移动规律的研究。因长壁式布置工作面开采煤层的深厚比较大时,采场上覆岩层在靠近地表处会形成明显的弯曲带。在假设此弯曲带是控制地表沉陷及沉陷盆地最终形态的离地表最近一层主关键层且地表的下沉量远远小于该岩层厚度的基础上,用关键层位置的判别方法找出离地表最近一层关键层的位置后,用弹性薄板理论的半逆解法选择了较适合地表沉陷盆地形状的挠度函数,用薄板理论建立了缓倾斜煤层和倾斜煤层开采地表沉陷盆地力学模型,并对该模型的适用范围和参数进行了讨论。该模型考虑了影响地表下沉的多种因素,比概率积分法更具有理论意义。     

BP和RBF在断层防水煤柱留设宽度预测中的应用

在总结全国各典型煤矿断层防水煤柱相关资料的基础上,以水头压力、煤层厚度、安全系数、煤的抗张强度为主要影响因子,选择有代表性的样本数据,通过Matlab软件构建了BP和RBF神经网络模型,对各煤矿断层防水煤柱的留设宽度进行了预测,并与规程经验公式计算的结果进行了对比。结果显示,在煤矿断层防水煤柱留设宽度预测中,RBF神经网络比BP神经网络的训练速度更快,效率更高,具有更加广阔的应用前景。      

BP和RBF在断层防水煤柱留设宽度预测中的应用

在总结全国各典型煤矿断层防水煤柱相关资料的基础上,以水头压力、煤层厚度、安全系数、煤的抗张强度为主要影响因子,选择有代表性的样本数据,通过Matlab软件构建了BP和RBF神经网络模型,对各煤矿断层防水煤柱的留设宽度进行了预测,并与规程经验公式计算的结果进行了对比。结果显示,在煤矿断层防水煤柱留设宽度预测中,RBF神经网络比BP神经网络的训练速度更快,效率更高,具有更加广阔的应用前景。     

贵州兴旺煤矿开采地表塌陷预测方法探讨

以贵州六枝特区兴旺煤矿地表塌陷为例,采用概率积分法作为地表移动及变形预测的模式,选取下沉系数、主要影响角、主要影响半径和水平移动系数为地表移动参数,计算得出井田开采后地表最大下沉值为1425．3mm,影响面积约1．85km^2。并比较说明除移动参数外各类煤柱的留设也是其中需要考虑的因素。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。     

软土盾构施工地表变形的小样本进化神经网络预测

上海地区软土具有高压缩性和易塑流等特性,在盾构机的挤压和不当施工扰动下将会引起较大的土层移动和地表隆陷。以盾构施工实测位移资料为学习样本,通过遗传算法搜索具有最优预测效果的神经网络结构及学习参数。利用获得的进化神经网络在小样本训练情况下建立模型,对下一步施工的地表变形进行合理的预测。对上海市某盾构隧道的施工地表变形预测表明该模型可获得较高预测精度。     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

基于GA-SVM的矿井涌水量预测

矿井涌水量的准确预测对预防矿山透水事故的发生至关重要,提出利用GA优化的SVM模型（GA-SVM）来实现矿井涌水量的短期准确预测。该方法利用GA的自动寻优功能寻找SVM的最佳参数,提高了预测的准确率。首先,利用微熵率法求矿井涌水量时间序列的最佳嵌入维数和延迟时间,进行相空间重构。其次,采集义煤集团千秋煤矿2011—2015年实际涌水量的时间序列,利用GA-SVM模型对最后12组数据进行预测,其预测平均绝对百分比误差仅为0.92%,最大相对误差为2.62%。最后,与PSO-SVM和BP神经网络预测进行对比,结果表明GA-SVM优化模型适用于矿井涌水量的预测并且预测精度较高。