基于水平集方法和U-Net网络的地震初至拾取技术

针对使用U-Net网络拾取地震初至存在的拾取结果不连续等问题,提出了一种融合水平集方法的U-Net网络结构模型。首先基于U-Net网络提取地震图像特征图,逐像素计算损失,然后应用水平集方法对特征图计算水平集损失,最后将两者的加权和作为最终的损失函数。改进后的网络模型采用水平集方法保证了地震道之间初至的连续性,同时保留了U-Net网络“端到端”精细化分类的能力;采用Focal Loss损失函数缓解地震数据样本类别不均衡问题;在训练过程采用混合模拟数据和实际数据的方法克服训练集数据不足问题。经正演模拟和实际地震资料测试结果表明,该网络模型不仅精确度较高,而且较好地适应在低信噪比环境下地震信号的初至拾取。     

基于Allen算法微震信号P波初至及其自适应识别

微震监测工程尺度是指监测范围在几米到几百米之间,该尺度下将Allen算法引入到微震领域时需调整该算法参数,以达到最佳拾取效果,从而提高微震定位精度。为此,提出一种基于Allen算法的微震信号P波初至及其自适应识别的方法:首先依据信噪比建立微震信号拾取信息数据库,再结合粒子群算法和拾取评价模型自动选取Allen关键参数;并建立了拾取过程中参数动态反馈修正机制,依靠拾取实例不断扩充和更新数据库Allen算法参数。研究结果表明:该方法能针对不同信号自适应选取微震信号Allen算法最优参数,能克服人工统计的耗时低效,更为准确的从实时监测数据中拾取微震信号及其P波初至,提高微震监测定位精度和数据处理效率,为岩爆、矿震等地质灾害的及时预报提供可靠的数据支持。     

基于深度学习方法的矿山微震信号分类识别研究

为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件的微震信号的时域特征,VGG4-CNN深度学习网络模型实现了对3 835组矿山微震信号数据进行监督学习训练和分类识别应用。研究结果表明:本文构建的VGG4-CNN神经网络识别精度高达94 %,在采用该模型时不需要对原有波形信号进行去噪且鲁棒性强于现存其他模型,可在中等层次GPU上实现,满足工程需要。     

电火花线切割工艺模型优化与加工参数优选的研究

针对高速走丝电火花线切割加工中的电参数选择问题,将加工电参数和工艺指标参数分别作为神经网络的输入和输出,利用神经网络建立电火花线切割工艺模型,使用遗传算法对神经网络模型的权值和阈值进行优化,以加快网络的训练速度和避免网络陷入局部最小值。结合训练好的工艺模型,利用遗传算法以神经网络的误差传递函数作为适应度函数,对电火花线切割加工参数进行多目标优化,以达到对加工参数的优化选取。     

基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明：滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛...     

基于迁移学习的煤岩壳质组显微组分识别模型

为了提高煤岩壳质组显微组分的识别准确率,避免分类器构建中特征提取阶段的人工干预,采用深度学习的方法实现煤岩壳质组显微组分类别的自动识别。由于煤岩壳质组样本数有限,采用传统的卷积神经网络构建分类器对其识别容易产生过拟合,泛化能力较差。为解决该问题,提出了一种基于迁移学习的煤岩壳质组显微组分识别模型(分类器)。该模型在传统的卷积神经网络模型基础上,通过迁移学习共享预训练网络模型中卷积层和池化层的权值系数,并结合煤岩壳质组显微图像样本,优化网络模型结构和全连接层参数,进而构建适合于煤岩壳质组显微组分识别的深度学习网络模型。试验结果表明:与由传统神经网络直接构成的深度学习模型相比,本文构建的基于迁移学习的煤岩壳质组识别模型性能和效果均明显提高,尤其是以VGG16作为预训练模型构建的分类器在本文数据集上性能表现最优,其对测试样本识别准确率可达98.10%;由于模型的训练参数减少,模型的训练时间明显缩短,且在较短的训练周期内达到收敛且训练集的识别准确率保持稳定,表明了以VGG16作为预训练模型的分类器在煤岩壳质组识别中具备较好的性能。     

基于人工神经网络的三维矿床模型

基于钻孔勘探数据，设计并建立了矿床模型的BP神经网络模型，用煤层的底板数据对神经网络进行训练，用训练好的网络对煤层的底板进行模拟，建立矿床的神经网络模型.通过某矿的实际数据，实现了利用神经网络方法建立三维矿床模型，并对矿床模型进行了三维显示.结果表明，矿床模型三维显示精度较高，已经在矿山生产中得到实际应用.     

基于模块化神经网络的地表移动边界角预计

地表移动边界角是确定地表移动盆地的重要参数。利用粗糙集理论对边界角影响因素进行筛选,结合模块化神经网络建立边界角的预计模型。收集了116个地表移动观测站的数据,并将15个影响因素约简到9个,利用其中的100组数据对网络进行训练,其余16组数据作为检验样本。结果表明,利用粗糙集理论约简后的因素建立的模块化神经网络模型精度最高。     

基于GA-BP神经网络的概率积分法预计参数研究

针对BP神经网络的不足,为提高概率积分法预计开采沉陷的准确性,采用遗传算法(GA)优化BP神经网络,建立了一种基于GA-BP神经网络的概率积分法参数预计模型。将多组地表观测站实测数据分为训练样本和检验样本,以工作面的7个地质采矿条件参数为输入集,5个概率积分法预计参数为输出集,通过GA优化的BP神经网络机器学习方法对训练样本进行训练,利用训练模型预计检验样本的概率积分法参数,并与观测站实测数据进行了对比分析。研究表明:对于不同地质采矿条件下的概率积分法参数进行预计时,GA-BP模型明显优于BP神经网络和偏最小二乘模型,平均相对误差最大为8.64%,预计精度可靠性较高。     

基于BP神经网络的自适应噪声消除技术的研究

介绍了自适应滤波的原理,阐明如何利用BP网络实现自适应数字滤波的算法和关键技术,建立了1-4-1结构的神经网络,并详细说明了网络的创建、训练与仿真方法,针对该系统建立了基于Simulink的仿真模型。仿真实验结果表明,基于BP神经网络的自适应滤波器不需要关于输入信号和噪声的先验知识,非线性映射能力强,具有自学习能力,能有效地消除噪声,提高了信噪比。     

基于BP神经网络的水泥搅拌桩有效桩长的研究

鉴于目前确定有效桩长方法的缺陷，通过影响桩长的6个因素的假设数据对网络进行训练，并通过实际参数数据进行检验，结果与实际情况符合，神经网络具有自适应、自学习和对非线性系统超强的分析能力。利用BP神经网络模型对桩长的级别进行分类具有方便、准确、能够从定性的角度快速检测桩是否过长等特点。     

低信噪比微震P波震相初至自动拾取方法

针对微震信号固有的低信噪比、非平稳性、随机性等特征,发展了一种基于希尔伯特-黄变换(HHT)和AIC准则相结合的震相初至自动拾取方法,该方法首先对含噪信号进行经验模态分解(EMD)及内蕴模态函数(IMF)重构,在保留微震信号固有特征基础上实现降噪;其次,基于Hilbert变换计算出归一化包络信号,通过设置包络阈值搜索震相初至的大致位置,并以该位置为基础为AIC函数选择合适的计算时窗以降低计算复杂度;最后,在选择的时窗内应用AIC准则计算出P波震相初至。应用该方法对随机选取的高、低信噪比两类共80个微震信号进行震相初至拾取,若以人工拾取结果为基准、时差在10 ms以内视为准确拾取,结果显示,高信噪比信号拾取准确率为100%,低信噪比信号拾取准确率为92%。     

基于图像深度特征学习的矿山井筒设施隐患检测方法研究

针对人工完成矿山井筒设施检测时面临成本高和安全威胁等问题，提出利用采集的井筒设施监控视频图像，采用基于图像深度特征学习的矿山井筒设施隐患检测方法对井筒设施进行隐患检测。构建包含大量正常设施图像和少量隐患图像的数据集；同时构建包含特征提取网络和分类网络的并行神经网络作为训练网络，在正常图像集、外部图像集和少量隐患图像数据集上，设计联合损失函数对网络进行训练；通过聚类策略选择具有代表性的正常图像深度特征作为特征模板，通过模板匹配实现隐患图像检测。试验结果表明，在构建的矿山井筒井架设施图像数据集上，所提算法训练的特征提取模型能有效提高图像特征的表达能力，模型的隐患检测精度可达到92%以上，为利用矿山井筒设施图像进行矿山井筒的隐患检测提供了新思路。     

基于小波包-神经网络混合算法的瞬变电磁信号降噪研究

针对瞬变电磁信号容易受到电磁干扰的影响，使得数据信噪比降低，衰减曲线失真，而单一的滤波方法存在易丢失地质信息、圆滑过度等缺点，因而较难获得高精度成像结果的问题。提出基于小波包变换-BP神经网络的混合算法，利用小波包变换对信号的能量特征提取能力、分解重构能力和BP神经网络的学习和反馈能力，对瞬变电磁信号进行滤波处理。利用傅里叶变换获得瞬变电磁信号的频域特征，将受干扰信号和未受干扰信号对比，得到两者差异；利用3层小波包分解获得第3层节点能量占比，提取重构信号特征，对瞬变电磁信号进行初步的分解重构；调用训练好的神经网络模型对重构信号进行特征训练，获得最终的瞬变电磁信号。经小保当矿业有限公司二号煤矿实测数据研究表明：混合算法相比常用的S-G滤波、均值滤波等，实用性更强、准确率更高，滤波时保留了真实的地质信息，增强了资料解释的精度，应用效果较好，为资料处理过程提供了强有力的技术支持。     

基于神经网络的提升机主轴轴承磨损工况预测方法的研究

介绍了RBF神经网络的模型结构及其功能特点。根据提升机主轴轴承的磨损烈度监测历史数据,在MatLab环境下创建了RBF神经网络模型,设定各种参数后训练网络。利用训练好的网络实现对下一时刻提升机主轴轴承的磨损参数的预测,根据参数预测结果即可预判提升机下一时刻的工况。通过工程实例验证了该方法的可行性,结果显示本预测方法具有较高的精度和准确性。     

微震P波到时拾取的PAI-k-MFV算法改进及应用

为了充分发挥PAI-k-MFV算法参数自适应的优势,同时提高P波到时正确拾取率和拾取精度,通过引入STA/LTA算法和改进MFV准则,对PAI-k-MFV算法进行改进。首先,根据预先设置的时窗长度和置信概率的取值范围及步长,采用PAI-k算法拾取得到一组P波到时集;然后,运用STA/LTA算法初步计算P波到时区间,并将到时集中不在该区间内的到时元素剔除,得到更新后的到时集;最后,在新到时集的基础上,根据改进的最大频遇值(MMFV)准则最终确定P波到时。改进算法继承了PAI-k-MFV算法的参数自适应优点,无需人为调整太多参数,同时能够有效克服原MFV准则容易失效和拾取点滞后真实到时点等问题。对比其他算法,改进算法在拾取背景噪声段有强噪声的微震信号和弱微震信号P波到时具有明显优势。利用改进算法和PAI-k-MFV算法拾取冬瓜山铜矿115个实测低信噪比微震信号的P波到时,以人工拾取结果为参考标准,误差在5ms以内(对应30个采样点)视为正确拾取,结果显示:改进算法正确拾取率为96.52%,正确拾取的到时误差绝对值均值为1.1 ms,标准差为1.0 ms;较PAI-k-MFV算法,正确拾取率和拾取精度都大幅度提高。     

基于径向基网络的混凝土碳化深度预测

为了精确的预测混凝土的碳化深度,利用径向基网络良好的非线性逼近计算能力,建立了具有3个隐含层的混凝土碳化深度神经网络,通过对该神经网络的训练预测既有钢筋混凝土结构的碳化深度,结果表明:径向基网络的预测值完全满足精度要求,该方法可以应用于既有结构的混凝土碳化深度预测。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

基于深度学习的煤质组分测井解释方法

为了解决目前煤质组分的测井定量解释中存在的各种问题,引入了深度学习的方法,利用具备实验室分析结果的测井数据建立煤质组分含量的深度信念网络,通过实验,探索网络参数对计算结果的影响。结果表明,在深度信念网络中,限制波尔兹曼机层数的选取需要兼顾计算精度和速度,隐含层神经元个数需要兼顾计算精度和稳定性,激活函数以Re LU函数为最佳。     

基于人工神经网络技术的矿用带式输送机滚动轴承故障诊断

研究了人工神经网络的原理、结构和学习算法,并将该网络应用于带式输送机滚动轴承的故障诊断中。采集不同类型的滚动轴承故障信号,并对信号进行预处理。利用神经网络进行训练,当训练误差满足设定要求时,训练完成。利用训练成熟的神经网络对滚动轴承进行故障诊断。实验结果表明神经网络技术可以快速、准确地诊断出带式输送机滚动轴承的故障类型。