固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

似膏体充填料浆质量神经网络辩识

似膏体充填是一种新的胶结充填模式。料浆的质量至关重要。为了保证似膏体充填料浆的质量，本文提出了用BP神经网络对其进行辨识，通过辨识初步建立了似膏体充填料浆质量的隐式模型，该模型具有较强的拟合功能和预测能力，为优化似膏体充填料浆质量提供了理论支撑。     

磷石膏充填体强度GA-BP神经网络预测模型

在测试磷石膏充填材料物理化学性能的基础上, 测定了不同配比充填体的强度, 用分形理论揭示了磷石膏充填体强度特征。研究表明, 磷石膏充填体强度与水泥含量、料浆浓度、粒径分形维数、孔隙分形维数及分维数相关率相关。根据充填体强度影响因素, 建立了磷石膏加粉煤灰作为充填料的充填体强度预测的BP神经网络模型。同时利用遗传算法优化BP神经网络的学习过程, 验算结果显示, GA-BP神经网络模型预测误差在4%以内, 具有较高的预测精度。     

神经网络在膏体充填质量模型中的应用

煤矿膏体充填质量受多因素影响,且具有非线性特性,用数理统计的方法直接建立充填质量模型很困难。为了减少试验次数、降低试验费用,通过神经网络建立的膏体材料充填质量模型明显优于传统的回归分析法,利用膏体充填材料塌落度与主要影响因素浓度、胶结料用量、细集料用量的关系模型,可以有效预测膏体充填材料的塌落度。     

基于均匀试验的矿山充填料浆配比优化研究

以胶结充填体单轴抗压强度和料浆扩散度为试验目标函数,以充填料浆质量浓度和砂灰比为配比参数,建立基于均匀试验的矿山充填料浆配比优化模型,并揭示配比参数对充填料浆及胶结体性能的影响。根据试验因素和水平,选取均匀设计表,按均匀试验设计方法设计了12组抗压强度和扩散度试验,利用均匀设计软件回归分析了胶结充填体强度和料浆扩散度与各参数之间的关系。结果表明:均匀试验数据与回归方程计算结果基本一致,试验方法可信度高;该充填料浆最佳参数为:料浆质量浓度x1=72%,砂灰比x2=4,此时胶结充填体强度最大且充填料浆具有良好的流动性,与试验结果一致。综上所述,均匀试验设计方法为充填料浆配比优化研究提供了一种新的有效途径。     

基于响应面法的废石-铜渣掺和比充填强度影响试验

充填料浆配比与强度在矿山准确充填过程中起决定性作用，运用两种骨料堆积密实度模型分析废石-铜渣混合比例以得出混合骨料最佳掺和比，采用BBD响应面法，对废石-铜渣进行膏体配比设计，建立了各龄期的充填体强度回归模型，研究了料浆质量浓度、水泥添加量、废石-铜渣掺和比单因素及其交互作用对不同龄期充填体强度的影响。结果表明：料浆质量浓度和废石-铜渣掺和比的交互作用对充填体强度初期形成起支撑作用，水泥添加量和废石-铜渣掺和比交互作用对中期充填体强度影响显著，料浆质量浓度和水泥添加量交互作用对后期充填体强度增长起决定性作用。建立充填物料多目标函数模型对废石-铜渣膏体配比进行优化，满足矿山生产要求。在一定程度上为矿山多元骨料的应用提供了理论指导，同时有助于矿冶固废铜渣的综合利用。     

膏体充填材料配比的神经网络预测研究

充填材料配比的预测与设计在膏体充填工程中具有十分重要的意义,充填材料的配比预测是一个典型的多变量、非线性系统.为了准确可靠的掌握充填材料的强度,在综合分析充填材料质量影响因素的基础上,采用粒子群算法来优化改进的BP神经网络技术建立了充填材料质量的预测模型.并用基于正交试验获得的充填材料试验数据作为学习训练和测试样本,对模型预测结果和实际值进行对比分析.研究结果表明,用人工神经网络方法预测充填材料配比是科学、可行的,为煤矿膏体充填开采的充填材料配比预测和评价探索出了一种新的方法.     

基于 L管实验的全尾砂膏体流变特性研究

膏体的流变特性是影响膏体管道输送的重要因素。为获取膏体充填料浆真实的输送流变特性，利用 L 管实验装置，基于宾汉塑性模型获得膏体料浆的屈服应力及塑性粘度，得到不同料浆浓度和灰砂比条件下的管道输送阻力和充填倍线。结果表明：料浆浓度和灰砂比的上升都会导致剪切应力的增加，充填倍线的降低，其中，料浆浓度是影响充填体流动特性的最关键因素，而灰砂比是影响膏体强度的关键因素，但是膏体浓度的影响也不能忽视。根据 L 管和强度特性实验结果以及一二步骤采场的强度和输送需求，分别推荐了采场最佳膏体配比。     

膏体充填料浆管道自流输送分析及管线布置

自流充填具有充填效率高、工艺流程简单等优势,但膏体充填料浆由于浓度高,管道输送阻力大,易发生堵管等输送风险,因此,膏体充填料浆自流充填难度大。为了使膏体充填料浆实现安全可靠的自流充填,简化充填工艺流程,节约充填成本,本文以探究膏体料浆自流充填的可行性、确定膏体充填料浆自流充填条件为研究目标,通过试验确定合理的充填工艺参数,从而制备了均质性较好的膏体充填料浆,计算了膏体充填料浆在管道输送中的阻力,论证了膏体充填料浆自流输送的可行性,确定了膏体自流充填最大允许倍线。并根据膏体充填料浆的基本参数,结合膏体料浆管道输送的特性及井下实际生产情况,优化了充填管道布置。经生产实践验证,膏体充填料浆的自流充填能力由原先的50m~3/h提高到了110m~3/h,且生产运行过程中,膏体充填料浆管道输送系统稳定可靠,料浆管道输送流畅,能够满足膏体充填料浆自流输送需求,极大提高了充填效率,简化了充填工艺流程。     

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度，利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验，以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数，充填体动态抗压强度作为输出参数，建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型，并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。研究结果表明：CSSA-BPNN模型的平均相对误差为4.11％，预测值与实测值之间拟合的相关系数均在0.96以上，模型预测精度高。CSSA-BPNN模型的均方根误差为0.3950 MPa，平均绝对误差为0.3592 MPa，决定系数为0.9952，均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测，可大幅减小物理实验量，为矿山胶结充填体的强度设计提供了一种新方法。     

生物氧化冶金预处理过程氧化率的软测量模型

针对生物氧化预处理过程中的矿物氧化率不能直接测量的问题,提出一种基于遗传算法和BP神经网络相结合的软测量方法。该方法在对生物氧化预处理过程影响因素分析的基础上,选取温度、pH值、进风量和氧化还原电位(ORP)作为辅助变量,氧化率作为主导变量,利用遗传算法对BP神经网络进行优化,然后采用BP神经网络算法实现对氧化率的预测。为了突出表现GA-BP模型的准确性,与PSO-BP的软测量模型进行了对比。结果表明,基于GA-BP的软测量方法更利于实现氧化率的精确预测,有助于对氧化率的优化控制提供指导。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于测井参数的煤系烃源岩总有机碳含量预测模型

复杂沉积环境下,烃源岩物性差异较大。经相关性分析揭示了煤系烃源岩TOC含量与各测井参数间存在相关性差异较大、各测井参数间含有互相关关系的特点。采用平均影响值(MIV)方法对测井参数进行筛选,筛选后的测井参数进入最终的BP神经网络建模,从而有效地规避了测井信息间的非相互独立性导致的模型预测误差增大及建模时间增加。依据研究区实验分析的TOC含量数据,分别建立适用于煤系烃源岩的Δlog R,BP神经网络和遗传算法(GA)优化的BP神经网络TOC含量预测模型。对模型试算分析,结果表明:GA改进后的BP神经网络模型预测效果最好,稳定性强,受烃源岩非均质性影响程度小,可以精细地反映煤系烃源岩TOC含量的细微变化。     

基于范数优化超限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

充填体强度的支持向量机设计匹配模型

充填体强度设计的预测受到多种高维度、非线性、随机性因素的影响。为改善当前充填体强度设计预测效果不佳的现状,使用支持向量机（SVM）方法在matlab软件中借助LibSVM工具箱建立充填体强度设计匹配模型。分析并筛选出8个主要因素作为条件属性,充填体强度作为决策属性,并挑选出72组训练样本和6组校验样本。模型选择径向基函数（RBF）为核函数,采用网格搜索法对参数寻优,再通过交叉验证检验最优参数组合。结果表明：SVM匹配模型做出的回归预测平均误差为1.94%,校验预测平均误差为2.23%,相对于BP神经网络模型,预测准确度更高。在保证采场稳定性的前提下,SVM匹配模型更为有效地减少水泥消耗、降低充填成本,提高企业经济效益。     

遗传神经网络模型在地下水质量评价中的应用

设计了用遗传算法训练神经网络权重的新方法,并应用该方法建立了地下水质量评价的GA-BP神经网络模型,对阜新新邱露天煤矿地下水水质进行了评价。研究结果表明遗传算法具有快速学习网络权重和全局搜索的能力,有效地解决了BP算法的局部收敛的问题。应用该方法环境质量评价简便可靠,预测精度高,具有通用性和客观性等优点。