抗差卡尔曼滤波在矿山建筑物变形监测数据处理中的应用

针对经典监测数据处理模型无法抵抗测量粗差的缺点,将稳健估计和卡尔曼滤波相结合,提出将抗差卡尔曼滤波模型应用到矿山建筑物变形监测数据处理中,并对矿山工程实例进行了模拟计算,结果表明抗差卡尔曼滤波模型能有效地抵抗粗差,提高数据处理结果的可靠性。     

神经网络在宝日希勒露天煤矿边坡变形预测中的应用

随着宝日希勒露天矿开挖深度的增大,边坡变形的预测与控制己成为露天矿安全生产的关键问题之一。由于边坡变形预测是一个复杂的非线性问题,而传统的边坡变形预测理论计算法和实测数据分析法都不同程度存在着局限性,通过深入分析人工神经网络的结构、参数特征及学习算法,建立了边坡变形预测的人工神经网络BP模型。利用所建立的模型对边坡变形进行了预测,预测结果与实际监测数据非常接近。说明采用人工神经网络BP模型进行边坡变形预测是可行且有效的,可推广应用于工程实践中。     

GM(1,1)模型在边坡变形监测中的应用研究

随着水电资源的不断开发,科学、准确地对电站周围的边坡变形监测和预测显得尤为重要。该文选择云南某已建水电站边坡作为研究对象,将边坡作为灰色系统,利用GM(1,1)模型作为预测模型,对前期监测数据序列,求得灰参数后,建立预测模型,得到预测结果。对比预测结果与实测结果,评价预测精度,并对变形发展趋势进行评估,得出结论:GM(1,1)预测模型能够满足边坡变形监测的要求,具有较好的预测精度,可以在边坡变形监测工程中广泛应用。     

滑坡灰色预测与实例分析

边坡稳定与否是露天矿山安全生产的关键问题之一。本文应用灰色理论方法,建立了灰色预测模型,并以变形实测资料为基础,回归求出相关参数,并对边坡预测模型的误差进行了拟合分析,其拟合精度非常高;然后对后续变形进行了预测,预测结果表明,随着露天开采的继续,边坡变形会持续增大,由此将对边坡安全产生严重的影响,因此,需要对边坡稳定采区控制措施,同时强化预警体系建设,以便确保安全生产。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

降雨和库水位影响下水库边坡变形的RBF神经网络预测

在总结前人研究成果的基础上,对影响水库边坡变形的主要因素进行分析,指出降雨和库水位是影响水库边坡变形的两个主要因素。通过未考虑和考虑降雨及库水位条件下的水库边坡RBF神经网络模型预测结果对比,指出考虑降雨和库水位的水库边坡预测模型由于能够刻画边坡变形的实质,因此能够很好的对边坡变形进行预测,在边坡变形预测方面具有良好地应用前景。     

基于中位数回归分析的矿区变形监测数据处理

经典的一元和多元线性回归模型多采用最小二乘方法进行参数解算,但最小二乘估计无抗差能力,遇到异常值干扰易导致参数估值出现偏差。为提高回归分析方法的抗差性,将中位数引入回归分析方法中,提出了一种基于中位数的回归分析方法。详细分析了回归分析的相关理论以及基于中位数的回归分析方法的基本原理;以淮北某矿区建筑物的实际变形监测数据为例,分别对变形监测数据进行了最小二乘回归分析、抗差最小二乘回归分析以及中位数回归分析,并对其拟合及预测效果进行了对比。结果表明：观测量受到粗差污染时,中位数回归分析方法可有效抵抗异常值的影响,拟合效果及预计结果均优于其他2种方法,对于提高矿区变形监测数据的处理精度及效率有一定的参考价值。     

多源异构变形预测模型融合方法在开采沉陷动态预测中的应用

为了克服单一非线性开采沉陷预测模型预测精度不高、可靠性差的缺点,通过对开采沉陷特点的分析和非线性预测模型优缺点的比较,优选了适应性强、性能互补好的AR模型、GM模型、三次指数平滑法模型和卡尔曼滤波模型4种模型,基于模型误差平方和最小的融合准则,构建了适用于开采沉陷动态预测的多源异构变形预测模型,利用实测数据求取了多源异构融合模型下沉、水平移动预测模型权系数,并对模型的预测性能进行了检验。结果表明多源异构融合模型相对于这4种单一模型预测精度高、可靠性好。     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

露天矿最终边坡角的BP神经网络预测及数值模拟验证

利用专家调查表的方式分析露天矿山边坡稳定性的主要影响因素,确定网络模型的输入层神经元。研究BP神经网络的结构和输出方式,对神经网络模型进行优化,并收集大量矿山稳定边坡的相关参数作为样本库,建立神经网络预测模型,将该模型用于某大型深凹露天矿山最终边坡角的预测。根据预测边坡角参数,采用SURPAC—MIDAS—FLAC3D多软件组合的方式,创建逼真的矿山边坡稳定性三维数值计算模型并进行模拟分析,结果表明,模型预测的边坡角满足设计要求。     

基于WTLS的井筒变形监测算法及方案设计

针对基于最小二乘的常规井筒变形监测算法中,系数矩阵往往包含观测值误差影响,难以解算出井筒变形最优解,提出一种抗差加权整体最小二乘算法。该算法通过同时对待求参数和系数矩阵进行估计,克服常规最小二乘系数矩阵受观测值随机误差影响;同时结合IGGⅢ三段权函数抗差因子,调整各观测值权函数,消除观测值粗差对最终变形估计值的影响,得到最优的井筒变形值。最后分别采用模拟和实测井筒数据对算法进行了验证,结果表明:当观测值含有随机误差时,整体最小二乘算法优于最小二乘,但都无法抵御观测粗差影响;抗差加权整体最小二乘算法可以有效抵御观测粗差,修正观测随机误差影响,且精度优于抗差最小二乘;采用抗差加权整体最小二乘算法对实测井筒变形数据进行解算结果与实际相符,可以增强变形监测结果的可靠性,提高井筒变形量精度。     

老采空区残余沉降的集合卡尔曼滤波预测

采用集合卡尔曼滤波方法,结合老采空区残余沉降的非确定性过程,视矿区变形为一个随机动态系统,研究并建立了老采空区残余沉降的集合卡尔曼滤波预测模型,并通过实例将集合卡尔曼滤波预测值和原始实测数据序列做对比分析。结果表明,集合卡尔曼滤波能够在减弱沉降数据中含有的随机噪声干扰的同时进行有效的数值计算,模型预测效果良好,为老采空区残余沉降预测提供了一种新方法。     

稳健统计方法在老采空区沉降数据处理中的应用

老采空区地基沉降和变形监测是沉降研究的可靠方法。基于监测数据进行沉降规律的分析和预测预报,指出了应用最普遍的统计方法即最小二乘回归分析方法存在的问题,应用稳健估计对含有粗差的沉陷数据进行了回归分析,得到了比较好的结果。     

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型（Autoregressive Integrated Moving Average,ARIMA）的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4％、3.050 2％、1.432 6％、1.908 4％,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明：综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。     

土岩滑坡变形成因及地质灾害预测方法研究

由于当前已有方法未能对滑坡变形监测数据进行滤波融合处理，导致预测结果准确性较低。提出一种土岩滑坡变形成因及地质灾害预测方法，对土质滑坡地质情况以及区域概况进行分析，结合前期勘察以及野外地质调查结果，构建滑坡地质概化模型，进一步分析导致土岩发生滑坡变形的主要原因。采用Kalman滤波方法对各个区域的位移监测数据进行滤波融合处理，同时通过EMD信号分解方法以及支持向量机预测方法对滑坡的变形过程进行预测，进而构建地质灾害预测模型，使用模型进行灾害预测。仿真实验结果表明，所提方法可以获取更加精准的地质灾害预测结果。     

自适应Kalman滤波在某大坝形变监测中的应用

结合某大坝实测数据进行分析,对变形监测数据分别采用经典最小二乘平差、标准Kalm an滤波、方差补偿自适应Kalm an滤波3种方法进行处理,并用M atlab软件编制了数据处理程序,对方差补偿自适应Kalm an滤波数据处理结果进行验证。通过比较分析得出,方差补偿自适应Kalm an滤波数据处理结果能较好的满足工程需要。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...     

融合自注意力机制的 Conv-LSTM 边坡位移预测方法

露天矿边坡的稳定性直接影响到矿山的安全生产，边坡位移监测数据是表征边坡变形发展过程的重要参量，通过对监测数据进行分析研究，有助于实现滑坡预警。以河北金隅鼎鑫水泥有限公司某开采中的矿山边坡为例，基于监测点采集的边坡位移数据，建立了基于卷积—长短期记忆网络(Conv-LSTM)的多因素边坡位移预测模型。利用长短期记忆网络（Long Short-term Memory，LSTM）提取位移时间序列中的时序信息，通过卷积层提取位移序列中隐藏的深层特征。针对卷积层对于数据之间内部特征提取不充分的问题，引入自注意力机制(Self-attention Mechanism)充分提取边坡位移数据之间的关系特征。试验结果表明：融合自注意力机制的Conv-LSTM边坡位移预测模型的预测准确率较高，与原始位移序列的相关性较好，能更真实地反映边坡变形规律。