基于VMD-BiLSTM组合模型的矿井涌水量时间序列预测方法研究

矿井涌水量的精准预测对确保煤矿安全生产和保护地下水环境具有重要作用。为提高矿井涌水量时间序列预测精度,构建了一种基于变分模态分解（VMD）与引入贝叶斯算法优化双向长短期记忆网络（BiLSTM）的矿井涌水量组合预测模型。首先,利用VMD将矿井涌水量时序数据分解为多个子序列,然后将分解所得各子序列分别输入到BiLSTM模型中,引入贝叶斯算法优化各模型的超参数,最后,将各子序列的预测结果进行叠加求和得到最终预测值,并与其他模型的预测结果进行对比分析。结果表明,本模型在单步预测中优势较为明显,在多步预测中的表现也相当不俗,预测精度可以达到生产需求,验证了该模型在矿井涌水量时序预测方面的有效性和适用性。     

基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

相空间重构理论在边坡失稳预测中的应用

对边坡位移值的时间序列利用相空间重构理论建立预测模型,预测出边坡失稳的时间,给出了一种预测边坡失稳的新思路,并探讨了嵌入维数的确定方法。     

基于IHPO-KELM的冷轧带钢板形模式识别

针对目前板形识别方法存在的识别精度低、速度慢等问题，提出了一种改进猎食者算法优化核极限学习机(IHPO-KELM)的冷轧带钢板形识别模型。首先，为减少网络中初始参数的数量、提高板形识别的精度与速度，采用了核极限学习机(KELM)网络；其次，为提高猎食者(HPO)算法的精度，利用基于Sine混沌映射初始化猎食者算法的种群，并针对HPO在迭代过程中易陷入局部早熟的问题，在改进的线性组合位置更新公式中加入莱维飞行机制；然后利用改进猎食者算法对核极限学习机网络识别模型的正则化系数和核参数进行优化，提高板形识别的精度；最后，通过Matlab仿真验证了IHPO-KELM算法具有网络结构简单、收敛速度快、识别精度高等优点。采用IHPO-KELM算法对某公司900HC可逆冷轧机实测数据进行识别，其识别精度比麻雀算法优化KELM(SSA-KELM)识别模型提高了58.8%,表明IHPO-KELM识别模型具有良好的泛化能力，为板形缺陷的高效智能识别提供了新思路。     

工作面多变量瓦斯体积分数时间序列预测模型

为了有效分析煤矿瓦斯监测数据以实现较准确的工作面瓦斯体积分数预测,基于贝叶斯网络方法、混沌相空间重构技术与高斯过程回归模型,研究了瓦斯体积分数时间序列分析与预测的方法.应用贝叶斯网络方法提取与工作面瓦斯体积分数时间序列有较强关联特征的样本数据集,构建了多变量瓦斯体积分数时间序列预测模型;采用混沌相空间重构技术来实现多变量瓦斯体积分数时间序列样本空间重构;应用高斯过程回归模型进行工作面多变量瓦斯体积分数预测,以预测值及其置信区间来表达对工作面未来瓦斯体积分数动态变化的预测.实例分析表明:应用该方法得到的预测结果,其预测精度较单变量瓦斯体积分数时间序列预测有较大提升,并且预测区间在相同置信水平下达到了最优,能够较好的反映工作面瓦斯体积分数的动态变化状况.     

基于WT与GALSSVM的瓦斯涌出量预测

为了准确预测工作面瓦斯涌出量,加强煤矿安全生产,基于小波变换(WT)和进化最小二乘支持向量机(GALSSVM),建立了瓦斯涌出量的新型预测模型.首先,通过小波分解将瓦斯涌出量时间序列分解成具有不同频率特征的信号;然后利用互信息法和伪近邻法得到的时间延迟和嵌入维数对各信号进行相空间重构;之后根据各个相空间的特点建立相应的GALSSVM预测模型;最后把各信号的预测结果进行小波重构,作为最终的瓦斯涌出量的预测结果.以晋城市成庄矿2315综放工作面瓦斯涌出量为例,进行了预测研究.实例表明,该方法具有很高的预测精度和较强的泛化能力.     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

边坡位移预测中的相空间重构技术综述

边坡位移时间序列是边坡失稳预测中一个重要的参数,本文采用相空间重构技术的混沌时间序列分析法,对其进行了分析,并对时滞系数和嵌入维数等关键参数的确定方法进行了论述。研究表明,这是一种有较好前途的研究方法。     

改进的瓦斯突出预测模型

针对瓦斯突出时间序列的非平稳特性,提出了一种基于经验模态分解和极限学习机的瓦斯突出预测模型。以某矿井工作面实际采集的瓦斯浓度为例,仿真结果表明EMD-ELM模型在训练速度和预测精度上优于ELM和最小二乘支持向量机模型。     

基于CT-GRNN模型的采场顶板位移预测

将混沌学理论与广义神经网络相结合构建了基于CT-GRNN的采场顶板位移预测模型。首先应用Matlab混沌工具箱, 对顶板位移数据进行混沌判别, 得出顶板位移数据混沌时间序列的特点, 进而对顶板位移数据进行相空间重构, 最后采用广义回归神经网络对采场顶板位移进行预测。以新桥矿E15、E27采场顶板位移预测为例, CT-GRNN模型的预测误差分别为2.1%和2.6%, 相比传统BP神经网络预测（预测误差分别为5.7%和4.8%）, 精度得到大幅度提高, 可作为采场顶板位移预测的一种新手段。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

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。     

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。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。     

基于EMD和LS-SVM的复合地基沉降预测

针对复合地基沉降量时间序列呈现出的非线性、非平稳、多尺度的特点,提出了一种结合经验模式分解(EMD)和最小二乘支持向量机(LS-SVM)的复合地基沉降量预测模型。通过EMD分解,将原始观测数据沉降量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,应用LS-SVM对各IMF分量分别进行预测,然后再组合得到复合地基沉降数据的预测结果。结合工程实例进行了实际应用,该方法不仅能够获得较高的预测精度,还能够反映原始沉降量数据的突变性,表明此方法具有推广价值。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于叠加马尔科夫链的边坡位移预测研究

针对边坡监测数据的时效性问题,运用叠加马尔科夫链对边坡位移增量进行预测,选取符合马尔科夫链数据要求的位移增量作为预测依据,采用均值-方差法将数据划分为3个状态分级数据区间,并对2019年11月1日至2019年12月30日的60个数据进行分级,得到了不同步长的转移矩阵和均值向量,预测了2019年12月31日、2020年1月1日和2020年1月2日的位移增量分别为2.88、2.84和2.73,预测精度可达到97.3%、89.08%和89.75%,预测精度高、效果好,为边坡位移监测数据发挥预警作用提供了案例支撑,对处理矿山边坡监测数据具有参考意义。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足，提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题，先利用网格搜索法粗略寻优确定参数范围，然后利用粒子群二次寻优。利用该模型对边坡实例预测，39个实例样本中，30个为训练样本，剩下9个作为预测样本，以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入，边坡稳定性状态作为输出，预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明，GS-PSO-SVM模型分类准确率100%，有更好地预测精度和更高的预测效率，该模型能有效的对边坡稳定性状态预测。