基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

矿井粉尘浓度预测模型的建立及应用研究

为了对矿井粉尘浓度进行准确预测,有效防治矿井粉尘灾害,以某矿粉尘浓度时间序列为基础,提出了差分自回归移动平均预测模型。基于粉尘浓度是非平稳随机数列且ARIMA预测模型可对非平稳数据进行处理的特点,采用SPSS统计分析软件,建立ARIMA粉尘浓度预测模型。首先对粉尘浓度数据进行平稳化处理,根据自相关和偏自相关系数以及BIC准则确定模型参数,初步选定ARIMA(1,2,1)模型,再通过残差自相关和偏自相关函数对模型进行检验,进一步验证了模型的合理性。利用该模型对粉尘浓度进行预测,结果表明:相对误差最大为8.34%,最小为2.40%,相对误差都控制在10%以内,ARIMA模型能够用于矿井粉尘浓度的预测且预测效果较好。     

基于灰色关联分析-GA-BP模型预测煤层瓦斯含量

为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。     

运用随机森林和GA-BP神经网络预测岩石爆破块度

为了更好地预测岩矿石爆破块度,将世界多个矿山的爆破块度统计数据依据弹性模量分成两组,运用随机森林和GA-BP神经网络分别建立爆破数据随机森林分组模型和爆破块度预测模型。以孔间间距与排间间距比、炮孔孔深与排间间距比、排间间距与炮孔直径、炮孔堵塞长度与排间间距比、炸药单耗、原位岩石块度和岩石弹性模量为输入参数,对爆破块度进行预测。结果表明预测结果的相关性系数(R2)、均方根误差(RMSE)和平均相对误差(MRE)均优于多元回归预测模型和BP神经网络预测模型,且优于未分组情况下建立的GA-BP神经网络预测模型,更适合于爆破工程的实际应用,并为多因素影响下的爆破块度预测提供了一种新思路。     

基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测

为提高煤矿回采工作面瓦斯浓度预测精度,考虑瓦斯浓度受历史状态制约,提出长短时记忆神经网络LSTMNN煤矿回采工作面瓦斯浓度动态预测模型。利用山西省某煤矿回采工作面瓦斯浓度实测数据构建该模型学习训练样本,并检验预测效果。研究表明,LSTMNN算法通过遗忘、记忆过程对过去一段时间瓦斯浓度信息进行筛选,克服传统预测方法将输出值独立看待的短板,提高矿井瓦斯浓度预测精确度及可靠性;将LSTMNN算法预测结果与实测值对比,预测模型平均绝对误差、平均相对误差、均方根误差、纳什模型效率指数分别为0.004 319、0.800 6%、0.005 714、0.436 3。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。     

基于灰色关联分析与GA-BP神经网络的拉斗铲生产能力预测

为了解决拉斗铲生产能力的测量问题,本文提出一种基于灰色关联结合GA-BP 神经网 络的预测方法。 对影响拉斗铲生产能力的12个因素进行灰色关联分析,选取实动时间、出动率、 有效抛爆量和有效抛掷率4个灰色关联度大于0.7的影响因素作为输入变量,拉斗铲月生产能 力作为输出变量,建立了GA-BP神经网络和BP 神经网络预测模型。 结果表明,GA-BP 神经网 络最大相对误差为8.786% ,平均相对误差为3.385% ,平均相对误差方差为0.0156,迭代次数 为18次,各项性能均优于常规BP神经网络。 GA-BP神经网络模型对拉斗铲生产能力预测的泛 化性能更好,精度更高,为拉斗铲生产能力的预测提供了一种较为有效的方法。     

基于ARMA-BP变异系数组合模型的矿山沉陷预计

针对单项非线性预测模型预测矿山开采地表沉陷精度低、稳定性差的问题,采用变异系数法组合互补性好的ARMA模型与BP神经网络模型,实验结果:预计值均方根误差为3. 2,平均相对误差0. 11%,结果表明组合模型在精度和稳定性方面具有较大优势。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

基于BP神经网络矿井突水点注浆量的预测

阐述了在突水水压、突水量、封堵过水通道长度、注浆压力4个影响因素下,运用MATLAB并基于BP神经网络构建矿井突水点注浆量预测模型的方法。运用MATLAB软件绘制了相对误差散点图以及预测注浆量值和实际注浆量值前后对比图,平均相对误差值4.4%。将建立的BP神经网络模型应用于煤矿的实际工作面,预测出的结果与实际结果很接近,为煤矿矿井水的防治以及深部区域的采煤安全提供理论指导。     

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。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

基于BP神经网络的拉斗铲生产能力预测

在分析拉斗铲生产能力影响因素的基础上,选取实动时间、炸药单耗和采装周期3个因素作为BP 神经网络的训练参数建立BP神经网络预测模型,并利用MATLAB实现网络的训练和预测。预测结果表明,BP神经网络能够较好地预测拉斗铲的生产能力,预测输出与实际输出之间的相对误差一般小于10%,预测精度达到了工程要求。     

基于BP神经网络模型的充填体强度值预测

在探究充填体强度值大小时为了减少人力、物力的损耗,尝试利用BP神经网络模型对某矿山的四种尾砂材料浇筑的充填体试块进行预测。建立了输入层为8,隐含层为9,输出层为2的BP神经网络模型,并用该模型对某矿山四种不同尾砂材料浇筑的充填体试块进行预测试验。在随机选择的8种试块预测试验结果中,去除误差较大的情况后,充填体27天强度预测平均误差5.8%,充填体60天强度预测平均误差为5%,其中最优预测值与实际偏差值仅为1%。实利了利用BP神经网络模型在不同胶凝材料、不同灰砂比、不同浓度等多个条件下对充填体强度的预测。为其它矿山充填体强度的预测提供一种新的思路。     

基于GA-BP模型的露天矿边坡稳定性预测

针对现有研究方法在预测露天矿边坡稳定性时存在适用性不强和误差大的问题,基于遗传算法对BP神经网络进行改进,提出一种露天矿边坡稳定性预测模型。该模型以坡体容重、黏聚力、内摩擦角、边坡倾角、边坡高度和孔隙压力6个参数为输入变量,以安全系数为输出变量,随后利用该模型对露天矿边坡的实例进行分析,与传统BP神经网络预测模型性能进行比较。研究结果表明:GA-BP模型在进行露天矿边坡稳定性预测时效果好,具有误差小和计算精度高的优点,为准确预测露天矿边坡稳定性提供了一种新的方法。     

锡石多金属硫化矿磨矿技术效率模型预测研究

研究了磨矿时间、磨矿浓度和磨机充填率对锡石多金属硫化矿磨矿技术效率的影响，利用Matlab编程技术建立了粒子群优化算法-BP神经网络磨矿技术效率预测模型并对模型进行了预测验证研究。结果表明，在磨矿时间8 min、磨矿浓度70%、充填率30%时，可获得较好的磨矿技术效率。迭代次数对锡石多金属硫化矿磨矿技术效率模型预测值与试验值误差影响显著; 在合适的迭代次数下，学习因子对模型预测值与试验值误差的影响很小，绝对误差小于±0.01个百分点，相对误差小于±0.04%。迭代次数达到500次后，粒子群优化算法-BP神经网络磨矿技术效率预测模型趋于稳定，模型可靠性高、适应性强。     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

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。     

地下金属矿山采矿成本预测模型

为了解决现代矿山采矿成本的核心构成发生变化、成本管控难度增加等问题，深入剖析了采矿成本的关键影响因素，基于PCA BP神经网络构建了成本预测模型，形成了适用于现代矿山的成本核算方法。针对机械化开采、开采深度增加、工况条件差异所带来的采矿成本变化，分析了现代矿山企业采矿作业成本的构成特点，以此为基础运用作业成本法精细化核算各个采矿作业单元的成本费用。总结成本变化规律发现，采矿成本主要受到采场作业空间大小、温度、深度、运输距离以及工人工作效率、工人工作经验、设备铲运效率、设备服务年限、燃油消耗率、油料消耗率10个关键因素影响，在采用主成分分析法对影响因素进行降维后，提取主成分作为成本预测变量，运用PCA BP神经网络构建了成本预测模型。采用山东某地下金属矿山的成本数据对该模型进行了训练和验证，预测值与实际值的平均相对误差为3.80%。研究表明：所建模型的预测结果可靠、精度满足要求，可以为现代矿山企业作业成本控制、成本计划制定提供依据。