矿区边坡变形预测的IGM-LSSVM模型

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型（gray model,GM）仅适用于分析指数型变形序列,且最小二乘支持向量机（least squares support vector machine,LSSVM）在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型（IGM-LSSVM）。将几何平均生成变换引入GM（1,1）模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法（artificial bee colnony,ABC）在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法（adaptive metropolis artificial bee colnony,AMABC）;利用AMABC算法优化的LSSVM训练GM（1,1）模型得到的预测残差值补偿GM（1,1）模型,得到最终预测值。某矿区边坡变形预测表明：AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM（1,1）、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223%,9.565％、3.200％,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值。     

基于改进灰色系统模型的滑坡变形预测

结合茅坪滑坡实测位移数据建立预测模型,通过与传统模型对比,分析了传统灰色预测模型的不足,运用数值积分和最小二乘法分别对背景值和初始值进行修正,改进后的模型预测更加有效。     

基于灰色模型的露天矿边坡变形预测分析及应用

变形监测是保障矿山边坡安全施工和管理的重要手段,分析及预测边坡的变化趋势具有重要的理论价值和现实意义。文中以广州越堡露天矿边坡为研究对象,依据所获得的监测点的有效监测数据,运用灰色理论方法构建预测模型对其进行分析及预测,研究结果表明:模型拟合结果最大相对误差为17%,最小为0,平均相对误差为7%左右,其精度达到二级(合格),具有良好的适用性和可信度,可以为越堡露天矿边坡稳定性分析及相关领域的研究提供参考。     

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...     

基于PCA-GWO-SVM的矿山边坡变形预测

针对矿山边坡预测模型精度低等问题,提出一种由主成分分析(PCA)、灰狼算法(GWO)和支持向量机(SVM)组合的混合模型(PCA-GWO-SVM)。首先,采用PCA对原始数据进行降维去噪;其次,通过GWO算法优化支持向量机参数;最后,通过SVM实现矿山边坡变形的预测。矿山边坡实例表明PCA-GWO-SVM模型具有更高的预测精度。     

岩质边坡变形失稳预测预报的神经网络模型

以山东省莱州市仓上金矿北帮边坡为研究对象,采用BP神经网络建立了边坡变形失稳时间预测模型,并运用Matlab语言编制了相应的计算机程序,为快速、准确地预测预报边坡稳定性提供了有效手段。     

基于GM(1,1)模型的老鹰嘴边坡位移变形预测

边坡的位移变形反映了边坡所处的稳定性状态,因而有效地预测边坡位移可以作为避灾防灾的依据,从而降低地质灾害造成的经济损失。以四川黄山石灰石矿山老鹰嘴边坡位移监测数据为样本,基于GM(1,1)模型建立了老鹰嘴边坡位移预测模型。研究表明,初始预测模型精度较低,通过残差修正,模型等级从Ⅳ级提升到Ⅱ级及以上,得到的位移预测值与实测值的变化趋势更加相近;模型预测序列长度对预测结果也具有影响,通过模型优化研究,得出模型的最佳序列长度为20。     

基于小波分析的灰色预测法预测边坡变形

通过分析小波理论和灰色模型的各自特征,提出了基于小波分析的灰色预测模型。即先用小波滤波法对监测数据进行去噪处理,之后再建立灰色预测模型进行预测,该方法可有效地提高预测精度。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

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。     

边坡变形预测现状与发展

随着科学技术的不断发展,矿山边坡变形监测技术、处理方法上有了新的发展,尤其在电子技术的迅猛发展,边坡变形预测,由原来单一的岩土力学方法或测量数值分析方法发展到智能人工测量、岩土力学综合预测,预测精度在逐步提高。     

基于支持向量机的露天矿边坡地表变形预测

在充分考虑露天矿边坡地表变形影响因素复杂性的前提下,基于丰富的地表变形监测资料,建立了露天矿边坡地表变形预测的支持向量机（SVM）模型,并采用遗传算法对核函数和惩罚因子进行确定.将该模型应用于抚顺露天矿边坡地表变形的预测,预测结果最大误差为3.014 cm,表明该模型是定量预测露天矿边坡坡肩地表变形量的一种有效方法.     

基于多因素位移时序PSO-SVM的边坡变形预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。针对位移时间序列未能完全考虑环境因素对边坡变形的影响,故将影响边坡变形的有效降雨量加入监测位移时序,组成多因素位移时间序列。引入粒子群算法(PSO)对支持向量机(SVM)的模型参数寻优,结合滚动预测方法,建立了适合边坡变形预测的多因素位移时间序列PSO-SVM模型。以华光潭一级厂房后边坡表面观测位移为例进行预测分析,研究表明,新模型预测结果科学可靠,有效弥补了传统PSO-SVM后期预测泛化能力的不足,提高了模型的预测精度。新模型在边坡位移时序预测中具有一定的工程应用价值。     

复合型边坡岩体变形的灰色预测

边坡变形与破坏是一个复杂的过程,其影响因素众多、且具有不确定性,一般很难用确定的函数式来预测。在丘陵地区进行人工边坡开挖,地面变形对环境的破坏非常大,从而严重地影响到周边环境安全。应用灰色预测模型对人工开挖边坡与山坡复合体的移动与变形发展趋势进行预测与分析,以便为后续开挖与环境安全服务。     

基于多模型预测结果的变形监测预测研究

实现准确变形预测是变形监测的一个重要目的。在基于多模型预测结果的基础上,进而采用求加权平均值的方法构建综合预测模型,并利用粗糙集理论确定相应预测模型在综合预测模型中的权系数,据此则可得出较为准确的预测结果。     

基于GA-ACO-SVM组合模型边坡位移预测研究

针对目前常用的预测模型存在一定的问题,建立支持向量机预测模型,并将遗传算法与蚁群算法有效结合。用此组合算法对支持向量机模型参数优化。最终将建立的模型与单独两种算法所优化的模型进行精度对比。实例表明,组合算法所优化的预测模型具有更高的精度,具有一定的应用价值。     

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。     

基于对数变换的灰色预测在边坡变形监测中的应用

为了提高边坡变形监测灰色预测的精度,该文利用对数函数对数据列进行变换,研究了数据列的凹凸性对对数变换精度的影响,探讨了变换前后保拐点性问题。通过对后验差比、残差平方和以及相对误差平均值分析,比较了变换前后的精度变化。发现保持拐点不变的条件下应用对数变换,可以大幅度提高预测精度,在对灾害的预报中具有一定的应用价值。     

基于GM(1,1)改进模型在变形预测中的应用研究

传统GM(1,1)模型在工程变形预测中受到众多不确定性因素的影响,会导致预测精度低、残差大。因此,文中对传统GM(1,1)中原始数据、初始值、以及背景值进行改进。最后以某大坝边坡监测点的沉降位移为例,分别用两种模型对该监测点位移进行拟合预测并与实际值比较。结果表明:改进模型精度优于传统模型,预测值更接近真实值,在实际工程中有更好的应用价值。     

基于改进支持向量机的深基坑变形预测

深基坑变形监测与预测是深基坑设计施工中的一个重要的环节,准确地预测深基坑未来的变形,是深基坑变形监测的最终目的。针对传统常用预测方法存在一定的局限性这个问题,结合支持向量机的研究现状,提出将能够有效地解决小样本、非线性、高维数、局部极小等问题的支持向量机模型应用于深基坑变形预测的方法。具体方法是:采用粒子群算法对支持向量机的相关参数进行寻优,得到改进支持向量机预测模型,然后将其预测结果与传统的支持向量机模型、Elman动态神经网络模型预测结果进行比较,最后采用均方误差、平方和误差、平均相对误差对预测效果进行评价。实验结果表明,基于改进支持向量机预测模型用于变形预测是可行的,且能更好地反映深基坑系统的动态非线性特点,具有一定的优越性与工程应用推广价值。