开采沉陷时序预测技术

叙述了时间序列分析的基本理论，分析了矿山开采沉陷观测数据的特点，提出了基于时间序列分析的开采沉陷预计技术，建立了开采沉陷的时序预计模型。用该模型可以对采动地表移动变形进行预测，预测结果分析表明用时间序列分析的方法能够很好的解决开采沉陷的动态预测问题。地表移动变形的相对预测误差在5％左右，与传统的预测方法相比，预测精度可以提高5％－15％，最后还提出了这一预测方法所存在的问题和今后的解决办法。     

相关性的组合预测模型在开采沉陷中的应用

针对当前开采沉陷不同阶段的单点沉陷变形预计精度不高的问题,该文首次从基于相关性的组合预测模型的思想出发,建立了面向沉陷不同阶段的基于相关系数的组合预测模型。实例验证结果表明,基于相关系数的组合预测模型在开采沉陷预测中的应用克服了单一模型的局限性,能够有效利用不同单一模型的信息,有较高的精度和可信度;能够满足不同阶段的开采沉陷预测,更适用于对沉陷变形数据要求高的场合。     

GM(1,1)模型在矿山开采沉陷预计中的应用

矿山开采沉陷预计对预防开采沉陷对地表构筑物的损害及保护地面设施,减少开采沉陷造成的经济损失具有重要意义。矿山开采沉陷受到多方面因素的影响,其过程可视为一个灰色系统。本文将观测时间间隔视为灰色系统的一部分,直接建立等间隔GM(1,1)模型,通过对计算值的改正,最终得到预测值。由后验方差检验结果和预测分析说明该模型应用于矿山开采沉陷量预测中具有可靠性。大量计算证明,在矿山开采前期阶段用该模型预测的矿山开采沉陷量与实际沉降量符合较好,可以用来预测矿山开采沉陷对地表建筑物的损害程度。     

灰色预计模型在煤矿沉陷区沉降预测中的应用

煤矿地表开采沉陷影响生态环境和居民人身的安全。针对沉陷区日常沉降监测中监测点位保存不易,数据获取困难等问题,本文基于数据等时间距化方法,分别运用灰色模型对沉陷区的沉降量进行预计。经实例验证,灰色预计模型能满足工程预计精度要求。     

一种改进的开采沉陷动态下沉模型

针对Knothe时间函数在描述点位动态下沉过程中的不足,该文采用分段函数构建改进的Knothe时间函数。结合煤矿工作面观测站实测数据,建立工作面开采沉陷动态下沉预计模型;并利用概率积分法模型及回归分析等方法解算模型所需参数,包括地表任意点最终下沉量、时间因素影响系数及地表点位最大下沉速度出现时间。经实验验证,基于改进的Knothe时间函数的开采沉陷动态预计模型能够真实地反映地表下沉的动态过程,且精度满足开采沉陷工作需要。     

基于GM(1,1)模型的矿山开采沉陷预测

矿山开采沉陷的因素具有复杂性,但可以利用预测理论加以预测。在分析矿山开采沉陷系统灰色因素的基础之上,提出了将开采沉陷下沉量作为矿山开采沉陷系统的特征量处理,运用灰色理论对开采沉陷下沉量进行预测。灰色理论运用预测对象自身的时间序列,而与预测对象相关联的其他因素没有参与运算和建模,因此运用起来比较简单使用,不用考虑其他复杂的要素。灰色理论在矿山开采沉陷预测中发挥了重要的作用。     

基于模糊聚类的开采沉陷参数预计模型

针对由于岩移观测数据资料缺失或不准确而导致开采沉陷预计参数求取不精确的问题,本文提出一种基于模糊聚类的开采沉陷参数预计模型。首先,根据相似第三定理对地矿特征进行了分析简化;其次,利用方程分析法、量纲分析法进行特征提取,得到特征方程;然后,对原有模糊聚类方法进行改进,得到基于竞争合并策略的IWFCM_CCS算法的模糊聚类方法;最后,对岩移观测数据进行模糊聚类分析,得出观测站数据的隶属度矩阵和聚类中心,建立了基于隶属度权重的回归模型。通过与矿区实测数据和模型预计结果的对比分析,验证了所提参数预计模型的准确性和可行性。该模型减小了观测数据导致的预计参数求取误差,可为以后的预计参数求取提供参考。     

基于ArcGIS Engine的开采沉陷预计系统

开采沉陷是一种复杂的三维动态过程,涉及的资料信息复杂繁多,使得信息处理和空间综合分析十分复杂。研究基于ArcGIS Engine的开采沉陷预计的模型能够实现矿区数据信息的地理空间可视化和沉陷预计分析显示,及时掌握开采沉陷预计的规律和发展趋势,从各评价指标的细节层次和总体两方面评价此矿区的开采状况,为煤矿各相关部门和领导制定更好的发展决策提供支持。     

粒子群算法在概率积分法沉陷预计模型参数反演中的应用

针对开采沉陷预计模型参数反演所存在的算法复杂、计算量大等缺陷,将粒子群算法引入到概率积分法开采沉陷预计模型参数反演中。研究粒子群算法反演概率积分法预计模型参数的基本原理、编码方法及适应度函数的构造方法,同时结合河北省某煤矿的实测数据,以下沉拟合值与实测值的中误差作为反演精度的评价标准对算法进行实例验证,对提高开采沉陷预计的精度有一定的参考实用价值。     

非等间隔GM(1,1)模型在矿山开采沉陷中的应用

矿山开采沉陷直接影响地面建筑物的安全性评价。以预测矿山开采沉陷量为目的,并结合矿山开采沉陷监测非等时间间隔的特点,以相邻监测时间间隔为权,建立灰色系统非等间隔GM（1,1）模型,并将该模型应用于矿山开采沉陷量预测中。由后验差检验结果和预测分析说明该模型应用于矿山开采沉陷量预测中具有可靠性。实践证明,在矿山开采前期阶段用该模型预测的矿山开采沉陷量与实际沉降量符合较好,能较好地预测矿山开采沉陷对地表建筑物的损害程度,减少开采沉陷造成的经济损失。     

基于BP神经网络的矿区地表沉降预测研究

BP神经网络具有非常强的非线性映射能力,广泛应用于分类识别、逼近、回归、压缩等领域。本文基于BP神经网络的理论基础,利用某矿区地表沉降观测点1~10期的实测沉降数据资料,结合MATLAB建立针对矿区地表沉降的预测模型,并预测其11~15期的沉降情况。通过将预测值与实测值进行对比,分析预测模型精度,结果表明BP神经网络用于矿区地表的沉降研究是可行的。     

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开，基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想，以非等间隔灰色预测模型与BP神经网络模型为预测单模型，以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源，以最优加权法对单模型预测结果开展了最优权组合，组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价，结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果，最优权组合预测的模型精度较单模型明显提升，预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

一种导航卫星中长期轨道预报方法

基于神经网络混合建模的思想提出一种针对导航卫星的中长期轨道预报方法,在原动力学模型的基础上引入神经网络模型作为补偿,从而获得新的预报模型。在训练过程中神经网络通过学习动力学模型轨道预报误差来掌握其变化规律,并在预报过程中为动力学模型预报提供补偿,以提高预报精度。对GPS卫星动力学模型中长期预报误差的特点进行分析,然后根据所得结论提出混合模型的中长期(15 d以上)预报方案,最后通过对GPS卫星的仿真试验证明混合模型的改进效果,结果表明新方法在15~40 d的预报上表现出很好的改进效果。     

混沌理论在桥梁变形监测中的应用

针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接...     

遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法

根据区域沉降地区工程沉降监测特点,将在一定程度上能够反映区域沉降的基准点和工作基点变形信息引入遗传BP神经网络工程沉降预测分析中,研究出一种基于遗传BP神经网络叠加区域沉降的工程沉降分析与预测方法.工程实例建模分析表明,其沉降预测值拟合精度较传统方法得到较大提高,能更好地反映工程建筑物的沉降情况.     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

小波神经网络在高铁路基变形分析中应用研究

路基是高速铁路的轨道基础,是整个线路结构中最为薄弱的环节,对线路的平顺性、稳定性特别敏感,加强对高铁路基的沉降变形分析是确保路基工程施工质量和保障运营安全的重要环节。引入小波神经网络组合模型应用到高铁路基的沉降变形分析中,通过工程实例分析表明,小波神经网络组合模型预测精度较BP神经网络模型高,在高铁路基的沉降变形分析中具有更好的优越性和应用效果。