基于改进人工蜂群算法的概率积分法参数反演

针对传统算法在反演概率积分法参数时易发散且难以获得全局最优解的问题,提出利用自适应人工蜂群算法反演概率积分法参数。根据该算法在求解过程中收敛速度快,获得全局最优解的特点,将参数反演问题转化为组合优化问题,建立了自适应人工蜂群算法的概率积分法预计参数反演流程,并将计算结果与实际值进行对比分析。通过理论分析与实验证明,自适应人工蜂群算法反演概率积分法参数精度高,较最小二乘法和模矢法拟合效果好,可应用于矿山开采沉陷预计。     

基于狮群算法的概率积分预计参数反演方法

针对传统的开采沉陷预计方法,在求取预计参数时存在计算量烦琐、精度低、速度慢等缺陷,本文开展了基于狮群算法(LSO)的概率积分预计参数反演方法研究.LSO是一种群体智能算法,该算法已在光伏最大功率跟踪中方面得到广泛的应用,至今尚未发现应用于矿山开采沉陷预计领域中.为了准确获取预计参数,本文将LSO应用于概率积分参数反演中...     

EXCEL计算概率积分法预计参数

EXCEL软件是最常用的办公软件之一,本文介绍一种利用EXCEL软件规划求解功能计算开采沉陷预计概率积分法预计参数的方法,很方便地得到了预计参数的优化解,通过实例验证,运用该方法得到的这些参数的解满足开采沉陷预计精度的要求,有很好的应用价值。     

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。     

概率积分法开采沉陷预计的GIS实现

以概率积分法为预计模型,对研究区可能的沉陷趋势进行预计,然后与GIS耦合,利用新一代的ArcGIS数据存储格式——Geodatabase建库,以整合目标区地形图、矿区图以及户籍信息等,为沉陷预计和信息管理做准备,然后利用预计模型求得的下沉参数实现沉陷范围和趋势的可视化,以方便信息的综合管理和其他决策。     

概率积分预计参数的神经网络优化算法

在分析BP神经网络不足的基础上,为提高概率积分法进行开采沉陷预计时所采用的预计参数的正确性,该文建立了地质采矿条件与预计参数之间的非线性关系,以我国43个地表移动观测站的实测数据为训练和测试样本,采用多种群遗传算法(MPGA)优化BP神经网络的权值和阈值,构建新的概率积分法参数解算方法。计算结果表明,较单纯的BP神经网络算法和标准的遗传算法而言,MPGA算法优化的BP神经网络算法解算的预计参数具有更高的相对精度,这对于获取待研究区域的高精度概率积分法预计参数具有良好的指导意义。     

概率积分法参数的稳健估计模型及其应用研究

将稳健估计理论应用于矿山开采沉陷预计参数的求取,建立了概率积分法稳健求参数学模型,并编制了相应的稳健求参计算软件。利用峰峰矿区开采沉陷实测资料进行人工异值干扰求参实验,结果表明是国家采用稳健求参技术可降低异值或粗差的干扰,克服常规的最小二乘法拟合求参时常出现的结果发散问题,保证了求参结果的可靠性和稳健性。     

基于概率积分法的矿山地表移动观测

本文在分析求取概率积分法预计参数的方法基础上,基于潞安矿区王庄煤矿地表移动观测站实测资料,利用Matlab软件中非线性最小二乘拟合函数,绘制了各类地表移动变形拟合曲线,得到了概率积分法预计参数。同时,进行了地表移动变形的实测最大值与拟合值的分析比较,评定了其拟合精度。结果表明,用该方法求取概率积分法预计参数方便可行、参数求取准确、拟合精度高,具有较强实用性和可操作性。     

基于概率积分法的矿区地表沉陷预计分析

为了预防矿区开采造成的沉陷及其诱发的自然地质灾害,进行必要的沉陷预计工作。以兖州某煤矿10303工作面开采为例,选取适宜本区域的概率积分法作为预计模型,采用该矿地表观测站实测分析得到的岩移参数作为预计参数,进行地表移动变形预计,根据预计结果绘制村庄地表破坏分区图,并根据临界变形值标准划分实际的地表破坏等级范围,为进一步确定开采方案提供参考。     

常用稳健估计方法应用于概率积分法参数求取时的有效性研究

概率积分法是开采沉陷预计方法中应用最为广泛的一种方法,其预计结果的精度主要取决于预计参数的可靠性。为了消除或减弱粗差对预计参数的影响,往往采用稳健估计方法来对参数进行预测。本文在嘉乐泉煤矿实测资料基础上进行人工异值干扰求参试验,以观测值中含有不同粗差值为例,比较了13种常用稳健估计方法的稳健特性。结果表明,对于概率积分法参数的稳健估计,L1法、German-Mc Clure方法和IGGIII方案较其他稳健估计方法相对更有效。     

概率积分法预计参数解算的总体最小二乘岭估计法

将总体最小二乘平差方法应用于矿山开采沉陷概率积分法预计参数的解算,建立了概率积分法总体最小二乘平差模型,给出了非线性总体最小二乘平差的迭代算法。并以淮南矿区谢桥矿某工作面为例,考虑观测方程系数阵病态性的影响,分别采用最小二乘岭估计法和总体最小二乘岭估计法解算预计参数,计算表明,采用总体最小二乘岭估计法在解算预计参数时精度更高,且拟合参数的估值受到模型参数初值的影响。     

矿山开采沉陷动态参数预计方法的探讨

开采沉陷动态参数预计是矿山开采沉陷学科的核心内容,它对开采沉陷的理论研究和生产实践都有重要意义。本文简要介绍开采沉陷动态参数预计的几种方法,采用编程语言Visual Basic 6.0进行开发,编制了概率积分法求取动态预计参数经验公式的程序。通过实例,取得了较满意的预计参数,对于矿区的开采有一定的指导意义。     

概率积分法开采沉陷预测的数值计算与分析

开采沉陷预测在"三下"采煤、土地复垦治理等生产实践方面具有非常重要的作用。针对基于概率积分法的开采沉陷预测软件编制中存在的二重积分计算问题,文中根据数值积分原理,提出将概率积分沉陷预测公式中存在的二重积分转化为两个一重定积分,然后分别使用变步长辛卜生数值积分来对一重定积分进行计算,进而获得地表沉陷预测值的方法。通过实例对比分析表明,该方法计算精确、结果可靠,适用于开采沉陷预测程序的编制。     

机器学习辅助下的概率积分法参数预计模型寻优

收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。     

预计结果的地表移动观测点选取

地表移动和变形的观测工作一直都是研究开采沉陷危害的比较直接方式,而合理有效的观测站的设置就显得尤为重要。本文在布设观测站时,除考虑采深影响外,还利用概率积分法预计下沉曲线,根据下沉曲线上的特征点选取观测点。通过对某矿的实际应用表明该方法精度更高,具有一定的实际应用价值,从而为地表沉陷的观测工作提供了更好的方法。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

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。     

D-InSAR与最优化算法的采空区几何参数反演

针对采矿后遗留的采空区会诱发严重的地质灾害问题,该文提出一种采空区几何参数的反演算法,旨在及时探明采空区的分布特征与几何形状,进而有效控制灾害的发生.该文通过合成孔径雷达差分干涉(D-InSAR)技术获取采空区上方的地表连续沉降场,通过概率积分模型建立采空区几何特征与地表沉降场之间的相互关系,引入BFGS最优化算法对采空区的几何参数进行反演.仿真实验结果表明:在加入5 mm随机误差的情况下,BFGS算法能够有效反演出全部参数,且反演精度略高于遗传算法(SA)和模拟退火(GA)算法;同时,在不同的初值条件下,BFGS算法反演结果的数值稳定性与反演精度仍明显优于其他两种算法.工程应用中,反演结果显示SA与GA算法的相对误差平均值都超过了 10％,而BFGS算法的相对误差平均值只有4.73％,进一步验证了 BFGS算法的可靠性.     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。