神经网络在冲击地压危险性预测预报研究中的应用

分析了影响冲击地压危险性的主要因素,首次利用神经网络模型模拟各个因素之间的复杂的非线性关系,消除了传统预测方法中的人为确定冲击危险指标的影响。检验结果表明 :模型可靠,预测精度高。为冲击地压与人工智能等高新技术的进一步结合奠定了基础。     

基于异步迭代算法的冲击地压预测

采用三层BP神经网络方法对冲击地压建立了数学模型。网络的训练算法采用具有松弛因子的动态异步迭代法,该算法在克服网络的麻痹现象及局部极小问题上都优于目前常用的训练方法,因而,采用此算法对网络进行了训练及震级的预报。基于新汶矿务局华丰煤矿1999～2000年的冲击地压现场监测数据,把冲击地压的能量、产生波的幅值、频次做为输入数据,相应期间的最大震级为输出数据,组成神经网络的训练样本及测试样本,对原始数据进行了数学预处理,网络结构采用了输入层3个结点,中间层7个结点,输出层1个结点的前向神经网络;网络最终的训练误差为0.06,预测结果的相对误差率平均为 9.2 %,预测效果比较理想。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

冲击地压预测和防治

冲击地压严重威胁煤矿生产安全,发生时生产设施遭到破坏,甚至造成人员伤亡。我国是冲击地压最严重的国家之一。针对国内外冲击地压的现状,阐述了国内外冲击地压及其预测、防治的情况,对现有主要的预测技术进行了分析,指出使用电磁脉冲进行预测和水力钻孔割缝进行防治具有的特点。钻屑法是一种简便易行的预测方法,电磁辐射、电脉冲、声发射等也可用于冲击地压的预测。冲击地压防治技术主要有开采解放层、煤层注水、爆破卸压、钻孔卸压等,水力钻孔割缝是一种有待研究的新方法。     

基于进化神经网络的冲击地压非线性动力系统建模

冲击地压是一种危害很大的矿山灾害之一。理论研究表明,冲击地压实质为一种矿山岩体的动力现象,是矿山开采带来的一种动力学灾害。考虑到冲击地压的动力学特点,采用基于免疫进化规划的进化神经网络,进行了冲击地压非线性系统的建模研究。并采用一个矿山实测得到的震级数列,进行了进化神经网络方法的实用性验证,结果表明,进化神经网络,不但模型拟合精度高,而且,其预测性能也较好,是一种进行冲击地压非线性系统建模的较好方法。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

构造型冲击地压发生过程及防治措施研究

从房山矿区地质构造的基本情况出发，分析了构造型冲击地压发生的特点，从系统动力学的观战提出了冲击地压的基本规律，认为冲击地压的发生过程是煤体拉破裂与整体移动的复合过程，提出了防治冲击地压措施。     

冲击地压防治中的分数维

本文对门头沟煤矿九龙盆地区人工开采活动调整前后的微震活动的分维结构变化进行了分析。结果表明矿山微震活动具有分形结构，采区微震空间变化的分形维数可以作为采掘生产布局的合理性和采区冲击危险性的定量评价指标，它也是冲击地压预测的有效指标之一。     

冲击地压预测的煤岩变形局部化方法

针对煤矿冲击地压引起的采掘安全问题,以山西晋中左权五里堠煤矿3号煤层开采地质条件为工程背景,提出一种基于钢锥冲击煤层的卸压方法。根据通电线圈间产生电磁互感斥力原理,获得磁力驱动绕线钢锥撞击煤层的冲击力函数式,并结合弹性力学理论,分析冲击力作用下煤体应力场分布特征、裂隙类型、破裂范围及程度。结果表明：(1) 冲击力与交流电电压及线圈级数呈正相关关系,与交流电频率及每米线圈匝数呈负相关关系。其中,电压是调控冲击力的最主要因素,综合考虑认为电压取660 V为宜。(2) 计算显示钢锥长度与直径仅需1 cm和1.28 cm,与之匹配的2级加速线圈总长为2 cm,可实现冲击装置的微型化,便于在钻孔内灵活布置。(3) 冲击力使钻孔横截面围岩出现集中系数为4.0~16.7的叶状极高应力区,其延伸长度为5倍钻孔半径,区内发育张拉裂隙;叶状区之外为集中系数1.7~3.3的高应力区,发育压剪裂隙,其范围可达50倍钻孔半径,据此得到卸压钻孔间距为2.5 m。(4) 按卸压段长度,每孔内设置2个间距2 m的冲击装置,冲击力使钻孔纵截面围岩呈现针状极高应力区,相邻针状区间分布椭圆形压剪裂隙区,两者一起贯通2 m厚煤层,实现有效破煤卸压。研究成果为探索基于磁力钢锥冲击的煤层卸压技术奠定初步理论基础。

     

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。     

地铁深基坑支护的遗传神经网络位移反分析

针对目前已有的各种位移反分析方法存在的缺陷,利用神经网络具有的非线性映射能力和遗传算法具有的全局随机搜索能力,提出了一种基于遗传神经网络进行深基坑支护的位移反分析方法。该方法改变了BP算法依赖梯度信息的指导来调整网络权值的方法,而是利用遗传算法全局性搜索的特点,寻找最合适的网络连接权和网络结构等来达到优化的目的。结合地铁深基坑支护位移计算,应用该方法对某一地铁深基坑土体的力学参数进行了反演。结果表明：将位移观测值作为网络输入数据,土体力学参数作为输出数据,在较大的解空间内,该位移反分析方法收敛速度快、解的稳定性好、反演结果精度高,是一种理想的位移反分析方法。最后,采用该软件结合一个工程实例实现了应用遗传神经网络进行的基坑支护位移反分析。     

台阶压碴爆破效果遗传神经网络预测

应用遗传神经网络模型对台阶压碴爆破效果进行了预测,增强了预测结果的可靠性。遗传神经网络是人脑的模型,从爆破实例中获取经验知识,并应用专家知识对爆破效果进行预测,取得了符合实际的预测结果,从而,为选择爆破控制参数和取得良好的爆破效果提供了依据。     

用遗传神经网络分析泥石流活动性

泥石流是我国山区的主要地质灾害之一。影响泥石流活动性的因素十分复杂，并且具有随机性和模糊性。遗传神经网络结合了神经网络和遗传算法的优点，可以模拟学习和进化之间的交互作用，很适合用于分析泥石流活动性。文章简要讨论了遗传神经网络的原理，建立了泥石流活动性分析的遗传神经网络模型，并将该模型用于川藏公路沿线30条泥石流沟的活动性分析。网络的拓扑结构为(9，6，4，3)，即输入节点(评价指标)、第l隐含层、第2隐含层和输出接点(分析结果)分别为9、6、4、3。首先以其中25条泥石流沟作为样本对网络进行训练，训练时网络的连接权采用遗传算法进行自适应演化，待模型稳定后将其余5条泥石流沟的数据输入模型，计算它们的活动性，计算结果与实际观测基本相符，证明模型是可行的，各个参数的选取也是合适的。     

基于人工神经网络的砂土液化势评价

本文利用静力触探（ＣＰＴ）场地液化数据,建立了液化势判定的反向传播神经网络模型,研究表明,同传统方法相比,人工神经网络方法在判别砂土液化势方面是可行的。     

基于遗传神经网络的渗流实时预报方法研究

考虑渗流的主要影响因子,运用遗传神经网络建立了大坝渗流实时预报模型。该模型具有再学习能力,在应用过程中,可以用新的观测资料对模型不断地进行学习训练,且随着样本的积累,模型预报精度不断提高,预报速度很快,因而完全满足实时预报的需要。利用该模型对丰满大坝横向扬压力进行了建模预报,预报值与实测值基本吻合,预测精度高,证明该方法用于大坝渗流实时预报的有效性和实用性。     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

大坝变形监测遗传神经网络模型

在简要介绍遗传神经网络的基本概念及学习步骤的基础上,分别对大坝坝顶径向水平位移、切向水平位移和大坝坝顶沉降量监测数据进行了训练和预测。结果表明,利用遗传算法特有的全局优化能力,可以较好地完成网络的学习,而且还减少了网络训练次数,缩短了网络训练时间。     

A hybrid Bayesian back‐propagation neural network approach to multivariate modelling

There is growing interest in the use of back‐propagation neural networks to model non‐linear multivariate problems in geotehnical engineering. To overcome the shortcomings of the conventional back‐propagation neural network, such as overfitting, where the neural network learns the spurious details and noise in the training examples, a hybrid back‐propagation algorithm has been developed. The method utilizes the genetic algorithms search technique and the Bayesian neural network methodology. The genetic algorithms enhance the stochastic search to locate the global minima for the neural network model. The Bayesian inference procedures essentially provide better generalization and a statistical approach to deal with data uncertainty in comparison with the conventional back‐propagation. The uncertainty of data can be indicated using error bars. Two examples are presented to demonstrate the convergence and generalization capabilities of this hybrid algorithm. Copyright © 2003 John Wiley & Sons, Ltd.