煤矿瓦斯突出的多因素综合预测

煤与瓦斯突出的预测预报是煤矿瓦斯灾害研究的一个主要方面.多因素综合预测理论借助了当前最新的模糊数学理论,对瓦斯矿井的工作面和区域进行突出危险性预测,从而为预测和防治煤与瓦斯突出提供一条新的途径.根据本文的计算结果和实际情况的对比,多因素综合评价方法在煤矿瓦斯突出预测方面较为准确,是可行的.     

基于WOA-BP神经网络的超低温冻土抗压强度预测模型研究

为获得超低温冻土抗压强度预测模型, 探究超低温状态下冻土的物理性质及力学性质的变化, 对含水率19%, 22%, 25%和28%的低液限黏土土样进行?180 °C ~ ?10 °C的单轴压缩强度试验, 并测量?80 °C ~ ?10 °C土样的未冻水含量, 建立基于WOA-BP神经网络和BP神经网络的预测模型, 探究含水率、温度、未冻水含量与超低温冻土抗压强度关系. 预测结果表明: 含水率、温度、未冻水含量与超低温冻土抗压强度存在复杂的非线性关系, 特别是在?180 °C ~ ?80 °C区间内, 现有的线性拟合公式已无法准确预测该区间内冻土抗压强度; 基于WOA-BP神经网络预测模型的整体预测效果较好, 其绝对误差平均值为1.167 MPa, 相对误差平均值为7.62%, BP神经网络预测模型的绝对误差平均值为8.462 MPa, 相对误差平均值为47.99%. 基于鲸鱼优化算法的BP神经网络预测模型预测误差明显小于BP神经网络预测模型及线性拟合值, 更接近实测值. 该预测模型具有较高精确度, 能有效解决超低温冻土抗压强度与其影响因素间复杂的非线性关系, 可为人工冻结技术在地层应急工程中的应用提供参考.      

恒稳推进的煤与瓦斯突出

本文建立理想的一维运动模型,对煤与瓦斯突出的机理进行了探讨,指出煤的破碎起动与瓦斯渗流的耦合是煤与瓦斯突出的内在因素,大型突出相应于恒稳推进的情况,通过分析给出了讨论煤与瓦斯突出的重要的无量纲参数以及突出判据的近似形式。     

含水率对煤与瓦斯突出能量转化影响试验

为获得煤层注水对煤与瓦斯突出弱化的影响规律,以阜新孙家湾煤矿埋深1100m突出煤层为研究对象,建立了煤与瓦斯突出能量转化模型,并利用自主研发的煤与瓦斯突出模拟试验系统,进行了含水率对煤与瓦斯突出试验影响研究,分析了煤样含水率与临界孔隙压力、突出强度、能量转化率之间的关系。试验结果表明:孔隙压力是煤与瓦斯突出的主要动力源,煤样含水率与临界孔隙压力间呈指数关系递增。煤样含水率由0%增加到3%、6%时,相对突出强度分别降低了5.67%、1.2%,随煤样含水率增加,相对突出强度与绝对突出强度将逐渐降低。瓦斯内能是影响煤体突出能量大小的关键因素,与突出孕育和突出激发过程均密切相关。随含水率增加,突出孕育能量和突出激发能量均线性增加,但突出能量转化率线性减小,不易发生煤与瓦斯突出。     

数量化理论Ⅲ在瓦斯突出预测敏感地质指标筛选中的应用

论述了数量化理论及数量化理论Ⅲ的基本原理,提出了反应标度的概念和计算方法,扩展了原来反应取值的适用范围和科学性。以中马村矿区为研究实例,研究了影响煤与瓦斯突出的地质因素,并采用统计单元划分结合数量化理论Ⅲ的方法,从11个地质因素中筛选出8个瓦斯突出预测敏感地质指标,并据此对中马村矿已采区进行了瓦斯地质区划。实践表明:将数量化理论Ⅲ应用于瓦斯地质学是可行的,为瓦斯突出预测敏感地质指标的筛选提供了新的思路。     

判断煤与瓦斯突出危险性的三维模型

根据有效应力原理,建立瓦斯压力和煤体变形之间的耦合关系. 在地应力和瓦斯压力的共同作用下,煤体发生弹脆性破坏,之后发展为层裂-粉化破坏,据此判断发生煤与瓦斯突出的危险性. 根据一维煤激波管瓦斯突出实验,结合一维混相流动模型,进行了数值验证,证实了模型的可靠性.     

高速公路高填方路基沉降量的神经网络预测

利用BP神经网络较强的高次非线性映射能力和学习功能 ,建立了基于人工神经网络的高速公路路基沉降量的预测模型。该模型依据现场实测资料 ,避免了计算过程中各种人为因素的影响。通过对某高速公路高填方路基沉降量的现场监测成果的学习与预测检验 ,证明其预测精度与适用性良好 ,具有较大的工程实用价值     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

基于BP神经网络的风电机组钢混组合式塔架结构频率预测

风电机组塔架结构固有频率设计是风力发电结构体系设计的基础。针对风电机组新型钢混组合式塔架（“混塔”）结构固有频率传统理论计算和有限元法计算的不足,提出了基于BP神经网络算法进行频率预测的新方法。首先,利用有限元计算和分析,确定了训练模型的特征量和标签;然后,利用32个有限元计算样本,基于BP神经网络算法训练了可用于混塔结构频率分析的模型。经验证,该方法对混塔的一阶频率预测误差仅约为0.1%,具有很高的准确性;利用不同的样本集训练的模型也能快速准确预测混塔一阶频率,说明算法具有高度的稳定性;该方法还可用于预测混塔的多阶频率,结果仍显示出高度的准确性。此外,与基于有限元的频率计算相比,该方法具有突出的计算效率。整体上,本文提出的基于BP神经网络的混塔结构固有频率预测新方法,具有高度的可行性、精准性和高效性,可为风力发电机组塔架结构体系设计提供重要的指导。     

基于“AM-GoogLeNet+BP”联合数据驱动的混凝土细观模型压缩应力-应变曲线预测

本文结合GoogLeNet卷积神经网络和BP神经网络分别在图像数据挖掘和数据分析方面的良好性能,采用“AM-GoogLeNet+BP”联合数据驱动方法,对混凝土细观模型(含砂浆、骨料及孔隙)的单轴压缩应力-应变曲线进行了有效预测.通过引入力学参量对图像数据驱动的训练结果进行优化,从而提升了神经网络的物理可解释性.基于Python语言实现混凝土细观模型在Abaqus中的自动建模及细观图像生成过程,并将生成的细观图像数据库与相应的压缩应力-应变曲线作为训练数据集.在GoogLeNet中分别引入SENet, ECANet和CBAM三种代表性注意力机制并对三种注意力机制的性能进行对比和分析,以自适应方式提升神经网络对混凝土各相组分的分析能力,并以此得到混凝土细观模型的初步应力-应变预测曲线;将骨料体积分数、孔隙率及初步峰值应力等物理参量作为输入引入BP神经网络以改善峰值应力的预测精度,并与将物理参量直接引入卷积神经网络输入层的方法进行了对比,最后定量给出了骨料体积分数和孔隙率对峰值应力的影响权重.结果表明,对于不同骨料体积分数及孔隙率的混凝土细观模型,该方法均展现了较高的预测精度.本文采用的“...     

储液容器跌落冲击动力学神经网络建模

运用LS-DYNA程序中的ALE算法模拟储液容器在不同的跌落角度、跌落高度、壳体厚度下的跌落冲击过程,获取神经网络预测模型的训练样本集;利用BP神经网络建立储液容器结构参数、跌落冲击参数与接触点最大应力之间的映射关系预测模型,并将各种参数下的接触点最大应力网络预测值与仿真值比较,两者差异较小,表明该方法是有效的,可以为实际生产过程中参数选择提供理论依据.     

神经网络在麦秆秆茎机械强度确定中的应用

为了避免重复性力学实验来确定麦秆茎秆机械强度, 将神经网络技术用于麦秆茎秆机械强度的计算, 建立神经网络多几何参数确定麦秆茎秆机械强度的预测模型. 详细介绍麦秆机械强度神经网络预测模型的操作过程, 并根据预测误差结果分析, 证实了该方法的有效性和可行性.     

西德预报和防护瓦斯-煤突出技术进展

综述了西德预报和防护瓦斯-煤突出的技术进展,包括:对瓦斯-煤突出的认测量技术和预报方法的改进;有关防护的措施。      

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于遗传神经网络的锚杆极限承载力预测的研究

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的锚杆极限承载力预测的遗传神经网络模型。该模型以低应变动测的5个变量作为输入变量来对锚杆极限承载力进行预测,并与BP神经网络预测结果进行比较。数值算例表明,遗传神经网络在锚杆极限承载力预测中具有较高的计算效率和识别精度。     

基于人工神经网络的机翼外形预测

研究目的是根据机翼各项气动参数,快速准确地预测出符合气动条件的机翼外形.用PARSEC方法对剖面翼型进行参数化处理,得到表征其物理特性的外形参数;用守恒型全速势方程进行流场计算;建立包含214组机翼几何及气动特性的专家数据库.人工神经网络方法对数据库进行分类,训练和测试.先用SOM(Self-Organizing Map)神经网络按气动参数对数据进行分类,再分别用BP(Back Propagation)神经网络,RBF(Radial Basis Function)神经网络和GRNN(General regression Neural Net)进行训练和测试.机翼由6个翼剖面组成,每个翼剖面包含11个PARSEC特征参量,扭转角以及相对厚度,总共78个独立的外形参数.预测值和预期值的相关性分析以及误差分析表明,GRNN的预测结果相比于BP和RBF更为准确;在预测模型的升阻比的平均相对误差的绝对值时,BP的相对误差为2.37%,RBF是0.97%,GRNN是0.40%.     

基于BP神经网络算法的断裂参数预测

采用BP神经网络算法预测断裂参数J和A2.将三点弯曲试件有限元数值实验结果作为神经网络的训练样本,经过训练得到拓扑结构为4-25-2的BP网络模型.建立了J-积分、约束参数A2这二者与裂纹尺寸、裂纹尖端附近三个应变值之间的非线性映射.结果表明:应用BP网络时,只要选取适当的传递函数、训练函数、隐含层数目、神经元个数、学习速率就可以得到较好的预测,满足应用要求.     

基于网格搜索的支持向量机砂土液化预测模型

在使用支持向量机对砂土液化进行预测时,不可避免地会遇到惩罚因子和核函数参数如何选取的问题,目前还没有确定这两个参数的选择模式,解决这一问题比较常用的办法有经验公式法、遗传算法和网格搜索法.对此本文基于网格搜索方法,使用LIBSVM软件包,寻找砂土液化训练样本的结构风险最小值所对应的支持向量机最优参数;使用最优参数,建立了支持向量机砂土液化预测模型.研究结果表明:预测样本的正确率可达87.5%,而且预测结果稳定;同时通过比较BP神经网络的砂土液化预测情况,可知支持向量机有更好的泛化能力,收敛速度也更快.     

煤与瓦斯突出的一维流动模型和启动判据

本文将煤与瓦斯突出这一现象和因素模化,建立了研究机理的一维流动模型,给出了基本方程和突出基本准则——破碎起动准则。在这理想模型中,开挖前的围压作为煤体受载因素影响破碎起动从而影响流场,流场与应力场则解耦,可独立地研究流场,研究瓦斯渗流,煤的破碎起动及随后的两相流与纯气相流。 掘进是外加扰动,使渗流相对加剧,是启动突出的基本因素。讨论恒速掘进下的渗流过程,从渐近解——恒稳渗出解给出启动判据,分别表示成:可能条件——地应力条件;孕育条件——掘进条件或瓦斯条件;触发条件——渗出速度条件。     

基于Matlab和BP神经网络的爆破振动预测系统

爆破振动预测是一个复杂的非线性问题,可应用非线性功能强大的BP神经网络技术来解决,但由于其数值计算量大、可操作性不强等特点,在实际工程中应用困难。为了解决该问题,本文中将Matlab程序的强大计算能力与VB的友好界面相结合,利用ActiveX自动化技术和BP神经网络算法,开发得到爆破振速峰值预测系统。该预测系统可根据各工程实际情况选取影响爆破振动的主要因素作为输入参数,以预测爆破振速峰值。通过在北京市昌平线暗挖区间隧道工程中的应用表明:该预测系统在实际工程中使用方便,操作简单,预测精度高,人机交互界面友好。