發(fā)布時間：2018-04-24 13:55

  本文選題：開采沉陷 + BP神經(jīng)網(wǎng)絡(luò)模型��； 參考：《金屬礦山》2017年04期

【摘要】：為精確預計錦界礦某工作面開采沉陷,首先結(jié)合該工作面的地質(zhì)資料、采掘工作平面圖及孔柱狀圖,采用FLAC3D軟件建立了該工作面開采沉陷仿真模型,得到工作面推進100、300、500、700 m時的開采沉陷數(shù)據(jù);其次基于該類數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)預計模型進行訓練和驗證,建立沉陷數(shù)據(jù)與工作面推進距離的非線性關(guān)聯(lián);然后用粒子群優(yōu)化算法(Particle swarm optimization,PSO)對BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)和連接權(quán)值閾值進行優(yōu)化,并引入遺傳算法(Genetic algorithm,GA)中的自適應(yīng)變異因子以一定概率初始化部分變量,以解決PSO算法易陷入局部最優(yōu)解的問題,避免BP神經(jīng)網(wǎng)絡(luò)模型易陷入局部最小值、訓練收斂速率低以及PSO算法易早熟收斂等問題。分別采用BP神經(jīng)網(wǎng)絡(luò)模型、PSO-BP神經(jīng)網(wǎng)絡(luò)模型以及所提模型進行試驗對比,并引入偏差平方和(Sum of squares for total,SST)對各模型的預計精度進行評價,研究表明:在工作面分別推進100,300,500 m的情況下,BP神經(jīng)網(wǎng)絡(luò)模型的SST值分別為0.056,0.062,0.066,PSO-BP神經(jīng)網(wǎng)絡(luò)模型的SST值分別為0.049,0.054,0.048,所提模型的SST值分別為0.028,0.026,0.031,明顯小于前兩者,表明該模型有助于提高礦區(qū)開采沉陷預計精度,有一定的實用價值。
[Abstract]:In order to accurately predict the mining subsidence of a working face in Jinjie Coal Mine, a simulation model of mining subsidence is established by using FLAC3D software, combining with the geological data of the working face, the excavation plan and the hole histogram. The mining subsidence data are obtained when the working face is advancing 100300500700 m. Secondly, the BP neural network prediction model is trained and verified based on this kind of data, and the nonlinear correlation between the subsidence data and the working face advance distance is established. Then, the particle swarm optimization algorithm (PSO) is used to optimize the structural parameters and the threshold of connection weights of BP neural network model, and the adaptive variation factor in genetic algorithm GAA is introduced to initialize some variables with a certain probability. In order to solve the problem that PSO algorithm is easy to fall into local optimal solution, the BP neural network model is easy to fall into local minimum, the rate of training convergence is low, and PSO algorithm is easy to converge prematurely. The BP neural network model, PSO-BP neural network model, and the proposed model are used to compare the experimental results, and the sum of squares squared of squares for total SSTs are introduced to evaluate the predicted accuracy of each model. The results show that the SST value of BP neural network model is 0.056 0. 062% and the SST value of PSO-BP neural network model is 0. 049 0. 054 鹵0. 048, and the SST value of the proposed model is 0. 028 ~ 0. 026 ~ 0. 031, which is obviously smaller than that of the former two models. It shows that the model is helpful to improve the prediction accuracy of mining subsidence and has certain practical value.
【作者單位】： 北京電子科技職業(yè)學院電信工程學院;解放軍理工大學國防工程學院;爆炸沖擊防災(zāi)減災(zāi)國家重點實驗室;解放軍61206部隊;
【分類號】：TD327;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 楊天才,劉鴻,程紹佳,楊長青;一種神經(jīng)網(wǎng)絡(luò)模型在混凝土配比設(shè)計中的應(yīng)用[J];武漢工程職業(yè)技術(shù)學院學報;2003年02期

2 朱偉,龔紅英,張質(zhì)良,婁臻亮,劉暉,周士侃;兩種神經(jīng)網(wǎng)絡(luò)模型在材料領(lǐng)域中的應(yīng)用[J];材料導報;2003年11期

3 韓波;黃雄巍;;神經(jīng)網(wǎng)絡(luò)模型在北海市空氣日報污染指數(shù)計算中的應(yīng)用[J];中國環(huán)境管理干部學院學報;2012年03期

4 樹錦;;神經(jīng)網(wǎng)絡(luò)模型在河道水質(zhì)建模中的應(yīng)用初探[J];江蘇水利;2013年10期

5 王曉峰;;一種對偶互反饋神經(jīng)網(wǎng)絡(luò)模型及其在線性規(guī)劃上的應(yīng)用[J];沈陽化工學院學報;1990年03期

6 趙千里,高謙;采礦神經(jīng)網(wǎng)絡(luò)模型在金川二礦區(qū)的開發(fā)應(yīng)用[J];有色冶煉;1999年S1期

7 劉亞秀;;英文字母中的噪聲信號對神經(jīng)網(wǎng)絡(luò)模型識別的影響[J];防災(zāi)科技學院學報;2006年04期

8 成小平,胡聿賢,帥向華;基于神經(jīng)網(wǎng)絡(luò)模型的房屋震害易損性估計方法[J];自然災(zāi)害學報;2000年02期

9 楚艷艷;汪青;崔世忠;禹建麗;;基于組合神經(jīng)網(wǎng)絡(luò)模型對紡織品熱阻與濕阻的估計研究[J];絲綢;2008年04期

10 李作清;陳志祥;;精密內(nèi)圓磨削過程的神經(jīng)網(wǎng)絡(luò)模型的研究[J];磨床與磨削;1993年04期

相關(guān)會議論文 前10條

1 孫寶成;劉錫薈;;時間序列神經(jīng)網(wǎng)絡(luò)模型[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

2 周金榮;胡澤新;黃道;;一種多層混合型神經(jīng)網(wǎng)絡(luò)模型的研究[A];1995中國控制與決策學術(shù)年會論文集[C];1995年

3 王阿明;劉天放;;高階神經(jīng)網(wǎng)絡(luò)模型特性研究[A];中國地球物理學會年刊2002——中國地球物理學會第十八屆年會論文集[C];2002年

4 屈景怡;王如彬;;大腦皮層神經(jīng)網(wǎng)絡(luò)模型同步問題研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學和運動穩(wěn)定性學術(shù)會議摘要集與會議議程[C];2013年

5 張美戀;林熙;;經(jīng)濟增長的神經(jīng)網(wǎng)絡(luò)模型[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

6 陳昭炯;葉東毅;;一個改進的競爭神經(jīng)網(wǎng)絡(luò)模型[A];1996中國控制與決策學術(shù)年會論文集[C];1996年

7 郭成安;李建華;李明偉;;從觀測數(shù)據(jù)學習后驗概率函數(shù):一種最佳神經(jīng)網(wǎng)絡(luò)模型的設(shè)計與分析[A];第十屆全國信號處理學術(shù)年會（CCSP-2001）論文集[C];2001年

8 李媛;康春艷;于亞芳;;交指型缺陷接地結(jié)構(gòu)共面波導的神經(jīng)網(wǎng)絡(luò)模型[A];2009年全國微波毫米波會議論文集（上冊）[C];2009年

9 禹建麗;蘇中義;楊衛(wèi)平;;牽引傳動中潤滑油牽引系數(shù)的神經(jīng)網(wǎng)絡(luò)模型[A];2005年中國智能自動化會議論文集[C];2005年

10 胡金亮;李建生;余學慶;沈建京;周濤;王永炎;;用于中醫(yī)證候量化診斷的神經(jīng)網(wǎng)絡(luò)模型的探索[A];計算機在診法中的應(yīng)用與研究論文匯編[C];2005年

相關(guān)重要報紙文章 前1條

1 自治區(qū)交通廳養(yǎng)路費征稽處 程愛娟;應(yīng)用“神經(jīng)網(wǎng)絡(luò)模型”預測婦女的平均工資水平[N];新疆科技報(漢);2000年

相關(guān)博士學位論文 前10條

1 袁朝暉;二元離散神經(jīng)網(wǎng)絡(luò)模型的動力學分析[D];湖南大學;2003年

2 王軍平;幾類離散神經(jīng)網(wǎng)絡(luò)模型的動力學分析[D];復旦大學;2006年

3 南晉華;決策神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用研究[D];華中科技大學;2008年

4 周日貴;量子神經(jīng)網(wǎng)絡(luò)模型研究[D];南京航空航天大學;2008年

5 劉艷青;時滯神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性研究[D];天津大學;2005年

6 趙靈曉;基于部件神經(jīng)網(wǎng)絡(luò)模型的制冷系統(tǒng)混合仿真方法及應(yīng)用[D];上海交通大學;2010年

7 朱紅;高速（HS-K-WTA）神經(jīng)網(wǎng)絡(luò)模型[D];南京理工大學;2003年

8 熊佩英;幾類神經(jīng)網(wǎng)絡(luò)模型的動力學分析[D];湖南大學;2013年

9 劉開宇;幾類二元神經(jīng)網(wǎng)絡(luò)模型的動力學性質(zhì)研究[D];湖南大學;2004年

10 黃振坤;幾類神經(jīng)網(wǎng)絡(luò)模型的動力學分析[D];浙江大學;2007年

相關(guān)碩士學位論文 前10條

1 楊巍;三元離散神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性與分岔分析[D];東北林業(yè)大學;2010年

2 孫文淵;基于BP神經(jīng)網(wǎng)絡(luò)模型下預測吉林省GDP[D];延邊大學;2015年

3 李波;一類帶有分段連續(xù)控制項的非線性遞推關(guān)系的漸近周期性[D];延邊大學;2015年

4 鞏云野;兩類具有時滯項的Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性分析[D];東北林業(yè)大學;2015年

5 王薇;一類離散時間雙極人工神經(jīng)網(wǎng)絡(luò)模型的周期性[D];延邊大學;2015年

6 李辰風;改進遺傳BP網(wǎng)絡(luò)的地表沉降預測方法研究[D];江西理工大學;2015年

7 尤軍;民用建筑沉降監(jiān)測與預報方法應(yīng)用研究[D];寧夏大學;2015年

8 吳嬌嬌;基于時空神經(jīng)網(wǎng)絡(luò)模型的瓦斯?jié)舛阮A測研究[D];中國礦業(yè)大學;2015年

9 李靈光;細長導軌加工變形分析與參數(shù)優(yōu)化技術(shù)[D];北京理工大學;2015年

10 王鵬;切換Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)模型的動力學分析[D];長沙理工大學;2014年

，

本文編號：1796923