本文選題：開采沉陷 + 深部開采�。� 參考：《金屬礦山》2017年07期

【摘要】：為提高礦山深部開采覆巖沉陷的預測精度,以吉林省某礦山為例,將覆巖抗壓強度、工作面推進距離、采厚、煤層傾角、采深作為開采沉陷預測的主要影響因素,以煤層傾角、工作面推進距離、采厚等參數(shù)作為預測模型的輸入值,將最大沉陷值作為預測模型的輸出值,構建了BP神經(jīng)網(wǎng)絡開采沉陷預測模型。針對經(jīng)典BP神經(jīng)網(wǎng)絡模型在訓練時具有學習速度慢、抗干擾能力弱以及易陷入局部最小值等不足,采用一種改進型粒子群優(yōu)化算法對其進行了優(yōu)化,構建了改進粒子群優(yōu)化BP神經(jīng)網(wǎng)絡模型。試驗表明:(1)所提模型的平方相關系數(shù)R~2為0.932、平均絕對誤差e_(ME)為0.195、平均相對誤差e_(MRE)為0.082、訓練時間t為21.5 s、均方誤差e_(MSE)為0.067 1;(2)經(jīng)典BP神經(jīng)網(wǎng)絡模型的平方相關系數(shù)R~2為0.802、平均絕對誤差e_(ME)為0.605、平均相對誤差e_(MRE)為0.255、訓練時間t為30.9 s、均方誤差e_(MSE)為0.089 1;(3)PSO-BP神經(jīng)網(wǎng)絡模型的平方相關系數(shù)R~2為0.825、平均絕對誤差e_(ME)為0.382、平均相對誤差e_(MRE)為0.216、訓練時間t為23.5 s、均方誤差e_(MSE)為0.078 2�？梢�,所提模型具有較高的訓練效率,擬合效果較好且預測精度較高,對于大幅提升礦山開采沉陷預測精度有一定的借鑒價值。
[Abstract]:In order to improve the prediction accuracy of overburden subsidence in deep mining, taking a mine in Jilin Province as an example, the overburden compressive strength, working face pushing distance, mining thickness, coal seam dip angle and mining depth are taken as the main influencing factors of mining subsidence prediction, and the dip angle of coal seam is taken as the main factor. The mining subsidence prediction model based on BP neural network is constructed by taking the maximum subsidence value as the output value of the prediction model and working face advancing distance and mining thickness as the input value of the prediction model. In view of the shortcomings of the classical BP neural network model in training, such as slow learning speed, weak anti-interference ability and easy to fall into local minimum, an improved particle swarm optimization algorithm is used to optimize the model. The improved particle swarm optimization BP neural network model is constructed. The results show that the squared correlation coefficient of the proposed model is 0.932, the mean absolute error is 0.195, the average relative error is 0.082, the training time is 21.5 s, the mean square error is 0.067 1 / 2) the squared correlation coefficient of the classical BP neural network model is Rn2. The mean absolute error, average relative error, mean relative error and mean square error of the neural network model were 0.605, 0.255, 30.9 s, 30.9 s and 0.089 respectively, respectively. The square correlation coefficient Rn2 was 0.825, the mean absolute error was 0.382, and the mean relative error was 0.216,The mean absolute error was 0.825, the mean absolute error was 0.382, and the mean relative error was 0.216. The training time t is 23.5s, and the mean square error E / MSE is 0.078 2s. It can be seen that the proposed model has higher training efficiency, better fitting effect and higher prediction accuracy, which has a certain reference value for greatly improving the prediction accuracy of mining subsidence.
【作者單位】： 河北能源職業(yè)技術學院經(jīng)濟與管理系;
【分類號】：TD325

【參考文獻】

相關期刊論文 前10條

1 陳濤;郭廣禮;朱曉峻;郭慶彪;方齊;;利用果蠅算法反演概率積分法開采沉陷預計參數(shù)[J];金屬礦山;2016年06期

2 徐孟強;查劍鋒;;基于三角形剖分算法的開采沉陷預計系統(tǒng)設計[J];金屬礦山;2016年02期

3 袁亮;;我國深部煤與瓦斯共采戰(zhàn)略思考[J];煤炭學報;2016年01期

4 楊文環(huán);尹璐;孫久運;;礦山鉆孔數(shù)據(jù)三維地層建模與可視化[J];金屬礦山;2015年10期

5 楊旭;余學祥;張迎偉;朱亞洲;;煤礦開采沉陷自動化監(jiān)測系統(tǒng)設計與實現(xiàn)[J];測繪工程;2015年09期

6 張鳴之;諸云強;羅德利;喻孟良;曾青石;張金區(qū);羅侃;王勇;;地質環(huán)境數(shù)據(jù)集成服務及其系統(tǒng)實現(xiàn)[J];中國地質災害與防治學報;2013年03期

7 胡豐;李云安;劉海鰲;鄒濟韜;譚道遠;;采礦頂板最小安全厚度及地面沉陷變形研究[J];金屬礦山;2013年08期

8 陳秋計;;基于元胞自動機模型的開采沉陷模擬[J];科技導報;2013年11期

9 李松;劉力軍;翟曼;;改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流預測[J];系統(tǒng)工程理論與實踐;2012年09期

10 何芳;徐友寧;喬岡;陳華清;劉瑞平;;中國礦山地質災害分布特征[J];地質通報;2012年Z1期

相關碩士學位論文 前2條

1 曾祥柱;錦界礦開采沉陷主控因素及覆巖移動規(guī)律模擬研究[D];內蒙古科技大學;2015年

2 韓偉民;預警系統(tǒng)在礦山地質災害中的應用研究[D];武漢理工大學;2010年

【共引文獻】

相關期刊論文 前10條

1 劉俊;楊勝強;湯宗情;劉輝;;高瓦斯易自燃煤體低溫氧化過程中裂隙發(fā)育規(guī)律[J];煤礦安全;2017年07期

2 陳元非;查劍鋒;王磊;;建(構)筑物下采動地表移動與變形極值自動提取方法研究[J];煤炭工程;2017年07期

3 陳健峰;;礦山深部開采覆巖沉陷預測的改進粒子群優(yōu)化BP模型[J];金屬礦山;2017年07期

4 簡t$峰;王斌;張美玉;陳嘉誠;;一種求解云服務組合全局QoS最優(yōu)問題的改進雜交粒子群算法[J];小型微型計算機系統(tǒng);2017年07期

5 王益清;;薄煤層長鉆孔精確控制技術研究與應用[J];山東煤炭科技;2017年06期

6 馬飛虎;饒志強;;城市道路短時交通流預測方法研究[J];公路;2017年06期

7 陰永生;年軍;呂曉波;;底抽巷“一巷三用”煤與瓦斯共采技術[J];煤礦安全;2017年06期

8 李丹;;煤礦區(qū)煤層氣地面鉆井抽采方式及關鍵技術[J];煤炭工程;2017年06期

9 王瑾;吳瓊;漢鵬武;孫育軍;;基于BP神經(jīng)網(wǎng)絡的企業(yè)標準化綜合評價方法研究[J];標準科學;2017年06期

10 趙國彥;孫貴東;戴兵;陳英;;基于PSO改進的BP網(wǎng)絡在爆破大塊率優(yōu)化中的應用[J];爆破;2017年02期

相關碩士學位論文 前6條

1 李興偉;基于FPGA的微震監(jiān)測采集站的研究與設計[D];北京建筑大學;2014年

2 田留峰;小嶺硫鐵礦開采地壓效應及控制措施研究[D];江西理工大學;2014年

3 陶慧暢;地下礦山實時在線安全監(jiān)測系統(tǒng)研究[D];武漢科技大學;2013年

4 崔秀敬;多災源地下礦山開采過程災害監(jiān)測及預警技術研究[D];中南大學;2012年

5 鄭祺文;公交企業(yè)智能化營運管理系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2011年

6 李艷玲;十天高速沿線地質災害預警技術研究[D];長安大學;2011年

【二級參考文獻】

相關期刊論文 前10條

1 蔡來良;劉云備;孟萬利;徐支松;王珊珊;;礦區(qū)高壓線塔基礎沉降動態(tài)預計與監(jiān)測[J];金屬礦山;2016年03期

2 沈震;徐良驥;劉哲;秦長才;;基于Matlab的概率積分法開采沉陷預計參數(shù)解算[J];金屬礦山;2015年09期

3 劉超;;地質采礦因素對拐點偏距的影響[J];中國高新技術企業(yè);2015年18期

4 陳俊杰;王明遠;;基于遺傳算法的拐點偏移距神經(jīng)網(wǎng)絡預測模型構建及分析[J];中國地質災害與防治學報;2015年02期

5 賈新果;;基于蟻群算法的開采沉陷計算參數(shù)反演[J];工礦自動化;2015年06期

6 王雷鳴;尹升華;;GIS在礦業(yè)系統(tǒng)中的應用現(xiàn)狀與展望[J];金屬礦山;2015年05期

7 楊俊凱;陳炳乾;鄧喀中;何強;趙偉穎;;基于D-InSAR與概率積分法的開采沉陷監(jiān)測與預計[J];金屬礦山;2015年04期

8 朱曉峻;郭廣禮;方齊;;概率積分法預計參數(shù)反演方法研究進展[J];金屬礦山;2015年04期

9 張豪杰;查劍鋒;李懷展;;概率積分法參數(shù)影響因素分析與研究展望[J];煤炭技術;2015年04期

10 周海;李宏偉;杜澤欣;馬雷雷;連世偉;;面向服務的城市管網(wǎng)綜合管理系統(tǒng)設計[J];測繪工程;2015年03期

相關碩士學位論文 前2條

1 李志國;地下圍巖穩(wěn)定性及安全預警研究[D];武漢理工大學;2006年

2 陳勝波;邊坡工程失穩(wěn)災害預警系統(tǒng)的研究[D];中南大學;2005年

【相似文獻】

相關期刊論文 前10條

1 萬再蓮;;粒子群優(yōu)化算法在圓環(huán)陣綜合中的應用[J];廣西輕工業(yè);2010年09期

2 楊松銘;;一種基于混沌序列的粒子群優(yōu)化算法[J];齊齊哈爾大學學報(自然科學版);2011年04期

3 劉卓倩;顧幸生;陳國初;;三群協(xié)同粒子群優(yōu)化算法[J];華東理工大學學報(自然科學版);2006年07期

4 邵華;;改進的粒子群優(yōu)化算法在環(huán)境規(guī)劃與管理中的應用[J];市場周刊(理論研究);2009年08期

5 張媛媛;高興寶;;雙評價粒子群優(yōu)化算法[J];陜西科技大學學報(自然科學版);2012年01期

6 姜長元;趙曙光;郭力爭;冀川;;改進型耗散粒子群優(yōu)化算法[J];東華大學學報(自然科學版);2012年03期

7 莫愿斌;陳德釗;胡上序;王居鳳;;二進制粒子群優(yōu)化算法在化工優(yōu)化問題中的應用[J];計算機與應用化學;2006年12期

8 邢杰;蕭德云;;混合粒子群優(yōu)化算法及其應用[J];化工學報;2008年07期

9 竇明武;王國艷;李亮;;一種新型粒子群優(yōu)化算法[J];遼寧工程技術大學學報(自然科學版);2010年06期

10 俞歡軍,張麗平,陳德釗,宋曉峰,胡上序;復合粒子群優(yōu)化算法在模型參數(shù)估計中的應用[J];高�；瘜W工程學報;2005年05期

相關會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學術研討會論文集[C];2007年

2 孫紅光;潘毓學;;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學會第八屆學術交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應粒子群優(yōu)化算法的應用研究[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應粒子群優(yōu)化算法及應用[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

相關博士學位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設計中的應用[D];浙江大學;2017年

4 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應用[D];東北石油大學;2012年

5 劉波;粒子群優(yōu)化算法及其在機電設備中的應用研究[D];中北大學;2011年

6 熊勇;粒子群優(yōu)化算法的行為分析與應用實例[D];浙江大學;2005年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應用研究[D];重慶大學;2007年

8 閆允一;粒子群優(yōu)化及其在圖像處理中的應用研究[D];西安電子科技大學;2008年

9 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學;2007年

10 唐賢倫;混沌粒子群優(yōu)化算法理論及應用[D];重慶大學;2007年

相關碩士學位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應用[D];北京建筑大學;2015年

2 白云;基于粒子群優(yōu)化算法的復雜網(wǎng)絡社區(qū)挖掘[D];西北農(nóng)林科技大學;2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡態(tài)勢預測模型研究[D];蘭州大學;2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學;2015年

5 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應用[D];鄭州大學;2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學;2015年

7 李建美;基于自適應變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學;2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學;2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應用[D];西安電子科技大學;2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學;2014年

，

本文編號：1897604