基于MPA-SVM的煤矿抛掷爆破爆堆形态预测

为提高爆堆形态预测精度,提出了一种海洋捕食者算法(MPA)优化支持向量机(SVM)的方法,结合黑岱沟露天煤矿爆破工程数据,选取其中8个参数作为影响爆堆形态的输入参数,松散系数ξ和Weibull函数的2个控制变量α、β为输出参数,建立基于MPA-SVM的爆堆形态预测模型,并与同期使用的5个模型进行比较。结果表明:MPA-SVM的预测效果优于其他5个模型,相对误差未超过5%,3个评价指标分别为R~2(0.955,0.978,0.946),RMSE(0.063,0.075,0.116),RMAE(0.046,0.056,0.067),证明了MPA-SVM对爆堆形态预测的适用性,且在小样本数据条件下更具有精度优势。

基于Weibull模型的高台阶抛掷爆破爆堆形态BP神经网络预测

为了预测高台阶抛掷爆破爆堆形态,引入Weibull模型作为数学模型对实测爆堆曲线进行模拟,在此基础上,将试验中影响爆堆形态的8个参数与模拟得到的Weibull控制参数及松散系数作为输入输出层学习样本,建立BP神经网络。结果表明:Weibull模型可以较好地模拟真实爆堆。利用训练完成的BP神经网络预测爆堆形态时,各参数的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线,其中Weibull模型控制参数的预测精度直接影响预测结果,松散系数ξ的预测精度则在将Weibull概率密度函数反无量纲化的过程中间接影响预测效果。