基于神经网络的燃气轮机燃烧稳定性预测及分析

针对燃烧调整过程中易发生燃烧失稳且难以及时干预的问题,根据某型燃气轮机燃烧调整过程特征,利用改进的粒子群算法(PSO)优化Elman神经网络,将影响机组运行状态的参数作为输入变量,表征燃烧稳定性的参数作为输出变量,进而建立改进PSO-Elman神经网络模型。结果表明:值班气质量流量、压气机进口导叶及压气机第1级可调静叶的开度对燃烧稳定性影响较大;与Elman神经网络相比,改进PSO-Elman神经网络模型可靠性更好;所提出的神经网络模型可以很好地跟踪燃烧调整过程的参数变化特性,可先行预测燃烧调整过程中可能出现的燃烧失稳情况,解决试验过程中限制因素多、灵活性差的技术问题。

基于随机森林理论的采场稳定性预测研究

为预防采场安全事故,选取地下采场地质构造、埋深、围岩强度等10个因素作为采场稳定性预测指标,从收集到的实际采场稳定性数据中选取25组作为训练样本,建立采场稳定性预测的随机森林（RF）模型,通过8组测试数据预测采场稳定性;将该模型预测结果与支持向量机（SVM）模型及人工神经网络（ANN）模型的预测结果进行对比。研究表明：采用RF模型采场稳定性等级预测准确率最高,而使用SVM模型次之,ANN模型的准确率较差;用RF模型能够相对有效地判定采场稳定性。

大尺度采空区围岩断裂失稳信号数据挖掘及破坏预测分析

随着监测技术数字化和信息化程度逐步提高,获得的大尺度采空区围岩损伤演化过程,以及包括各种数据格式的图形、矢量等信息量呈数量级增加.将小波变换、固体断裂非平衡统计和神经网络理论用于对非线性采空区围岩断裂失稳信号进行数据挖掘以及综合分析,有利于正确认识和理解采空区围岩体损伤演化的全过程.

煤矿瓦斯涌出量预测的隐层递归反馈Elman模型

为更有效预测回采工作面绝对瓦斯涌出量,基于Lyapunov稳定性原理,改进Elman模型的递归部分。选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、采高、日工作进度、工作面长度、工作面采出率、邻近层瓦斯含量、邻近层厚度、邻近层间距、开采强度和层间岩性作为监测指标,对某矿16个学习样本进行训练,建立隐层递归反馈（HRF）Elman预测模型。利用矿井监测数据检验预测模型。试验结果表明,用HRF Elman模型能够有效地预测出瓦斯涌出量,预测结果相对误差为1.6%~3.41%,平均相对误差为2.45%,相比传统的Elman模型,预测精度和效率都有所提高。

应用声发射技术预测采场稳定性

针对地下矿山存在的问题及声发射技术的发展现状 ,本文从现场调查、数据获取、数据分析等方面介绍了声发射技术在地下矿山冒落预测预报中的应用。通过理论上的分析及现场的应用 ,说明声发射技术在井下矿山安全管理中能发挥重要作用。

采场围岩稳定性的神经网络预测控制

介绍了人工神经网络的基本原理，建立了采煤工作面基本顶分级与支护强度确定、底板分类与支柱底座选型的人工神经网格（ＳＰ网络）模型，并通过邻域相互作用算法与ＢＰ网格耦合，预测了采面顶板来压。

回采工作面瓦斯涌出量预测模型

针对回采工作面瓦斯涌出量预测问题,采用因子分析降低高相关性指数的维数,将提取的2个主要因子与煤层倾角、工作面长度、相邻煤层之间的距离、相邻煤层的厚度作为输入数据,采用“试错法”和回归方法确定BP神经网络隐层节点个数,利用改进遗传算法优化BP神经网络的阈值与权重,构建回采工作面瓦斯涌出量预测模型.利用15组测量数据对预测模型进行训练,3组数据用作预测的测试样本.研究结果表明:基于因子分析与改进遗传算法优化BP神经网络(FA-IGA-BP)的回采工作面瓦斯涌出量预测模型最大相对误差为3.794%,平均误差为2.945%,该模型在处理高维数据时具有预测精度高,泛化能力强的特点,可以有效地预测瓦斯涌出量.

采场安全监测与冒顶预报

本文总结了声发射现场监测预报的试验结果，提出了采场稳定性预测的综合方法，应用灰色理论预测和神经网络方法较好地解决了采场冒顶预报问题。

基于数据和神经网络的燃气轮机NOx排放预测与优化

基于大量运行数据,采用神经网络对燃气轮机NOx排放及燃烧稳定性参数进行建模,针对影响燃烧性能的参数进行了敏感性分析,确定其大小及正负相关性,并据此对实际工况点参数进行调整,将模型预测结果与物理规律定性分析结果进行对比。结果表明:模型的预测结果与基于机理的定性分析结果基本一致,即NOx质量浓度随燃料质量流量的增加而升高,随压气机进口导叶(IGV)开度增大而降低;燃烧稳定性参数随值班火焰燃料质量流量增加而减小,随IGV开度增大而增大。

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示:NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明:NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。

机载微波大气温度探测仪多高度飞行观测试验结果分析

机载微波大气温度探测仪可以机动灵活地获取大气温度廓线信息。针对一次机载微波大气温度探测仪的多高度飞行观测试验,基于逐线积分模式和大气参数廓线库,建立用于不同飞行高度的快速辐射传输模式,分析了仪器观测亮温的质量并对仪器观测进行了订正;建立了基于神经网络的微波大气温度廓线反演算式,分析了不同高度、不同通道选择对于大气温度廓线反演性能的影响。研究结果表明:(1)较低飞行高度计算得到的各地表敏感通道地表比辐射率之间具有较好的一致性;(2)采用订正算式订正后,不同飞行高度的模拟亮温与观测亮温具有较好的一致性;(3)机载微波大气温度反演最优通道组合依赖于平台飞行高度;(4)采用最优的通道组合,4 200 m、3 200 m和2 500 m高度层温度反演均方根误差范围分别为0.5～1.8 K、0.5～1.3 K和0.4～1.0 K。