科技导报
科技導報
과기도보
SCIENCE & TECHNOLOGY REVIEW
2013年
34期
34-38
,共5页
张钦礼%程健%陈秋松%胡威%周碧辉
張欽禮%程健%陳鞦鬆%鬍威%週碧輝
장흠례%정건%진추송%호위%주벽휘
充填钻孔寿命%支持向量机%遗传算法%神经网络
充填鑽孔壽命%支持嚮量機%遺傳算法%神經網絡
충전찬공수명%지지향량궤%유전산법%신경망락
backfill drill-hole life%support vector machine%genetic algorithm%neural network
充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要.通过建立支持向量机(SVM)和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果.以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差mse)=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638.通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右.对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值.
充填鑽孔是充填料漿從地錶輸送到井下採場的嚥喉工程,是礦山正常運轉的保障,因此對礦山充填鑽孔使用壽命進行預測十分重要.通過建立支持嚮量機(SVM)和BP神經網絡組閤預測模型,用訓練集對模型進行訓練,以驗證集預測值的均方誤差作為SVM適應度函數,通過遺傳算法(GA)對SVM模型參數進行優化選擇,應用優化得到的SVM模型進行預測,併結閤BP神經網絡進行殘差脩正,最終得到預測結果.以某礦為例,通過GA得到SVM模型最優參數:適應值(均方誤差mse)=0.0111,懲罰繫數C=47.0768,覈函數參數σ=2.2638.通過優化的SVM模型,對預測集充填鑽孔壽命進行預測,經BP神經網絡殘差脩正,預測結果的相對誤差均控製在3%左右.對比單一預測模型,組閤預測模型預測結果更加理想,精度更高,在類似的預測工程中有良好的推廣價值.
충전찬공시충전료장종지표수송도정하채장적인후공정,시광산정상운전적보장,인차대광산충전찬공사용수명진행예측십분중요.통과건립지지향량궤(SVM)화BP신경망락조합예측모형,용훈련집대모형진행훈련,이험증집예측치적균방오차작위SVM괄응도함수,통과유전산법(GA)대SVM모형삼수진행우화선택,응용우화득도적SVM모형진행예측,병결합BP신경망락진행잔차수정,최종득도예측결과.이모광위례,통과GA득도SVM모형최우삼수:괄응치(균방오차mse)=0.0111,징벌계수C=47.0768,핵함수삼수σ=2.2638.통과우화적SVM모형,대예측집충전찬공수명진행예측,경BP신경망락잔차수정,예측결과적상대오차균공제재3%좌우.대비단일예측모형,조합예측모형예측결과경가이상,정도경고,재유사적예측공정중유량호적추엄개치.