简介:矿井瓦斯突出的发生是一个非线性系统在时空演化过程中的灾变行为,影响突出的各个基本因素与突出危险性之间存在复杂的非线性映射关系。对于处理这样的非线性时空演变问题,传统的数学方法是有局限性的。为了更好地预测矿井瓦斯涌出量,将灰色理论引入到预测精度高的遗传神经网络,使灰色理论和遗传神经网络有机结合起来,以神经网络理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,并用其建立瓦斯涌出量的预测新模型。在实验室测试数据的基础上,建立遗传神经网络训练和检验样本集,并且将检验结果分别与标准BP神经网络的预测结果进行比较。
简介:为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。
简介:落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系.人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法.基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究.结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快;该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据,为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路.
简介:为了分析煤矿工人的情境意识要素间的因果关系结构,建立更具鲁棒性的情境意识驱动模型,提出了一种基于DEMATEL和ISM法耦合的矿工情境意识驱动模型构建方法。首先,在构建情境意识概念模型的基础上从组织、个人和环境3个维度辨识矿工情境意识驱动要素;然后,运用熵值法计算矿工情境意识驱动要素的权重,并借助DEMATEL和ISM方法确定情境意识驱动要素间的因果作用关系,进而构建矿工情境意识驱动模型。结果表明,班组安全氛围是矿工情境意识的根本影响因素;生理心理状况、工作记忆、作业能力和作业经验是直接影响因素;组织制度、人岗匹配性、物理生产环境、培训组织、作业规程和作业负荷设计是间接影响因素。
简介:2009年的北京国际通信展是3G牌照发放后工业和信息化部主办的首个国际大型信息通信展览会。无线网络优化覆盖领域的领军企业烽火科技,以全新的"烽火,志在网络/智在网络/自在网络"集团
简介:临界风速是Y型合流分岔隧道能否有效抑制烟气侵入分岔支路的重要参数。为确定Y型合流分岔隧道临界风速计算公式,对影响Y型合流分岔隧道临界风速的相关因素进行量纲分析,推导出临界风速与火源热释放率、主分隧道高度比、连拱长度及隧道分岔夹角这4个因素的无量纲函数关系式。通过数值模拟得到临界风速最大的火源位置,并对上述4个影响因素进行了量化分析。结果表明:火源距分岔段隧道洞口15~25m时临界风速最大;当无量纲火源热释放速率小于0.3时,隧道临界风速与火源热释放率呈现1/3次方关系,当无量纲火源热释放速率大于0.3时,隧道临界风速不再随火源热释放速率增加而增加;临界风速与分岔隧道高度比近似成-3/10次方关系,与分岔夹角成-3/40次方关系,而与连拱长度无关。进而得到分岔隧道临界风速的无量纲计算模型,且与数值模拟结果吻合良好。
简介:目前国内外还没有对不同火险条件下草原火险时空发生概率的研究,而这方面研究对草原火灾管理对策和防火救助应急预案的制定具有重要意义。根据呼伦贝尔草原火灾统计月报表和相关气象、社会经济资料,利用Logistic回归模型建立草原火险预测模型,对草原火险进行了空间上的预测。结果表明,日平均风速、日降水量对草原火险影响较大;以2005年所有火灾案例对草原火险预测模型进行检验,研究表明,该预测方法具有较高的可靠性,可为火灾管理和减灾决策的制定提供指导。
简介:对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。