刘伟军
- 作品数：6 被引量：31H指数：4
- 供职机构：中南大学资源与安全工程学院更多>>
- 发文基金：国家科技支撑计划更多>>
- 相关领域：矿业工程理学更多>>
- 基于主成分分析法与RBF神经网络的岩体可爆性研究被引量：10
- 2015年
- 为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明:预测结果的相对误差均控制在5%以内,与BP神经网络预测误差(16%)相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。
- 李夕兵朱玮刘伟军张德明
- 关键词：RBF神经网络岩体可爆性评价指标主成分分析
- 基于RBF神经网络的爆破参数优选试验研究被引量：5
- 2017年
- 为了优化某矿山采场的爆破参数,提出了水平凿岩方式代替上向倾斜凿岩方式的改进方案。根据改进方案,在采场中进行了L_9(3~3)的爆破参数正交试验,获取了9组试验结果。利用RBF神经网络模型对试验结果进行预测,以最小抵抗线、孔间距、周边孔距作为输入因子,炸药单耗、大块率作为输出因子,当隐含层个数为9时,预测效果最优;在综合考虑爆破成本和爆破效果的前提下,提出了爆破综合期望指数公式来最终优选爆破参数,获取了48个爆破综合期望指数,最大值1.134。综合分析,最终推荐矿山最优爆破参数为:排距1 m,孔间距1.4 m,周边孔距1 m,炸药单耗0.185 kg·t^(-1)。实际应用证明,选择的孔网参数合理,大块率降低至7%以下,极大的降低了爆破成本。
- 张钦礼刘伟军杨伟王新民张德明
- 关键词：正交试验RBF神经网络
- 基于PCA和改进BP组合预测模型的矿岩可爆性研究被引量：8
- 2016年
- 为了更精确地对矿岩可爆性进行预测分级,对BP神经网络评价方法进行优化,建立了主成分分析法和改进BP神经网络相结合的矿岩可爆性分级评价模型。以具体矿山为例,考虑影响矿岩可爆性的10项评判指标,统计15个实际矿山的样本数据。利用SPSS软件对样本数据进行主成分分析,将输出结果作为改进BP神经网络的输入因子,矿岩的爆破等级作为输出因子,得到的分级预测结果更加准确且精度更高。结果表明:该模型对矿岩可爆性分级的相对误差都控制在6%以内,与未经主成分分析的BP神经网络预测误差相比,预测精度显著提高。该组合预测模型为矿岩的可爆性分级提供了一种更加完善的评价体系。
- 张钦礼刘伟军杨伟王新民樊彪
- 关键词：评判指标
- 基于RBF神经网络的爆破参数优选
- 2016年
- 为确定合理的爆破参数,建立了RBF神经网络模型,统计了8个矿山的样本数据,将影响矿岩可爆性的6项因素:矿石容重、弹性模量、抗拉强度、矿石坚固性系数、摩擦角、黏结力作为RBF神经网络模型的输入因子,排距、孔底距和一次炸药单耗作为影响爆破参数的输出因子,优选样本参数,得出最优的爆破参数。以某矿中深孔爆破为例,通过RBF神经网络模型优选出该矿的爆破参数:排距1.3 m,孔间距2.2 m,炸药单耗0.32 kg/t。实践证明,选择的孔网参数合理,爆破效果良好。
- 陈琼欧洪宁姜群张钦礼刘伟军
- 关键词：RBF神经网络样本数据影响因素
- 充填膏体流变参数优化预测模型被引量：8
- 2018年
- 为了更精确地对充填膏体流变参数进行优化预测,建立主成分分析法(PCA)和改进的BP神经网络(I-BPNN)相结合的优化预测模型。以某金属矿山充填膏体配比实验为基础,利用主成分分析法对充填膏体流变参数影响因素(膏体质量分数、砂灰质量比、料浆容重和坍落度等)进行预处理,得出主成分,再利用改进BP神经网络模型进行预测,最终得到更准确的充填膏体流变参数预测结果。研究结果表明:该模型对充填膏体屈服应力、黏度等流变参数优化预测的相对误差都控制在5%以内,较未经主成分分析的BP神经网络预测结果,经主成分分析后,屈服应力预测相对误差降低0.48%~7.29%和黏度相对误差降低1.67%~6.20%,表明该模型对充填膏体流变参数预测是合理、有效的,屈服应力与黏度的预测精度显著提高,为充填膏体流变参数优化预测提供了一种新思路。
- 张钦礼刘伟军王新民陈秋松
- 关键词：影响因素
- 基于WOA-XGBoost模型的胶结充填体强度预测被引量：2
- 2023年
- 单轴抗压强度作为胶结充填体重要的力学性能指标,通常使用传统的力学试验来确定。使用鲸鱼优化算法(whale optimization algorithm,WOA)对极限梯度提升模型(XGBoost)进行优化,建立了WOA-XGBoost混合模型。以某铅锌矿充填料浆配比试验得到的80组数据作为数据库,选取固体质量分数、水泥占比、尾砂占比及养护天数作为输入参数,充填体试块抗压强度作为输出参数。为了与WOA-XGBoost模型进行比较,还构建了XGBoost、RF和WOA-RF模型。结果表明:WOA-XGBoost模型的决定系数为0.9650,均方根误差为0.2074,平均绝对误差为0.1703;XGBoost模型的决定系数、均方根误差、平均绝对误差分别为0.8971、0.4084和0.2467。可见,鲸鱼优化算法能够显著提高XGBoost模型的预测能力。相比XGBoost、RF和WOA-RF模型,WOA-XGBoost混合模型具有更高的预测精度。研究结果对于胶结充填材料的设计和配比优化具有重要意义。
- 袁丛祥刘志祥杨小聪郭金峰万串串熊帅刘伟军
- 关键词：胶结充填材料单轴抗压强度
