礦山邊坡地表變形的PSO-ELM預測模型

作者：寧永香,崔希民

摘要：為提高礦山邊坡地表變形預測模型的精度,從礦山邊坡地表變形影響因素角度考慮,建立了基于粒子群優化(PSO)極限學習機(ELM)的礦山邊坡地表變形預測模型。結合經典的粒子群優化算法和極限學習機方法,提出礦山邊坡地表變形影響因素同地表變形數值之間的耦合關系;采用中煤平朔安家嶺露天礦區礦山邊坡地表變形及影響變形因素的采集數據,應用ELM建立預測模型,并應用PSO對ELM預測模型的輸入層與隱含層的連接權值、隱含層閾值進行優化,以提高其預測精度。研究表明,經過PSO的優化,將預測模型的最大相對誤差(4.705×10^-8)、均方誤差(6.243×10^-5)及均方根誤差(0.008)等預測誤差參數分別降低到1.516×10^-8,1.158×10^-5和0.003,說明PSO-ELM預測模型具有更高的預測精度,該預測模型可在后續研究中進一步應用于礦山邊坡地表變形預測中,以期提升礦山生產安全。

發文機構：山西工程技術學院地質與環境工程系 中國礦業大學（北京）地球科學與測繪工程學院

關鍵詞：礦山邊坡變形監測粒子群算法極限學習機預測模型mine slopedeformation monitoringparticle swarm optimizationextreme learning machineprediction model

分類號： TD325[礦業工程—礦井建設]