基于GA-BP神经网络的露天矿边坡变形预测分析

陈兰兰; 杨雨云; 肖海平; 罗兵; 邹伟豪

doi:10.13264/j.cnki.ysjskx.2022.06.014

基于GA-BP神经网络的露天矿边坡变形预测分析

1.
赣南科技学院资源与建筑工程学院，江西赣州 341000
2.
江西理工大学土木与测绘工程学院，江西赣州 341000
3.
江西核工业测绘院集团有限公司，南昌 330038

基金项目:

国家自然科学基金资助项目 42171437

江西省自然科学基金资助项目 20212BAB204030

江西理工大学高层次人才科研启动项目 jxxjbs19032

详细信息

通讯作者:
肖海平(1980-), 男, 副教授, 主要研究方向为边坡稳定性评估和处理、变形监测和数据处理。E-mail: 415562281@qq.com

中图分类号: TD176
计量
- 文章访问数: 140
- HTML全文浏览量: 63
- PDF下载量: 6
出版历程
- 收稿日期: 2022-07-13
- 修回日期: 2022-08-26
- 网络出版日期: 2023-01-15
- 刊出日期: 2022-12-30

Prediction and analysis of open pit slope deformation based on a GA-BP neural network

1.
College of Resources and Architectural Engineering, Gannan University of Science and Technology, Ganzhou 341000, Jiangxi, China
2.
School of Architectural and Surveying Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, Jiangxi, China
3.
Jiangxi Nuclear Industry Surveying and Mapping Institute Group Co., Ltd., Nanchang 330038, China

摘要

摘要: 矿区边坡在各种因素的影响下，将会发生变形，但变形超过一定限度时，会对矿区产生很大的危害，开展边坡变形预测分析，能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定，造成模型系统进入局部最小化，导致预测精度不高等问题的基础上，提出GA-BP神经网络预测模型，解决了普通网络模型在权值和阈值上的不足，并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象，分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测，研究结果表明：GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合，预测精度更高，其平均相对误差最小，较其他两种方法预测精度提高了10倍以上，表明该方法具有一定的可靠性和可行性。
- 露天矿边坡 /
- 变形预测 /
- 灰色理论 /
- 遗传算法 /
- BP神经网络
Abstract: Due to various factors, mine slopes will be deformed. When the deformation exceeds a certain limit, it will cause great harm to the mining area. It can prevent disasters to a certain extent by carrying out slope deformation prediction and analysis. On the basis of fully considering that it is difficult to determine the initial weight and threshold of the BP neural network, which causes the model system to enter the local minimization and leads to the problem of low prediction accuracy, a GA-BP neural network prediction model that solves the deficiency of the ordinary network model in weight and threshold is proposed. Taking the slope deformation monitoring points JC31, JC33 and JC36 of the Yuebao open-pit mine as the research object, the gray theory model, BP neural network model and GA-BP model were used to predict the slope deformation. The results show that compared with the gray model and BP model, the predicted value of the GA-BP network model is more consistent with the actual value, the prediction accuracy is higher, and its average relative error is the smallest, which is more than 10 times higher than the other two methods, indicating that this method has certain reliability and feasibility.
- open pit slope /
- deformation prediction /
- gray theory /
- genetic algorithm /
- bp neural network

HTML全文

硫元素对大多数钢种而言是有害元素。固态钢中硫元素以硫化物和硫单质偏析2种形式存在。钢中硫含量越高,硫化物越多、尺寸越大^[1]。聚集于晶界处的硫单质和硫化物会降低晶界的塑性、韧性,恶化钢的冲击韧性和疲劳寿命^[2]。

重熔过程中,钢液与高碱性渣充分接触,有利于脱硫反应的进行,具有较强的脱硫能力^[3]。但电渣脱硫也受多种因素的影响^[4-5]。例如氩气保护电渣过程中,渣中硫含量增加,会影响钢液的脱硫效果（特别是工业化大型钢锭）^[6-7],造成硫的不均匀分布^[8-9]。为了达到更好更稳的脱硫效果,电渣工作者一直在研究影响电渣脱硫反应的各项条件。比较发现,采用实验级电渣设备（<0.3吨级）^[9-11],电渣后钢中硫含量普遍高于工业级（>2吨级）电渣钢中硫含量^[12]。主要原因是工业级电渣电极和填充比更大、电压和电流更高,所以电极端部更加扁平、端部钢液层厚度更薄、电极下降速度更低等,这些变化使工业级电渣相对于实验级电渣具有更好的脱硫动力学条件^[11]。但针对工业级电渣脱硫动力学的研究较少。

因此,本研究以3吨工业级氩气保护电渣重熔炉为研究对象,建立脱硫预测模型,讨论影响重熔脱硫过程的各因素。本研究对于加深工业级电渣重熔脱硫机理认识、提高工业级氩气保护电渣重熔脱硫效率、预测重熔锭硫分布均匀性都具有重要意义。

1 脱硫反应过程分析

1.1 钢/渣间硫传质过程分析

电渣重熔过程中存在着3个钢/渣反应界面^[13-14]：电极端部熔化金属液层及端部形成熔滴与渣界面；金属熔滴与渣界面；金属熔池与渣界面。电极端部熔化金属液层及端部形成熔滴与渣界面处脱硫反应的渣温最高和接触面积最大,是工业级电渣脱硫的最主要区域^[15-16]。电极端部钢/渣间脱硫反应的传质过程可基于双膜理论进行分析,如图1所示。具体由以下5个步骤构成：

图 1 电渣重熔过程电极端部硫传质过程基本假设

Figure 1. Basic assumptions of sulfur mass transfer process in electric extremes of electroslag remelting process

下载: 全尺寸图片幻灯片

1） [S]→[S]*钢液中的溶解硫由钢液本体向钢/渣界面的传质；

2） (CaO)→(CaO)*渣中的氧化钙从渣本体向钢/渣界面的传质；

3）钢/渣界面处发生脱硫反应,生成硫化钙和溶解氧；反应为(CaO)*+[S]*=(CaS)*+[O]*；

4） (CaS)*→(CaS）钢/渣界面生成的硫化钙由钢/渣界面向渣本体的传质；

5） [O]*→[O]钢/渣界面上生成的溶解氧由界面向钢液本体传质。

由于液渣受磁场和密度变化作用不断搅拌混匀,所以渣侧的传质,即上述步骤2）和步骤4）不是限制环节。而钢/渣界面处的脱硫反应,由于是高温下进行的,其速度极快,也不会成为限制环节^[9]。因此,钢液中元素的扩散是脱硫反应的限制性环节,而钢液中氧元素的扩散速度是硫元素的10倍^[6],所以钢液中硫元素的扩散是脱硫反应限制环节^[17-18]。

1.2 基本假设

工业级氩气保护电渣炉吨位较大、基础电流和电压较高,所以电流和电压波动相对较小,各项运行参数控制更加稳定,因此脱硫反应界面的相对位置和反应状态相对稳定且电极端部呈扁平状,如图1所示。基于钢液中硫元素扩散传质原理建立硫传质模型,相关假设如下：

1）电极下端钢液层设为由若干厚度为Δd的钢液薄层组成,则电极下降速度为v时,每个钢液薄层与渣的持续反应时间可表示如下：

t = \frac{Δ d}{v}

(1)

2）忽略由于硫元素转移、去除或熔体流动引起的钢液质量或体积的变化；

3）为了简化模型结构,电极下端钢/渣界面视为平面；

4）电渣重熔过程中,电极下端的钢液层是硫元素扩散的有效边界层（小于已知的其他炼钢过程的有效边界层^[19]）。

1.3 钢液层内硫的扩散

基于假设,对钢液薄层内硫元素扩散过程进行分析,硫元素由钢液层内向钢/渣界面处传质的一阶速率等式如下：

- \frac{d n_{s}}{d t} = k_{[S]} \cdot A \cdot (C - C_{S})

(2)

式（2）中：n_S是钢液中硫元素的摩尔数； t是硫元素的扩散时间； k_[S]是钢液中硫元素的传质系数； A是钢/渣界面面积； C和C_S分别表示钢液内部与钢/渣界面处硫元素摩尔浓度。因此,式（2）可写为：

- \frac{d [S]}{d t} = k_{[S]} \cdot (\frac{A}{V_{m}}) \cdot ([S] - {[S]}_{S})

(3)

式（3）中：[S]和[S]_S分别是钢液内部与钢/渣界面处硫含量（质量分数）。V_m表示模型假设钢液薄层的体积。

根据模型假设条件（1）可知,A/V_m可以用钢液薄层厚度Δd ^-1代替,代入式（3）后,等式两侧积分得到关系如下：

l n \frac{[S] - {[S]}_{S}}{{[S]}_{0} - {[S]}_{S}} = - k_{[S]} \cdot Δ d^{- 1} \cdot t

(4)

式（4）中：[S]₀是硫元素传质开始前,钢液内部初始硫含量； [S]_S表示钢/渣界面处钢液侧的硫含量,认为其达到钢/渣界面脱硫反应平衡态。因此,[S]_S的值可以表示如下：

{[S]}_{S} = \frac{(S)}{L_{S - e q}}

(5)

式（5）中：（S）为渣中硫含量； L_S-eq为热力学计算钢/渣间脱硫反应的平衡渣-钢间硫分配比,详见附录式（a1）。

将式（1）和式（5）代入式（4）后,得到关于钢液层内硫含量[S]如下：

[S] = ({[S]}_{0} - \frac{(S)}{L_{S - e q}}) e^{- \frac{k_{[S]}}{v}} + \frac{(S)}{L_{S - e q}}

(6)

式（6）中：当钢液中初始硫含量、渣中瞬时硫含量、平衡硫分配比、电极下降速度确定时,就能够得到该瞬间时刻钢液中硫元素扩散传质结果,即钢液层内的硫含量。

1.4 电渣重熔连续硫传质模型

首先假定电极由n个质量为m的钢液层组成,在模型计算过程中,每个钢液层在微小时间单元内进行硫元素扩散传质过程中,对应渣中硫含量一定,而每个钢液质量单元的脱硫结果被瞬时硫传质模型计算并记录,钢液质量单元中移除的硫元素质量将转化为渣中硫含量的增量,用于下一个钢液质量单元的脱硫计算。第n个质量单元脱硫计算完成后,渣中硫含量的增量如下：

Δ {(S)}_{n} = \frac{({[S]}_{0} - {[S]}_{n}) m}{x \cdot m_{S}}

(7)

式（7）中：[S]_n是硫浓度的第n个质量单元； m_S表示渣的质量； x表示电极端部脱硫量与总脱硫量之比。用于第n + 1质量单元脱硫计算的渣中硫含量如下：

{(S)}_{n + 1} = {(S)}_{n} + Δ {(S)}_{n}

(8)

基于上述假设和迭代方法,电渣重熔过程连续硫传质模型建立完毕,模型迭代基本过程如图2所示。模型计算开始必须确定输入用于微小质量单元脱硫计算的原始数据,如钢液和渣的初始硫含量、渣－钢间理论硫分配比、钢液中硫元素的传质系数、电极下降速度。在迭代过程中,第n个质量单元的渣中硫含量的增量由式（7）得到,而用于第n+1个质量单元计算的渣中硫含量由式（8）计算得到。计算结果将被记录并将新计算得到的渣中硫含量迭代至第n+1个质量单元的脱硫计算,直到计算完成。

图 2 重熔过程连续硫传质模型

Figure 2. Continuous model of sulfurmass transfer during the remelting process

下载: 全尺寸图片幻灯片

2 实验部分

2.1 实验准备

本次氩气保护电渣重熔实验的设备结构如图3所示。实验用电极为H13钢,直径400 mm,长度3 000 mm,重约3 000 kg,其主要化学成分如表1所列。电极中硫含量如表2所列。实验用高碱性CAF60渣系（60% CaF₂、20% CaO和20% Al₂O₃）具有较高的表面张力和活化能^[20],熔点为1 623 K^[21-23]。CAF60渣系在1 773～1 873 K下硫容量lgC_S=1.875 2-0.002 4T^[24-25]。每次重熔实验过程中,电极下降速度由工业计算机控制,4组实验的电极下降速度（实验编号1～4）分别见表2。

图 3 氩气保护电渣重熔实验设备

Figure 3. Argon P-ESR experiment equipment

下载: 全尺寸图片幻灯片

表 1 电极的主要化学成分

Table 1. Main chemical composition of electrode

成分	C	Mn	Si	Cr	Mo	V	P	Al
含量	0.38	0.37	1.00	5.12	1.43	0.94	0.010	0.057

下载: 导出CSV

| 显示表格

表 2 钢、渣中硫含量的实验结果

Table 2. Experiment results of sulfur content in steel and slag

编号	电极下降速度（v）/（m/s）	电极中硫含量[S]_int	重熔锭下部硫含量[S]_bot/%	重熔锭上部硫含量[S]_top/%	初始渣中硫含量（S）_int/%	终渣中硫含量（S）_fin/%	钢液滴中硫含量[S]_d/%
1	0.000 136	0.008	0.002 0	0.002 5	0.05	0.211	0.002 5
2	0.000 145	0.008	0.002 1	0.002 7	0.05	0.206	0.003 0
3	0.000 163	0.008	0.002 4	0.002 9	0.05	0.198	0.002 9
4	0.000 170	0.008	0.002 5	0.003 0	0.05	0.195	0.003 2

下载: 导出CSV

| 显示表格

每炉实验使用100 kg的预渣料（实验之前,预渣在773 K下烘烤至少12 h）。氩气（纯度99%）经气路输送至渣表面,气体流速为40 L/min（标准大气压）。氩气进入气氛保护罩前经干燥设备室温干燥。

在重熔结束时,电极迅速与渣面分离,同时增加水冷却器中冷却水量,向渣面吹冷却气体,以提高渣和重熔钢液部位的冷却强度,从渣饼上部距离电极端部最近处获得凝固钢液滴,如图4所示。可以认为该钢液滴代表电极端部的脱硫反应完成状态,则得到电极端部脱硫量与总脱硫量之比。

图 4 渣饼上层凝固钢液滴

Figure 4. Steel droplets from up side of slag

下载: 全尺寸图片幻灯片

2.2 化学分析

实验渣样经过破碎机进行粉碎。进行化学分析之前,采用强力磁铁吸附去除渣粉末样中的金属颗粒,渣中硫含量采用燃烧碘量法（GB/T 5195.5—2006）分析。实验钢中硫含量采用红外吸收法（GB/T 20123—2006）分析。

3 结果与讨论

3.1 实验结果

本次实验相关化学分析结果及相关数据,如表2所列。经电渣重熔精炼后,钢中硫含量（质量分数）均由0.008%下降至0.003%以下,脱硫率为62.5%～75%,电极端部脱硫量占总脱硫量的95%。实验结果表明,随着电极下降速度由0.000 136 m/s增至0.000 17 m/s,脱硫率由68.7%～75.0%降至62.5%～69.0%。电渣重熔完成后,得到终渣中硫含量达到0.195%～0.211%,明显高于各初始渣中硫含量0.05%。终渣中硫含量随着电极下降速度的增加而降低。

3.2 模型验证

钢液内硫元素传质系数k_[S]可表示如下：

k_{[S]} = \frac{D_{[S]}}{δ_{m e t a l}}

(9)

式（9）中：D_[S]表示硫元素在钢液中的扩散系数4.33×10^-8,m²/s^[26]；δ_metal表示电极端部钢液的有效边界层厚度,即钢液层厚度 $δ_{s t e e l}^{'} = 2 \times 10^{- 5}$ m^[27],得到硫元素传质系数k_[S]为 $2.2 \times 10^{- 4}$ m/s,将式（9）代入式（6）。根据前期研究^[21],电极端部钢渣界面温度应高于液相线温度20～30 K, 取作1 773 K（H13钢液相线温度1 743 K）^[28-29]；x=95%。将表2中4组实验数据代入模型后,比较重熔锭和渣中硫含量与实验实测重熔锭和渣中硫含量,如图5所示。模型计算4组实验重熔开始和结束时重熔锭和渣中硫含量与实验结果基本一致。

图 5 重熔锭中实测硫含量与计算硫含量的比较

Figure 5. Comparison between tested and calculated sulfur content in ingot

下载: 全尺寸图片幻灯片

4组实验数据代入硫传质模型后,得到的模型计算硫分配比与实验实测硫分配比,如图6所示。通过模型计算结果可以看出,随着重熔的进行,模型计算硫分配比持续增加。模型计算重熔开始和结束时硫分配比与实验结果吻合较好。

图 6 实测硫分配比与计算硫分配比

Figure 6. Comparison between tested and calculated LS

下载: 全尺寸图片幻灯片

3.3 钢/渣间硫传质的影响因素

基于模型分析可知,电渣重熔过程中,影响钢/渣间硫传质效果的因素包括：钢和渣中初始硫含量,渣量,硫容量（平衡硫分配比）,电极下降速度。为了进一步研究各因素对重熔脱硫效果的影响,采用模型对各因素变化进行计算,模拟工况数据如表3所列。

表 3 重熔硫传质模型计算参数

Table 3. Calculating parameters of sulfur mass transfer during the remelting process

编号	钢中初始硫含量[S]₀/%	渣中初始硫含量（S）₀/%	渣量（w_S）/kg	电极下降速度（v）/（m/s）	平衡硫分配比（L_S-eq）
1	0.008	0.050	100	0.000 136	210
2	0.004	0.050	100	0.000 136	210
3	0.016	0.050	100	0.000 136	210
4	0.008	0.025	100	0.000 136	210
5	0.008	0.100	100	0.000 136	210
6	0.008	0.050	50	0.000 136	210
7	0.008	0.050	200	0.000 136	210
8	0.008	0.050	100	0.000 060	210
9	0.008	0.050	100	0.000 300	210
10	0.008	0.050	100	0.000 136	100
11	0.008	0.050	100	0.000 136	400

下载: 导出CSV

| 显示表格

电极中硫含量变化对重熔锭中硫含量、渣中硫含量和硫分配比的影响,如图7所示。随着电极中硫含量的降低,重熔锭和渣内硫含量的明显降低,且增加率也明显降低。随着电极中硫含量的降低,硫分配比明显增加,变化趋势相似。

图 7 电极中初始硫含量变化对脱硫的影响：(a)重熔锭中硫含量；（b）渣中硫含量；（c）实测硫分配比

Figure 7. Influence of initial sulfur content of electrode on desulfurization: (a) sulfur content in ingot; (b) sulfur content in slag; (c) testing sulfur distribution ratio

下载: 全尺寸图片幻灯片

渣中初始硫含量变化对重熔锭中硫含量、渣的硫含量和硫分配比的影响,如图8所示。随着渣中初始硫含量的降低,重熔锭和渣中硫含量降低,且变化趋势基本一致。随着渣中初始硫含量的降低,硫分配比增加,且变化趋势相似。

图 8 渣中初始硫含量变化对脱硫的影响：(a)重熔锭中硫含量；（b）渣中硫含量；（c）实测硫分配比

(a) sulfur content in ingot; (b) sulfur content in slag; (c) testing sulfur distribution ratio

Figure 8. Influence of initial sulfur content of slag on desulfurization:

下载: 全尺寸图片幻灯片

渣量变化对重熔锭中硫含量、渣中硫含量和硫分配比的影响,如图9所示。随着渣量的增加,重熔锭和渣中硫含量明显下降,增加率也明显下降。随着渣量的增加,硫分配比降低,增加率也降低。

图 9 渣量变化对重熔脱硫结果的影响：(a)重熔锭中硫含量；（b）渣中硫含量；（c）实测硫分配比

(a) sulfur content in ingot; (b) sulfur content in slag; (c) testing sulfur distribution ratio

Figure 9. Influence of the slag quantity change on remelting desulfurization:

下载: 全尺寸图片幻灯片

硫容量C_S是表征熔渣脱硫能力的参数。根据附录式（a1）,钢液条件一定的情况下,平衡硫分配比L_S-eq由硫容量C_S决定,即,平衡硫分配比L_S-eq随硫容量C_S的增加而增加。为了便于分析,本研究采用平衡硫分配比L_S-eq代替硫容量C_S。硫容量（平衡硫分配比L_S-eq）对重熔锭中硫含量、渣中硫含量和实际硫分配比的影响,如图10所示。随硫容量C_S（平衡硫分配比L_S-eq）的增加,重熔锭中硫含量明显减小且增加率减小、渣中硫含量增加但增加率相似、实际硫分配比增加明显且增加率显著提高。

图 10 硫容量变化对脱硫结果的影响：(a)重熔锭中硫含量；（b）渣中硫含量；（c）实测硫分配比

(a) sulfur content in ingot; (b) sulfur content in slag; (c) testing sulfur distribution ratio

Figure 10. Influence of sulfur capacity change on desulfurization:

下载: 全尺寸图片幻灯片

电极下降速度变化对重熔锭中硫含量、渣中硫含量和硫分配比的影响,如图11所示。随着电极下降速度由0.000 3 m/s降至0.000 06 m/s,重熔锭中硫含量由0.004%～0.004 3%降至0.000 5%～0.001 2%,渣中硫含量最高增至0.25%,硫分配比最高达到173。

图 11 电极下降速度变化对脱硫结果的影响：（a）重熔锭中硫含量；（b）渣中硫含量；（c）实测硫分配比

Figure 11. Influence of the electrode drop speed change on desulfurization：（a）sulfur content in ingot；（b） sulfur content in slag；（c） testing sulfur distribution ratio

下载: 全尺寸图片幻灯片

通过上述分析可知,降低电极和渣中初始硫含量、增加渣量、提高硫容量（平衡硫分配比）、降低电极下降速率均能够提高脱硫效率,同时改善高度方向硫含量均匀性。但上述因素均涉及对重熔工艺的调整,应充分考虑各因素对重熔锭凝固质量和表面质量的影响。

通过上述分析还可看出,虽然工况条件不同,但重熔锭中硫含量均随着重熔锭质量的增加近似线性增加。故设重熔锭中硫含量随质量线性变化,则可推导出重熔锭不同质量处硫含量的计算公式（推导过程详见附录2）：

[S] = \frac{(2 e^{- \frac{k_{[S]}}{v}} \cdot L_{S - e q}^{} + (1 - e^{- \frac{k_{[S]}}{v}}) \cdot (2 - e^{- \frac{k_{[S]}}{v}}) \cdot \frac{m_{i}}{x \cdot m_{S}}) \cdot {[S]}_{0} + (1 - e^{- \frac{k_{[S]}}{v}}) \cdot (2 - (1 - e^{- \frac{k_{[S]}}{v}}) \frac{m_{i}}{L_{S - e q}^{} \cdot x \cdot m_{S}}) \cdot {(S)}_{0}}{2 L_{S - e q}^{} + (1 - e^{- \frac{k_{[S]}}{v}}) \cdot \frac{m_{i}}{x \cdot m_{S}}}

(10)

式（10）中：m_i表示重熔锭对应位置质量。用式（10）计算不同电极下降速度对重熔锭上部硫含量计算值与实测值的影响,如图12所示。计算值与实测值基本一致,均随电极下降速度的增加而增加,故式（10）可用于近似求解重熔锭不同质量处的硫含量。

图 12 电极下降速度对重熔锭上部硫含量实测值与计算值的影响

Figure 12. Influence of the electrode drop speed change on tested and calculated of sulfur content in head of remelted ingot

下载: 全尺寸图片幻灯片

4 结论

本文基于工业级电渣过程中电极端部钢/渣间脱硫机理,建立了工业级电渣脱硫反应模型,用于计算重熔锭中硫含量的分布情况和讨论影响重熔脱硫的各项因素,并经3吨工业级电渣实验验证了模型的可靠性,得到相关结论如下：

1）基于双膜理论,建立电渣重熔过程的脱硫预测模型,模型预测结果与实验结果基本一致；

2）实验结果表明,经电渣重熔精炼后,钢中硫含量（质量分数）均由0.008%下降至0.003%以下,脱硫率为62.5%～75.0%；电极下降速度降低有利于脱硫反应,随着重熔速度由0.000 17 m/s降至0.000 136 m/s,重熔锭最终硫含量由0.003%降至0.002 5%,脱硫率提升6.3%；

3）计算表明,脱硫率随电极和渣中初始硫含量、电极下降速度的降低而增加,也随渣量、硫容量的增加而增加。基于研究结果推导出的模型简化公式,可直接对重熔锭中不同质量处的硫含量近似求解。

图 1 GA-BP网络模型流程

Fig 1. Flow chart of GA-BP network model

下载: 全尺寸图片幻灯片

图 2 矿区全景图示

Fig 2. Panorama of the mining area

下载: 全尺寸图片幻灯片

图 3 边坡变形监测点的分布

Fig 3. Distribution of deformation monitoring points on the slope

下载: 全尺寸图片幻灯片

图 4 JC31监测点变形预测及误差分析

Fig 4. Deformation prediction and error analysis of JC31

下载: 全尺寸图片幻灯片

图 5 JC33监测点变形预测及误差分析

Fig 5. Deformation prediction and error analysis of JC33

下载: 全尺寸图片幻灯片

图 6 JC36监测点变形预测及误差分析

Fig 6. Deformation prediction and error analysis of JC36

下载: 全尺寸图片幻灯片

表 1 JC31观测点变形监测数据

Table 1 Deformation monitoring data of JC31

下载: 导出CSV

表 2 基于不同预测模型的各监测点预测值及误差分析

Table 2 Prediction values and error analysis of monitoring points based on different prediction models

下载: 导出CSV

参考文献(20)

[1]	李长洪, 范丽萍, 张吉良, 等. 卡尔曼滤波在大型深凹露天矿边坡变形监测预测中的应用[J]. 北京科技大学学报, 2010, 32(1): 8-13. https://www.cnki.com.cn/Article/CJFDTOTAL-BJKD201001002.htm
[2]	马兴峰, 胡庆国, 谭洁琼. 基于GM(1, 1)模型的高速公路边坡变形预测[J]. 公路工程, 2012, 37(5): 68-69. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201205019.htm
[3]	赵利民, 高昂, 齐永波, 等. 基于时间序列分析的露天矿边坡沉降预测模型[J]. 测绘工程, 2017(9): 46-50. https://www.cnki.com.cn/Article/CJFDTOTAL-CHGC201709010.htm
[4]	陈晓鹏, 张强勇, 刘大文, 等. 边坡变形统计回归分析模型及应用[J]. 岩石力学与工程学报, 2008(增刊2): 3673-3679. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX2008S2060.htm
[5]	胡波, 谭涵. 基于ARIMA模型的边坡变形分析与预测[J]. 测绘通报, 2019(6): 112-116. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201906025.htm
[6]	胡启晨, 胡斌, 蒋海飞. BP人工神经网络在深基坑桩体位移预测中的应用[J]. 安全与环境工程, 2013, 20(3): 154-158. https://www.cnki.com.cn/Article/CJFDTOTAL-KTAQ201303036.htm
[7]	李克昭, 李志伟, 赵磊杰. 马尔科夫理论的优化灰色模型预测建模[J]. 测绘科学, 2016, 41(8): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201608001.htm
[8]	闻新. 应用MATLAB实现神经网络[M]. 北京: 国防工业出版社, 2015.
[9]	李凡月. 露天矿边坡变形监测与预测预报系统研究[D]. 阜新: 辽宁工程技术大学, 2012.
[10]	夏静, 马中, 戴新发, 等. 基于BP神经网络的智能云效能模型[J]. 计算机科学, 2022, 49(2): 353-367. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA202202041.htm
[11]	申利燕, 孔红. 基于GA-BP神经网络的掘进机减速器故障检测方法[J]. 煤炭技术, 2022, 41(5): 219-221. https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS202205055.htm
[12]	谷润平, 来靖晗, 魏志强. 基于灰色GA-BP神经网络的航班延误预测方法[J]. 计算机仿真, 2022, 39(5): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJZ202205008.htm
[13]	罗小燕, 黄祥海, 汤文聪. 基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法[J]. 有色金属科学与工程, 2021, 12(1): 99-107. https://www.cnki.com.cn/Article/CJFDTOTAL-JXYS202101013.htm
[14]	陈竹安, 熊鑫, 游宇垠. 变分模态分解与长短时神经网络的大坝变形预测[J]. 测绘科学, 2021, 46(9): 34-42. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202109004.htm
[15]	HUANG D J, TIAN C C. JIANG J Y. Application of GA-BP neural network model for small watershed flood forecasting in Chun'an county, China[C]// IOP Publishing Ltd. IOP Publishing Ltd, 2020: 012066: 1-8.
[16]	HC A, SL A, RMM B, et al. Optimization of inflow performance relationship curves for an oil reservoir by genetic algorithm coupled with artificial neural-intelligence networkst[J]. Energy Reports, 2021, 7: 3116-3124.
[17]	陈国芳, 卫豪. 基于EW-AHP和未确知测度理论的隧道瓦斯风险评价[J]. 有色金属科学与工程, 2021, 12(5): 89-95. https://www.cnki.com.cn/Article/CJFDTOTAL-JXYS202105011.htm
[18]	阳俊, 曾维伟. 基于GA-BP神经网络的采空区地表沉降预测模型[J]. 矿冶工程, 2022, 42(2): 42-45. https://www.cnki.com.cn/Article/CJFDTOTAL-KYGC202202010.htm
[19]	肖海平. 中小型露天矿边坡稳定性动态评价方法及应用[D]. 徐州: 中国矿业大学, 2019.
[20]	刘旭, 于国祥, 沈西挺. 基于神经网络的预测模型的比较研究[J]. 河北省科学院学报, 2007(4): 7-12. https://www.cnki.com.cn/Article/CJFDTOTAL-HBKX200704002.htm

施引文献

资源附件(0)

图(6) / 表(2)

计量

文章访问数: 140
HTML全文浏览量: 63
PDF下载量: 6
被引次数: 0

1 脱硫反应过程分析
1.1 钢/渣间硫传质过程分析
1.2 基本假设
1.3 钢液层内硫的扩散
1.4 电渣重熔连续硫传质模型
2 实验部分
2.1 实验准备
2.2 化学分析
3 结果与讨论
3.1 实验结果
3.2 模型验证
3.3 钢/渣间硫传质的影响因素
4 结论

基于GA-BP神经网络的露天矿边坡变形预测分析

通讯作者: 肖海平(1980-), 男, 副教授, 主要研究方向为边坡稳定性评估和处理、变形监测和数据处理。E-mail: 415562281@qq.com

计量

出版历程