首页|基于GJO-MLP的露天矿边坡变形预测模型

基于GJO-MLP的露天矿边坡变形预测模型

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
露天矿边坡变形受地质结构、水文地质条件、采矿活动等多种因素影响,使得预测模型复杂,难以准确捕捉所有影响因素.目前,大量监测设备部署在露天矿边坡周围,用于实时记录露天矿边坡位移数据,这些数据具有高维度、时序关联性及非线性等特性.如果在其他条件未知而只有数据的情况下,使用传统的边坡稳定性分析方法无法有效进行边坡变形预测,而采用仅基于数据的模型对露天矿边坡位移数据进行预测对边坡稳定性的事前分析十分必要.针对上述问题,提出了一种基于金豺优化多层感知机(GJO-MLP)的露天矿边坡变形预测模型.GJO中各智能体间相互独立,可以通过并行计算加速优化MLP的训练过程;GJO能够结合MLP的非线性建模和特征提取能力,使得优化后的MLP在处理复杂问题时更具优势.为检验GJO-MLP的可行性和有效性,将GJO-MLP分别与基于蚁群算法优化的MLP(ACO-MLP)、基于引力搜索算法优化的MLP(GSA-MLP)及基于差分进化算法优化的MLP(DE-MLP)进行对比分析,在6个数据集上的仿真实验结果表明:在相同实验条件下,相较于其他3种算法,GJO-MLP表现出更好的寻优性能.将基于GJO-MLP的边坡变形预测模型应用于宝日希勒露天矿边坡变形预测和花坪子边坡变形预测中,结果表明:在相同条件下,相较于其他3种算法,基于GJO-MLP的边坡变形预测模型在对边坡变形数据进行预测时不仅表现出更好的预测求解性能,而且还具有更好的可行性和鲁棒性.
Prediction model of slope deformation in open pit mines based on GJO-MLP

open-pit minelandslide disastersslope deformation predictionslope displacementgolden jackal optimization algorithmmulti-layer perceptron

刘光伟、郭直清、刘威

展开 >

辽宁工程技术大学矿业学院,辽宁阜新 123000

辽宁工程技术大学理学院,辽宁阜新 123000

露天矿 滑坡灾害 边坡变形预测 边坡位移 金豺优化算法 多层感知机

国家自然科学基金国家自然科学基金2021年辽宁省"揭榜挂帅"科技攻关计划辽宁省高等学校基本科研项目辽宁工程技术大学学科创新团队资助项目

52374123519741442021JH1/10400011LJKZ0340LNTU20TD-07

2023

10.13272/j.issn.1671-251x.2023070017

工矿自动化
中煤科工集团常州研究院有限公司

工矿自动化

CSTPCDCSCD北大核心
影响因子：0.867
ISSN：1671-251X
年,卷(期)：2023.49(9)
  • 18