CN111950203A - 基于自适应神经模糊推理系统的爆破振动速度预测方法 - Google Patents

基于自适应神经模糊推理系统的爆破振动速度预测方法 Download PDF

Info

Publication number
CN111950203A
CN111950203A CN202010810242.2A CN202010810242A CN111950203A CN 111950203 A CN111950203 A CN 111950203A CN 202010810242 A CN202010810242 A CN 202010810242A CN 111950203 A CN111950203 A CN 111950203A
Authority
CN
China
Prior art keywords
fuzzy inference
inference system
layer
adaptive
vibration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010810242.2A
Other languages
English (en)
Inventor
何梦
邹烽
周参军
韦颖
王华府
丁志宏
许相宗
李贺龙
蔡长庚
张浩然
张建经
牛家永
陈发勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CNNC Huachen Construction Engineering Co Ltd
Original Assignee
CNNC Huachen Construction Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CNNC Huachen Construction Engineering Co Ltd filed Critical CNNC Huachen Construction Engineering Co Ltd
Priority to CN202010810242.2A priority Critical patent/CN111950203A/zh
Publication of CN111950203A publication Critical patent/CN111950203A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自适应神经模糊推理系统的爆破振动速度预测方法，具体为：1、建立预测模型的数据库，用于后面神经模糊推理系统的优化，预测模型的训练与测试；2、通过遗传算法优化自适应神经模糊推理系统，遗传算法的种群数量、交叉率、突变率、最小误差和最大迭代数分别为25、0.7、0.3、1e‑5、500；3、以遗传算法优化后的参数作为自适应神经模糊推理系统的初始的前件参数和结论参数，构建预测模型；4、利用数据库的数据训练并测试预测模型。本发明具有预测精度高、使用简单、计算量小、泛化能力强的特点，因此具有很高的实用性，能够为爆破地面振动预测预报提供新的方案。

Description

基于自适应神经模糊推理系统的爆破振动速度预测方法
技术领域
本发明属于爆破振动安全领域，尤其涉及一种基于自适应神经模糊推理系统的爆破振动速度预测方法。
背景技术
爆破破岩广泛应用矿山、土建工程、隧道、地铁等施工，具有经济、高效等优点。但是爆破破岩的同时，极易产生不良的环境影响，如飞岩、地面振动、空气超压等。其中地面振动破坏力最强，它可能会损坏周围的结构，邻近的岩体，道路，地下工程，斜坡，铁路以及现有的地下水管道，并可能造成不可弥补的破坏。
通过预测爆破引起的地面振动速度来预防爆破对环境产生不良影响是一条可行性路径。而粒子速度峰值(PPV)是地面运动最重要的运动学描述符之一，可用于预测地面振动。为了预测PPV，人们提出了多种人工智能技术，Hasanipanah等人应用遗传算法(GA)预测PPV，所得结果不仅证明了遗传算法预测PPV的有效性，而且证明了遗传算法结果的推广性。Taheri等人提出了人工神经网络(ANN)和人工蜂群(ABC)的混合学习模型。ABC神经网络模型与经验模型的结果对比表明，前者在PPV预测中具有优越性。自适应神经模糊推理系统ANFIS是一种实现了基于最小二乘法和误差反向传播法的混合学习模型，该系统已经成功应用于爆破引起的许多地质力学问题的预测。但ANFIS的局限性是收敛速度慢和陷入局部极小。而遗传算法是一种基于遗传理论和自然选择概念的随机优化搜索过程，遗传算法采用概率变化的方法，具有探索大解空间的能力。
发明内容
针对上述存在的问题，本发明提供一种基于自适应神经模糊推理系统的爆破振动速度预测方法。
本发明的基于自适应神经模糊推理系统的爆破振动速度预测方法，步骤如下：
步骤1：建立预测模型的数据库，用于后面神经模糊推理系统的优化，预测模型的训练与测试。
步骤2：通过遗传算法优化自适应神经模糊推理系统。
步骤3：以遗传算法优化后的参数作为自适应神经模糊推理系统的初始的前件参数和结论参数，构建预测模型。
步骤4：利用数据库的数据训练并测试预测模型。
进一步的，步骤1中数据库的数据是通过场地的一次逐孔爆破来获得，数据处理的方式如下：
设n个爆破孔起爆时间分别为ti，i＝1,2,…,n；m个测振仪vj，j＝1,2,…,m检测到爆破孔b1爆破形成的振动波形时间与爆破孔b1起爆时间t1间隔为
Figure BDA0002630706590000021
由测振仪vj测得的n组数据中第i组数据为，爆破孔1、2、...、i的孔深B、间距S、填塞St、单位耗药量PF、单段最大装药量MCD，测振仪vj离爆破孔1、2、...、i爆炸点中心的距离D，以及测振仪vj在
Figure BDA0002630706590000022
到
Figure BDA0002630706590000023
Figure BDA0002630706590000024
时间段检测到的粒子峰值速度PPV；以此类推n个爆破孔，m个测振仪共可以得到n×m组数据；其中测振仪通过记录质点速度的竖直分量、纵向分量和横向分量，并将其峰值作为PPV；D通过GPS测量，B、S、St、PF、MCD通过控制炮孔装药进行测量。
进一步的，步骤1中数据库的数据划分方式为训练数据：测试数据＝4：1。
进一步的，步骤2中通过遗传算法优化自适应神经模糊推理系统，具体为：
(1)通过减法聚类确定模糊规则个数和初始模型前件参数；
(2)采用遗传算法优化自适应神经模糊系统，遗传算法的种群数量、交叉率、突变率、最小误差和最大迭代数分别为25、0.7、0.3、1e-5、500；
(3)初始化种群P，包括对交叉规模、交叉率Pc、突变率Pm以及对任一前件参数和结论参数初始化，采用实数进行编码；
(4)计算所有个体的评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择个体；
Figure BDA0002630706590000025
其中fi为单个个体i的适配值；
Figure BDA0002630706590000026
(5)模糊动态调节交叉概率Pc，以交叉概率Pc对个体Gi；和Gi+1进行交叉操作，产生新个体G′i和G′i+1，没有进行交叉操作的个体进行直接复制；
(6)模糊动态调节变异概率Pm，利用变异概率Pm突变G，产生新个体G′；
(7)将产生的新个体加入初始化种群P中，重新计算新个体的评价函数；
(8)计算自适应神经模糊推理系统的误差平方和E，若达到预定值εGA，则完成遗传算法优化，否则返回(6)进行下一轮迭代。
进一步的，步骤3中自适应神经模糊推理系统预测模型为：
第一层：模糊化层，所有节点都被视为自适应输入；
第二层：产品层，评估每个规则的燃烧强度；
第三层：归一化层，该层中的结点是固定结点；
第四层：即去模糊化层中，每个节点都是具有后续功能的适应性节点；
第五层：输出层，输出模型由到达信号的总和创建。
进一步的，步骤4具体为：利用数据库的训练组数据训练模型，采用混合学习法优化模型参数，后件采用最小二乘法辨识参数，前件采用误差反向传播算法优化前件参数，直至达到指定精度εANFIS。
本发明与现有技术相比的有益技术效果为：
本发明利用神经模糊推理系统搭建爆破振动速度预测模型，再利用数据对模型进行训练和测试。本发明具有预测精度高、使用简单、计算量小、泛化能力强的特点，因此具有很高的实用性，能够为爆破地面振动预测预报提供新的方案。
附图说明
图1为本发明方法的流程图。
图2为本发明逐孔爆破平面示意图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的基于自适应神经模糊推理系统的爆破振动速度预测方法流程图如图1所示，具体为：
步骤1：建立预测模型的数据库，用于后面神经模糊推理系统的优化，预测模型的训练与测试。
数据库的数据是通过场地的一次逐孔爆破来获得，逐孔爆破示意图如图2所示，爆破顺序为b1到bn，测振仪记录爆破产生的波形图。数据处理的方式如下：
设n个爆破孔起爆时间分别为ti，i＝1,2,…,n；m个测振仪vj，j＝1,2,…,m检测到爆破孔b1爆破形成的振动波形时间与爆破孔b1起爆时间t1间隔为
Figure BDA0002630706590000031
由测振仪vj测得的n组数据中第i组数据为，爆破孔1、2、...、i的孔深B(单位m)、间距S(单位m)、填塞St(单位m)、单位耗药量PF(单位g/cm3)、单段最大装药量MCD(单位Kg)，测振仪vj离爆破孔1、2、...、i爆炸点中心的距离D(单位m)，以及测振仪vj在
Figure BDA0002630706590000032
到
Figure BDA0002630706590000033
(当i＝n时为整个时间段)时间段检测到的粒子峰值速度PPV(单位mm/s)；以此类推n个爆破孔，m个测振仪共可以得到n×m组数据；其中测振仪通过记录质点速度的竖直分量、纵向分量和横向分量，并将其峰值作为PPV；D通过GPS测量，B、S、St、PF、MCD通过控制炮孔装药进行测量。
步骤2：通过遗传算法优化自适应神经模糊推理系统，具体为：
(1)通过减法聚类确定模糊规则个数和初始模型前件参数；
(2)采用遗传算法优化自适应神经模糊系统，遗传算法的种群数量、交叉率、突变率、最小误差和最大迭代数分别为25、0.7、0.3、1e-5、500；
(3)初始化种群P，包括对交叉规模、交叉率Pc、突变率Pm以及对任一前件参数和结论参数初始化，采用实数进行编码；
(4)计算所有个体的评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择个体；
Figure BDA0002630706590000041
其中fi为单个个体i的适配值；
Figure BDA0002630706590000042
(5)模糊动态调节交叉概率Pc，以交叉概率Pc对个体Gi；和Gi+1进行交叉操作，产生新个体G′i和G′i+1，没有进行交叉操作的个体进行直接复制；
(6)模糊动态调节变异概率Pm，利用变异概率Pm突变G，产生新个体G′；
(7)将产生的新个体加入初始化种群P中，重新计算新个体的评价函数；
(8)计算自适应神经模糊推理系统的误差平方和E，若达到预定值εGA，则完成遗传算法优化，否则返回(6)进行下一轮迭代。
步骤3：以遗传算法优化后的参数作为自适应神经模糊推理系统的初始的前件参数和结论参数，构建预测模型。
自适应神经模糊推理系统预测模型为：
第一层：模糊化层，所有节点都被视为自适应输入；
第二层：产品层，评估每个规则的燃烧强度；
第三层：归一化层，该层中的结点是固定结点；
第四层：即去模糊化层中，每个节点都是具有后续功能的适应性节点；
第五层：输出层，输出模型由到达信号的总和创建。
具体的，第一层的自适应节点，其函数分别为：
Figure BDA0002630706590000051
Figure BDA0002630706590000052
Figure BDA0002630706590000053
其中，
Figure BDA0002630706590000054
表示为第i点的输出，表示输入隶属于模糊集合的隶属度；
Figure BDA0002630706590000055
和
Figure BDA0002630706590000056
分别表示输入变量x1和x2隶属于模糊集合Ai和Bi-2的程度；σ和c均为地面振动预测模型的前件参数。
具体的，第二层为固定算子节点，其函数为：
Figure BDA0002630706590000057
具体的，第三层为将各条规则的激励强度归一化，该层中的结点是固定结点。
Figure BDA0002630706590000058
具体的，第四层，为去模糊化层，这一层的每个结点i是一个有结点函数的自适应结点，计算出每条规则的输出。
Figure BDA0002630706590000059
其中
Figure BDA00026307065900000510
为地面振动预测模型的结论参数。
具体的，第五层，为输出层，输出模型是由到达信号的总和创建的，计算所有传来信号之和作为总输出。
Figure BDA00026307065900000511
Figure BDA00026307065900000512
为整个地面振动预测模型的总输出，而输出f则是所有规则的加权平均和。
步骤4：利用数据库的数据训练并测试预测模型。
利用数据库的训练组数据训练模型，采用混合学习法优化模型参数，后件采用最小二乘法辨识参数，前件采用误差反向传播算法优化前件参数，直至达到指定精度εANFIS。

Claims (6)

1.基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，步骤如下：
步骤1：建立预测模型的数据库，用于后面神经模糊推理系统的优化，预测模型的训练与测试；
步骤2：通过遗传算法优化自适应神经模糊推理系统；
步骤3：以遗传算法优化后的参数作为自适应神经模糊推理系统的初始的前件参数和结论参数，构建预测模型；
步骤4：利用数据库的数据训练并测试预测模型。
2.根据权利要求1所述的基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，所述步骤1中数据库的数据是通过场地的一次逐孔爆破来获得，数据处理的方式如下：
设n个爆破孔起爆时间分别为ti，i＝1,2,…,n；m个测振仪vj，j＝1,2,…,m检测到爆破孔b1爆破形成的振动波形时间与爆破孔b1起爆时间t1间隔为
Figure FDA0002630706580000011
由测振仪vj测得的n组数据中第i组数据为，爆破孔1、2、...、i的孔深B、间距S、填塞St、单位耗药量PF、单段最大装药量MCD，测振仪vj离爆破孔1、2、...、i爆炸点中心的距离D，以及测振仪vj在
Figure FDA0002630706580000012
到
Figure FDA0002630706580000013
Figure FDA0002630706580000014
时间段检测到的粒子峰值速度PPV；以此类推n个爆破孔，m个测振仪共可以得到n×m组数据；其中测振仪通过记录质点速度的竖直分量、纵向分量和横向分量，并将其峰值作为PPV；D通过GPS测量，B、S、St、PF、MCD通过控制炮孔装药进行测量。
3.根据权利要求1所述的基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，所述步骤1中数据库的数据划分方式为训练数据：测试数据＝4：1。
4.根据权利要求1所述的基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，所述步骤2中通过遗传算法优化自适应神经模糊推理系统，具体为：
(1)通过减法聚类确定模糊规则个数和初始模型前件参数；
(2)采用遗传算法优化自适应神经模糊系统，遗传算法的种群数量、交叉率、突变率、最小误差和最大迭代数分别为25、0.7、0.3、1e-5、500；
(3)初始化种群P，包括对交叉规模、交叉率Pc、突变率Pm以及对任一前件参数和结论参数初始化，采用实数进行编码；
(4)计算所有个体的评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择个体；
Figure FDA0002630706580000015
其中fi为单个个体i的适配值；
Figure FDA0002630706580000021
(5)模糊动态调节交叉概率Pc，以交叉概率Pc对个体Gi；和Gi+1进行交叉操作，产生新个体G′i和G′i+1，没有进行交叉操作的个体进行直接复制；
(6)模糊动态调节变异概率Pm，利用变异概率Pm突变G，产生新个体G′；
(7)将产生的新个体加入初始化种群P中，重新计算新个体的评价函数；
(8)计算自适应神经模糊推理系统的误差平方和E，若达到预定值εGA，则完成遗传算法优化，否则返回(6)进行下一轮迭代。
5.根据权利要求1所述的基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，所述步骤3中自适应神经模糊推理系统预测模型为：
第一层：模糊化层，所有节点都被视为自适应输入；
第二层：产品层，评估每个规则的燃烧强度；
第三层：归一化层，该层中的结点是固定结点；
第四层：即去模糊化层中，每个节点都是具有后续功能的适应性节点；
第五层：输出层，输出模型由到达信号的总和创建。
6.根据权利要求1所述的基于自适应神经模糊推理系统的爆破振动速度预测方法，其特征在于，所述步骤4具体为：利用数据库的训练组数据训练模型，采用混合学习法优化模型参数，后件采用最小二乘法辨识参数，前件采用误差反向传播算法优化前件参数，直至达到指定精度εANFIS。
CN202010810242.2A 2020-08-13 2020-08-13 基于自适应神经模糊推理系统的爆破振动速度预测方法 Pending CN111950203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010810242.2A CN111950203A (zh) 2020-08-13 2020-08-13 基于自适应神经模糊推理系统的爆破振动速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010810242.2A CN111950203A (zh) 2020-08-13 2020-08-13 基于自适应神经模糊推理系统的爆破振动速度预测方法

Publications (1)

Publication Number Publication Date
CN111950203A true CN111950203A (zh) 2020-11-17

Family

ID=73332507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010810242.2A Pending CN111950203A (zh) 2020-08-13 2020-08-13 基于自适应神经模糊推理系统的爆破振动速度预测方法

Country Status (1)

Country Link
CN (1) CN111950203A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075717A (zh) * 2021-03-30 2021-07-06 太原理工大学 小波自适应神经网络减法聚类模糊推理方法、系统及定位设备、存储介质
CN113240121A (zh) * 2021-05-08 2021-08-10 云南中烟工业有限责任公司 一种非破坏性爆珠破碎声音的预测方法
CN113868946A (zh) * 2021-09-24 2021-12-31 西安电子科技大学 集成fem和anfis的硅通孔阵列峰值温度快速预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135445A (zh) * 2010-06-30 2011-07-27 中国铁道科学研究院铁道建筑研究所 爆破振动预测方法
CN103177288A (zh) * 2013-03-05 2013-06-26 辽宁省电力有限公司鞍山供电公司 基于遗传算法优化神经网络的变压器故障诊断方法
CN103778469A (zh) * 2013-01-23 2014-05-07 辽宁工程技术大学 一种基于神经网络优化遗传算法的爆破方案选择方法
CN106373390A (zh) * 2015-07-23 2017-02-01 中国国防科技信息中心 基于自适应神经模糊推理系统的道路交通状态评价方法
CN110633504A (zh) * 2019-08-21 2019-12-31 中联煤层气有限责任公司 一种煤层瓦斯渗透率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135445A (zh) * 2010-06-30 2011-07-27 中国铁道科学研究院铁道建筑研究所 爆破振动预测方法
CN103778469A (zh) * 2013-01-23 2014-05-07 辽宁工程技术大学 一种基于神经网络优化遗传算法的爆破方案选择方法
CN103177288A (zh) * 2013-03-05 2013-06-26 辽宁省电力有限公司鞍山供电公司 基于遗传算法优化神经网络的变压器故障诊断方法
CN106373390A (zh) * 2015-07-23 2017-02-01 中国国防科技信息中心 基于自适应神经模糊推理系统的道路交通状态评价方法
CN110633504A (zh) * 2019-08-21 2019-12-31 中联煤层气有限责任公司 一种煤层瓦斯渗透率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
江东平等: "穿越古长城的隧道开挖爆破振动参数预测模型", 工程爆破, vol. 26, no. 2, 15 April 2020 (2020-04-15), pages 75 - 79 *
肖支敏等: "基于自适应神经模糊推理系统的隧道爆破振动峰值预测研究", 公交交通科技(应用技术版), no. 4, 15 April 2018 (2018-04-15), pages 277 - 279 *
龚声武;凌同华;: "爆破震速预测的模糊神经网络模型及其应用", 矿业研究与开发, no. 02, 30 April 2009 (2009-04-30), pages 95 - 97 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075717A (zh) * 2021-03-30 2021-07-06 太原理工大学 小波自适应神经网络减法聚类模糊推理方法、系统及定位设备、存储介质
CN113240121A (zh) * 2021-05-08 2021-08-10 云南中烟工业有限责任公司 一种非破坏性爆珠破碎声音的预测方法
CN113868946A (zh) * 2021-09-24 2021-12-31 西安电子科技大学 集成fem和anfis的硅通孔阵列峰值温度快速预测方法及系统
CN113868946B (zh) * 2021-09-24 2023-08-11 西安电子科技大学 集成fem和anfis的硅通孔阵列峰值温度快速预测方法及系统

Similar Documents

Publication Publication Date Title
CN111950203A (zh) 基于自适应神经模糊推理系统的爆破振动速度预测方法
Koopialipoor et al. Development of a new hybrid ANN for solving a geotechnical problem related to tunnel boring machine performance
Verma et al. Intelligent systems for ground vibration measurement: a comparative study
Xie et al. Optimized functional linked neural network for predicting diaphragm wall deflection induced by braced excavations in clays
Zhou et al. Parameters inversion of high central core rockfill dams based on a novel genetic algorithm
Yao et al. Hybrid model for displacement prediction of tunnel surrounding rock
Afradi et al. Prediction of TBM penetration rate using the imperialist competitive algorithm (ICA) and quantum fuzzy logic
Wei et al. A novel algorithm of Nested-ELM for predicting blasting vibration
Sheikhpour et al. A hybrid Gravitational search algorithm—Genetic algorithm for neural network training
CN115310348A (zh) 基于Stacking的灌浆量集成代理预测模型及预测方法
Kaur et al. A multi-model decision support system (MM-DSS) for avalanche hazard prediction over North-West Himalaya
Kazemi et al. Prediction of blast-induced air overpressure using a hybrid machine learning model and gene expression programming (GEP): a case study from an iron ore mine
Temeng et al. Blast-induced noise level prediction model based on brain inspired emotional neural network
CN107480786B (zh) 基于输出状态限制的循环神经网络轨迹似然概率计算方法
Lv et al. A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation
CN116663120A (zh) 一种隧道施工的振速与损伤双指标控制爆破方法
Guo et al. Prediction research for blasting peak particle velocity based on random GA-BP network group
Zheng et al. Enhancing the performance of LSSVM model in predicting rock fragmentation size via optimization algorithms
Yinghua et al. Using genetic artificial neural network to model dam monitoring data
Yiqing et al. Prediction of landslide displacement using grey and artificial neural network theories
Hacioğlu A novel usage of neural network in optimization and implementation to the internal flow systems
Lee et al. Quick prediction of tunnel displacements using Artificial Neural Network and field measurement results
CN106529725A (zh) 一种基于萤火虫算法和som网络的瓦斯突出预测方法
Liu et al. Research on forecasting model in short term traffic flow based on data mining technology
Abdelsamad et al. Artificial neural network based meta-heuristic for performance improvement in physical internet supply chain network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination