一、BP网络在矿业中的应用（论文文献综述）
陈飞宇[1]（2020）在《巴润矿复杂矿体探采对比分析及待采平盘矿体分布预测》文中提出巴润矿是一座现代化大型露天矿,在内蒙古自治区包头市达尔罕茂明联合旗境内,是以铁、铌、稀土为主的大型多金属矿床。矿床成因复杂,矿体赋存多变,加之部分矿段勘探程度较低,致使生产揭露的矿体与勘探矿体存在较大偏差。矿体资料的不可靠性,给生产带来众多不利影响,如造成产量波动、影响生产计划、造成采矿设计及工程布置变更频繁等。矿山在实际生产过程中,如果勘探矿体偏差过大,以此为基础进行矿山设计及生产,会造成对剥离物的多挖、对矿石的漏挖,在一定程度上影响了矿山的生产计划。因此本文主要进行探采对比,分析偏差原因,进而对待采矿体分布进行校正或准确预测,将有助于更好地指导矿山生产,提高矿山的生产效率。本文结合矿区的实际情况,利用Surpac软件对巴润矿探、采数据进行三维可视化分析与建模,在此基础上进行探采对比分析,并利用BP神经网络对待采台阶的矿体分布进行预测。（1）根据同类矿山探采对比内容和巴润矿实际状况,确定了面积误差、面积重合率、形态歪曲率、厚度误差率及中心点偏移距离作为巴润矿探采对比内容,同时,借助矿山三维软件,分别建立了基于勘探数据与生产数据的巴润矿矿体三维可视化模型,对勘探矿体形态和生产矿体形态有了直观化的呈现,并为探采对比分析提供图形基础。（2）基于三维模型的建立制作了探采对比所需图件,进一步获得了图件各剖面面积、重合面积、非重合面积以及宽度等探采对比所需的参数数据,利用探采对比经验公式得到了相应的对比参数的误差值,并分析了探采结果各参数之间的表征关系与差异性原由。（3）以Surpac软件做出的图件数据作为参数来源,运用BP神经网络建立了待采台阶矿体分布预测模型,分别对预测矿体与揭露矿体、勘探矿体与揭露矿体进行探采对比分析,结果表明预测矿体分布与揭露矿体较为接近,验证了用神经网络预测待采台阶矿体分布的准确性和可行性。
常峰[2]（2019）在《基于GA-BP神经网络的工作面顶板矿压预测模型应用研究》文中指出本论文针对煤层顶板来压对综采工作面的生产造成很大的安全隐患这一问题,通过理论分析、数据采集与预处理、模型评估与优化等方法,建立基于GA-BP神经网络的工作面顶板矿压预测模型,来实现对大同矿区煤层顶板来压规律进行预测。其主要研究成果如下:（1）在大同矿区采集60组工作面地质、工艺参数以及顶板来压数据作为模型的训练样本,并采用灰色关联度分析法分析各影响因素与矿压的关联度,对计算结果进行排序,结果确定主要影响因素为工作面倾向长度、推进速度、煤层顶板条件、采高、煤厚、倾角变化率、直接顶厚、基本顶厚、埋深、埋深变化率、煤厚变化率、煤层倾角。最后对样本数据进行归一化处理。（2）根据欲解决的问题建立基于BP神经网络工作面顶板矿压预测模型,结合经验公式以及多次实验确定BP神经网络结构以及各参数的值。分别以工作面顶板的初次来压强度、初次来压步距、周期来压强度、周期来压步距为BP神经网络模型的目标输出,每组各做30次训练,结果得出四个目标输出的平均决定系数分别为0.751、0.74、0.826、0.837,四组训练综合决定系数平均值为0.788;并对预测值与真实值的相对误差作对比分析,结果表明BP能在一定程度上预测工作面顶板来压情况,但预测结果不稳定。（3）根据BP神经网络存在的问题,采用改进的遗传算法对其进行优化,建立了基于优化的GA-BP神经网络工作面顶板矿压预测模型。经过模型预测值的对比分析得出,BP神经网络模型的决定系数平均值为0.798,优化的GA-BP神经网络模型的决定系数平均值为0.896;BP与GA-BP模型预测结果相对误差小于3%的概率平均值分别占54.93%和69.33%,小于5%的概率平均值分别占75.18%和89.38%。训练结果表明,基于优化的GA-BP神经网络模型预测效果明显高于BP神经网络,并能很好的预测综采工作面顶板初次来压强度、初次来压步距、周期来压强度、周期来压步距。（4）通过实测大同矿区5组综采工作面顶板来压数据（不参与模型训练）来验证所建立的GA-BP神经网络模型,结果表明,优化的GA-BP神经网络模型预测工作面顶板来压四个目标值的相对误差分别不超过2%、4%、3%、4%,总体上预测相对误差小于4%,在工业生产允许的误差范围之内,故所建立的GA-BP神经网络的工作面顶板矿压预测模型能够被应用于工作面顶板来压的预测。
王民华[3]（2012）在《岩石力学与工程智能分析方法在矿山围岩控制中的应用》文中研究指明本文以岩石力学与工程智能分析方法在围岩控制中的应用为课题,首先阐述了智能计算科学中BP神经网络算法和遗传算法的原理,以及结合BP神经网络局部寻优和遗传算法全局寻优特点的进化神经网络算法。然后通过运用进化神经网络算法理论对矿山围岩控制中的回采巷道围岩移近量预测,顶板来压时间序列预测,以及锚杆支护参数设计进行了研究和探讨,取得了有实用价值的问题解决方法：根据影响回采巷道围岩变形因素的分析,可知回采巷道围岩变形和影响因素之间是复杂的非线性关系,即回采巷道围岩移近量预测的问题可以转化为确定影响回采巷道围岩移近量因素与移近量之间的非线性关系。对影响回采巷道围岩变形主要因素进行定量化处理,并收集大量的回采巷道围岩移近量的数据样本,运用进化神经网络处理非线性关系的优势,通过网络的学习训练,得到了稳定的预测回采巷道围岩移近量的网络结构,经过测试样本检验,网络结构有比较好的实用价值。根据对人工神经网络对时间序列非线性预报理论进行分析,可知煤矿顶板来压可以运用人工神经网络进行时间序列的顶板压力预测。通过对三元王庄煤矿工作面支架工作阻力进行时间加权处理,得到了时问序列的工作面压力数据,根据时间序列非线性预报理论,把得到的时间序列的工作面压力数据整理成网络训练学习样本,即通过前面某几个数据来推断当前的数据,通过对样本数据的学习训练,得到稳定的进化神经网络顶板压力预测网络结构,通过测试样本检验,网络结构对顶板来压预测有比较好的实用价值。根据对目前锚杆支护设计方法和理论的分析,可知目前常规锚杆支护设计方法有很大的局限性。通过分析可知回采巷道锚杆支护参数和影响回采巷道围岩稳定性因素之间存在复杂的非线性关系,通过收集大量的锚杆支护设计成功的工程案例做为学习训练样本,运用进化神经网络确定支护参数和回采巷道围岩稳定性影响因素之间的非线性关系,最后得到回采巷道锚杆支护参数稳定的网络结构。
田敏,谢贤平,侯江,邢冀[4]（2008）在《神经网络在矿业工程中的若干应用进展》文中进行了进一步梳理人工神经网络具有自适应机制,通过训练和学习,达到对知识进行分类、模式判别、联想记忆等能力。简单介绍了人工神经网络的基本原理、基本特征,对其在矿业工程中的若干应用进展进行了深入分析与探讨,并指出了其未来发展方向。
杨娟娟[5]（2008）在《基于神经网络的含硫矿石自燃预测技术研究》文中指出含硫矿石的自燃事故是含硫矿山重大灾害事故之一,往往会造成人员伤害和设备、设施的损害,严重影响矿山的正常生产。因此,加强含硫矿石自燃危险性预测技术的研究,对改善含硫矿山安全生产状况具有积极的作用。本文在分析了含硫矿石的生物氧化机理、电化学机理、化学热力学机理和物理机理的基础上,提出了矿氧复合机理。该机理从物理吸附、化学吸附、化学反应以及聚热升温四个方面,系统的分析了含硫矿石自燃的原因,为预测含硫矿石自燃危险性奠定了理论基础。并对含硫矿石自燃发火特点和自燃发火影响因素进行了研究,绘制出事故树分析图,找出影响含硫矿石自燃的基本事件,为含硫矿石自燃的预测、预防工作提供了依据。应用神经网络中BP网络的高度非线性关系,从含硫矿石自燃影响因素中的地质条件、自燃倾向性、温度3个方面选取了矿层厚度、矿层倾角、氧化增重率和着火温度4个指标作为样本输入,以含硫矿石的自燃危险性等级作为输出,建立起BP神经网络预测模型,对含硫矿石的自燃危险性等级进行了预测,并在含硫矿石自燃危险性预测的基础上,对含硫矿石自燃的预防技术与方法进行了系统的研究,提出了相应的预防措施,并应用于工程实例。
陈立伟[6]（2007）在《提高综放工作面回采率技术研究》文中研究说明综放开采过程中如何提高综放工作面回采率是目前综放开采实践中存在的重大关键技术问题之一。针对这一难题,本项目以义煤集团千秋煤矿21181和21121工作面的地质条件和回采工艺为基础,采用人工神经网络预测和现场试验相结合的方法,寻求提高综放工作面回采率的途径。由于影响回收率的因素较多,且各因素之间的关系十分复杂,很难用确切的数学方程来描述。人工神经网络技术具有很强的非线性映射能力和自适应、自学习能力,特别适用于解决因果关系复杂的非确定性推理、判断、预测和分类等问题。故选用BP神经网络,对综放工作面回收率进行预测。在研究影响综放工作面回收率因素的基础上,本着全面、完整和可靠的原则,收集了潞安、兖州、徐州、铁法4个矿区的22个综放工作面回采率资料。进而运用BP神经网络,对综放工作面回收率进行了预测。经BP神经网络的预测和义马煤业集团千秋煤矿21181工作面顶煤回收率试验的相互印证,提出了提高工作面回采率的最优放煤工艺和最佳配套设备。同时,在21181和21121工作面进行了初、末采技术试验和综放工艺模式试验。最后,针对千秋矿的具体条件,从影响综放工作面回收率因素着手,在通过预测和现场试验的基础上,提出了提高综放工作面回采率的途径,包括减少初、末采和端头损失的技术途径,以及适合千秋煤矿综放工作面高产、高效、高回收率的最优放煤方式和最佳工艺模式。
钱虎[7]（2004）在《框架结构楼房拆除爆破专家系统研究与应用》文中指出本文首先讨论了专家系统和人工神经网络在拆除爆破领域中的应用以及存在的问题，探讨了将专家系统和人工神经网络结合起来开发功能更为强大的混合拆除爆破专家系统的必要性和可能性。 本文研究的对象是框架结构楼房拆除爆破专家系统，该系统是武汉理工大学房泽法教授、叶海旺博士开发的拆除爆破专家系统四大模块：板（块）体拆除爆破、楼房框架拆除爆破、高耸建筑物拆除爆破（已开发）、薄壁容器类构筑物拆除爆破所组成的拆除爆破设计专家系统中楼房框架拆除爆破模块其中的一个子模块，楼房框架拆除爆破专家系统包含砖结构类楼房、砖混结构类楼房和框架结构类楼房三大类。 本文的研究内容有：以框架结构楼房拆除爆破领域的专业知识为基础制作专家系统知识库；设计一般面向对象的框架结构楼房爆破拆除设计的专家系统；搜集相关爆破工程实例制作用于爆堆效果预测神经网络训练的样本数据库；选取适当的输入输出因素，用MATLAV6.1构建爆破效果预测神经网络模型；用VB6.0编程开发出框架结构楼房拆除爆破专家系统，并实现爆破效果预测神经网络模型和专家系统的链接。该系统由初始参数输入、倒塌方法选取、倒塌方案确定、孔网参数设计、缺口形状及参数、爆破安全校核、倾倒安全校核、爆破网络、爆破效果预测、工程量计算、计算设计说明书等十一大功能模块组成。只需输入和拆除框架结构楼房的结构尺寸和环境条件相关的初始参数，该系统就可自动得出一套完整的框架结构楼房爆破设计参数，并根据这套爆破设计参数能对楼房倒塌后的爆破效果作出预测。 本文研究的意义：拆除爆破在国民经济建设中占有极其重要的地位。框架结构楼房是一种非常普遍的房屋结构，所以研究框架结构楼房爆破拆除设计专家系统是非常迫切和必要的；将人工神经网络应用到拆除爆破领域拆除爆破专家系统开发中；框架结构楼房爆破拆除设计专家系统吸收了大量成功的爆破工程实例，并在该基础上建立了爆破效果神经网络预测模型，进而可以对爆堆效果进行预测。
彭芬兰[8]（2003）在《BP网络与SPSS统计分析软件相结合的选矿厂预测建模方法研究》文中提出随着我国社会主义市场经济体制的建立和对外开放力度的不断加强，我国加入世贸组织的新形势，开采矿产资源的着眼点不再是只局限于国内，而要面向世界。人工神经网络作为一门新兴的科学，企业适应不失为一种新的数据处理方法。选矿过程数学模型主要用于选矿过程分析、选矿工艺最佳设计和选矿过程控制等方面，但是许多选矿过程相当复杂，影响因素很多，难于从理论上建立符合实际情况的选矿数学模型，必须寻求一种新的建模方法来实现选矿过程的数据处理，人工神经网络作为一门新兴的科学，企业适应不失为一种新的数据处理方法。BP神经网络是一种高度非线性映射模型，对于逼近复杂的非线性系统具有优越的性能，为复杂过程的建模提供了一种可供选择的方法。在实际选矿过程中，尤其是在磨矿分级过程中影响因素很多，各因素之间必然存在着某种关系，而理论上BP神经网络要求输入变量和输出变量之间应是线性无关的，因此本文采用SPSS中的回归分析将存在相关关系的输入变量和输出变量转化为无相关关系的输入变量和输出变量，再进行BP网络建模，确定最佳的网络拓扑结构。但要想建立实用的BP模型，不仅仅要选择最佳的网络拓扑结构，还要选择合理的网络训练终止方式，本文在回归分析与BP神经网络相结合进行选矿建模基础上对网络采用“早终止”的训练终止方式，大大提高了所建模型的精确度。本文的有关研究提高了选矿建模质量，丰富了复杂非线性建模的理论、方法和实践。
夏建波[9]（2003）在《地下矿山井巷工程计算机辅助设计系统研制》文中提出本论文首先对我国CAD及人工神经网络在矿山中应用现状进行了综述，然后根据存在的不足及问题开发出了井巷平面、断面设计的VB及LISP程序，并将BP神经网络成功应用于井巷的支护设计工作中，这对于井巷支护理论的研究具有指导意义。井巷工程是整个地下矿山的动脉，在整个矿山生产过程中起着首屈一指的作用。自从矿山规模化生产以来，我国围绕着井巷设计及施工进行了大量的研究工作。传统的设计方法是在已圈定的矿体图中手工布置绘制各种井巷采掘工程，其工作效率及其可修改性极差。当计算机应用于采矿工业后，这种局面有所改善，尤其是Autodesk公司的绘图软件AutoCAD的推广大大地提高了矿山井巷设计的工作效率。但是这还只是停留在手动操作阶段，其自动化程度并不高，为此作者应用AutoCAD自带的二次开发软件Auto LISP及VB程序设计语言开发出专门用于井巷断面、平面设计与绘制程序，包括断面形状选择、断面尺寸设计、运输巷道管缆及轨道布置、巷道平面施工图设计及工程量自动计算等功能，并可用AutoCAD进行断面设计图自动生成和输出。在本系统专用菜单中可十分方便地完成相关井巷设计操作。本系统的研制，充分运用了软件工程的设计原理和充分体现了计算机辅助设计优化的思想，大大提高了地下矿山井巷工程设计效率。目前，由于井巷支护的设计理论还不成熟，故工程实际中广泛使用的是以围岩分类为基础的工程类比法、理论分析法、现场监控法以及特定地质条件下的解析法。1996年以来，借鉴英国和澳大利亚等国的经验，以地应力测试为基础的支护设计方法也在我国得到了初步应用。人工智能技术应用于矿山井巷支护始于80年代，近年来取得了一系列研究成果，但几乎没涉及到BP网络。巷道特征与支护形式及支护参数之间可以看作是一种非线性映射关系，因此，可以用BP网络来实现巷道的支护设计问题。本文利用BP网络的非线性映射功能，实现了地下矿山平巷、斜井、竖井、硐室等工程喷锚网联合支护的BP模型设计。用了国内近100条成功支护的井巷例子对网络进行了反复的修正和训练，并用近30条井巷实例进行了检验，其结果与实际相符。训练及检验工作在MATLAB中进行，然后将网络参数导出，用VB进行了网络仿真设计，使程序更具有易用性，井巷支护设计工作完全程序化，设计参数不再受人为因素影响，提高了设计的科学性，有利于提高矿山井巷施工的安全性及矿山企业的经济效益。这一部分的重点是网络层数及各层结点数的优化设计及输入参数分级化处理，以确保网络训练的收敛速度与预测精昆明理工大学硕士毕业论文度，在文中都进行了详细的叙述。
曹均阔[10]（2003）在《计算智能在卷烟配方系统中的应用与研究》文中指出自1956年诞生以来，基于符号人工智能技术作为一种智能化研究的有力工具，已在工业、农业、医学、军事等众多领域得到了广泛应用，并取得了许多重要成果。然而，人工智能方法在处理非线性的、不确定的复杂工程问题时，有时却显得十分困难。于是，人们转而去研究其它更有效的解决问题途径，计算智能技术正是在这种环境下应运而生的。计算智能包括人工神经网络、进化计算和模糊系统等智能模拟方法。它的最大特点就是不需要建立问题本身的精确模型，非常适合于处理那些因为难以建立有效的形式化模型而用传统人工智能方法难以解决，甚至无法解决的问题。计算智能的提出，为人工智能技术在工程中的广泛应用提供了一条崭新的思路。 卷烟配方涉及的数据及加工工艺非常复杂，是一个典型的不确定性、非线性问题。本文结合卷烟配方设计的业务需求，详细地阐述了计算智能的基本理论及其烟草行业中的应用。全文总共分为七章。 第一章介绍了计算智能的基本概况，提出了本文选题背景、研究内容及研究意义。第二章详细阐述了传统烟叶分类作业过程及其弊端，提出了利用专家经验与模糊Kohonen网络相结合的分类方法。第三章讨论了利用Kohonen网络与BP网络集成在卷烟感官质量和烟气指标预测中的应用与研究，解决了卷烟生产中人工对卷烟感官质量评吸和烟气指标检测难的问题。第四章论述了利用遗传算法寻求最佳卷烟配方维护和配方设计方案的方法，实现了卷烟产品配方的智能设计，填补了国内烟草行业这一领域的空白。第五章结合整个系统，详细说明了各种智能技术在系统中实现的功能及其它们的相互关系。第六章详细说明了系统的整体结构、设计过程以及数据流程图，并在本章的最后列出了部分系统运行结果及对比分析。本文最后一章对全文进行了系统总结，并对计算智能在国内外今后发展方向进行了探讨。
二、BP网络在矿业中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP网络在矿业中的应用（论文提纲范文）
（1）巴润矿复杂矿体探采对比分析及待采平盘矿体分布预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 研究现状概述 |
| 1.2.1 探采对比国内外研究现状 |
| 1.2.2 矿体三维建模应用现状 |
| 1.2.3 神经网络预测发展及应用现状 |
| 1.3 研究目的与意义 |
| 1.4 研究内容与研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 创新点及技术路线 |
| 1.5.1 创新点 |
| 1.5.2 技术路线 |
| 2 矿区概况及探采对比问题分析 |
| 2.1 地理位置及交通 |
| 2.2 气象及水文 |
| 2.3 地质特征 |
| 2.4 探采问题分析 |
| 3 探采对比内容及方法的确定 |
| 3.1 对比区域的确定 |
| 3.2 对比内容的确定 |
| 3.3 矿体形态对比方法 |
| 3.3.1 面积误差 |
| 3.3.2 面积重合率 |
| 3.3.3 形态歪曲率 |
| 3.3.4 厚度误差 |
| 3.3.5 中心点偏移距离 |
| 3.4 本章小结 |
| 4 基于巴润矿探、采矿体三维模型的探采对比分析 |
| 4.1 SURPAC简介 |
| 4.2 SURPAC建模方法 |
| 4.3 基于勘探数据的矿体三维模型建立 |
| 4.3.1 建模方法 |
| 4.3.2 模型的建立 |
| 4.4 基于开采数据的矿体三维模型建立 |
| 4.4.1 建模方法 |
| 4.4.2 建立的模型 |
| 4.5 对比图件制作 |
| 4.5.1 创建剖面的方法 |
| 4.5.2 创建的图件 |
| 4.6 巴润矿探采对比结果分析 |
| 4.7 本章小结 |
| 5 基于探采对比数据的待采平盘矿体分布预测及修正 |
| 5.1 BP神经网络简介 |
| 5.1.1 BP神经网络原理 |
| 5.1.2 BP神经网络特点 |
| 5.1.3 BP神经网络的局限性 |
| 5.2 神经网络模型的建立 |
| 5.2.1 输入与输出参数的确定 |
| 5.2.2 神经网络的设计 |
| 5.3 神经网络训练及仿真 |
| 5.4 预测结果及分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在校研究成果 |
| 致谢 |
（2）基于GA-BP神经网络的工作面顶板矿压预测模型应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及路线 |
| 2 工作面顶板来压理论 |
| 2.1 工作面顶板来压理论概述 |
| 2.2 影响工作面来压的主要因素 |
| 2.3 本章小结 |
| 3 样本参数选取及数据预处理 |
| 3.1 样本参数的选取 |
| 3.2 样本数据归一化处理 |
| 3.3 本章小结 |
| 4 建立基于BP神经网络的工作面顶板矿压预测模型 |
| 4.1 BP神经网络模型的构建 |
| 4.2 BP神经网络的优点及局限性 |
| 4.3 训练基于BP神经网络的工作面顶板矿压预测模型 |
| 4.4 本章小结 |
| 5 建立基于GA-BP神经网络工作面顶板矿压预测模型 |
| 5.1 遗传算法 |
| 5.2 基于遗传算法的BP神经网络 |
| 5.3 优化GA-BP算法 |
| 5.4 训练基于优化的GA-BP神经网络的工作面顶板矿压预测模型 |
| 5.5 本章小结 |
| 6 工程实例预测 |
| 6.1 工程概况 |
| 6.2 矿压观测实例分析 |
| 6.3 基于GA-BP神经网络的工作面顶板矿压预测 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 参考文献 |
| 附录1 |
| 作者简历 |
| 学位论文数据集 |
（3）岩石力学与工程智能分析方法在矿山围岩控制中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 智能岩石力学的发展与现状 |
| 1.2 本文的研究目的 |
| 1.3 本文的主要工作 |
| 第二章 岩石力学与工程智能分析方法简介 |
| 2.1 人工神经网络概述 |
| 2.1.1 人工神经网络的原理 |
| 2.1.2 神经网络的自学习 |
| 2.2. BP神经网络算法 |
| 2.2.1 BP神经网络算法的基本思想 |
| 2.2.2 BP算法的基本步骤 |
| 2.3 遗传算法 |
| 2.3.1 遗传算法原理 |
| 2.3.2 遗传算法解决工程实际问题的主要步骤 |
| 2.4 进化神经网络算法简介 |
| 2.4.1 进化神经网络算法的基本思想 |
| 2.4.2 进化神经网络算法的基本步骤 |
| 第三章 回采巷道围岩移近量预测的进化神经网络模型 |
| 3.1 回采巷道围岩移近量预测研究现状 |
| 3.1.1 回采巷道围岩移近量预测研究现状和分析 |
| 3.1.2 本章研究思路和方法手段 |
| 3.2 影响回采巷道围岩移近量的因素分析 |
| 3.3 原始数据的收集和整理 |
| 3.3.1 成层顶底板岩体质量评价分析 |
| 3.3.2 样本数据整理 |
| 3.4 基于进化神经网络的回采巷道围岩移近量模型 |
| 3.4.1 进化神经网络预测回采巷道移近量基本思想 |
| 3.4.2 进化神经网络预测回采巷道围岩移近量基本步骤 |
| 3.5 回采巷道围岩移近量预测的进化神经网络模型 |
| 3.5.1 煤体—煤体回采巷道围岩移近量进化神经网络预测模型 |
| 3.5.2 煤柱—煤体回采巷道围岩移近量进化神经网络预测模型 |
| 3.6 工程实践分析 |
| 3.7 本章小结 |
| 第四章 煤矿顶板来压进化神经网络预测模型 |
| 4.1 工作面矿压显现基本规律概述 |
| 4.2 煤矿顶板来压时间序列预测模型 |
| 4.2.1 进化神经网络在采矿工程时间序列预报中应用的基本原理 |
| 4.2.2 回采工作面顶板来压非线性时间序列预报建模方法 |
| 4.3 山西三元王庄煤矿3043工作面矿压观测 |
| 4.3.1 3043工作面概况 |
| 4.3.2 三元王庄煤矿工作面支架工作阻力观测方法 |
| 4.4 三元王庄煤矿顶板来压预测的进化神经网络模型建立 |
| 4.4.1 网络学习训练样本整理 |
| 4.4.2 三元王庄煤矿顶板来压预测的进化神经网络学习训练 |
| 4.4.3 三元王庄煤矿顶板来压预测的进化神经网络模型外推预测分析 |
| 4.5 本章小结 |
| 第五章 进化神经网络在回采巷道锚杆支护设计中的应用 |
| 5.1 巷道锚杆支护设计研究现状 |
| 5.2 常规锚杆支护设计方法概述 |
| 5.2.1 工程类比法 |
| 5.2.2 理论分析设计法 |
| 5.3 实例知识的提取 |
| 5.3.1 实例知识的收集 |
| 5.3.2 构造样本库 |
| 5.4 基于进化神经网络的回采巷道锚杆支护参数设计模型 |
| 5.4.1 进化神经网络在回采巷道锚杆支护参数设计中运用的方法 |
| 5.4.2 网络学习训练 |
| 5.4.3 网络模型的建立及外推应用分析 |
| 5.5 本章小结 |
| 第六章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文和参加的科研项目 |
| 一、发表论文 |
| 二、科研项目 |
（4）神经网络在矿业工程中的若干应用进展（论文提纲范文）
| 1 神经网络的基本原理和基本特征[1～7] |
| (1) 巨量并行分布处理特性。 |
| (2) 信息处理与存储单元的合一性。 |
| (3) 自学习自适应能力。 |
| (4) 描述大规模非线性复杂系统的能力。 |
| 2 神经网络在矿业工程中的若干应用 |
| 2.1 分析确定地质数据[8～10] |
| 2.2 品位估值[11～13] |
| 2.3 岩土工程 |
| 2.4 采矿方法 |
| 2.5 其它方面 |
| 3 神经网络的发展[58] |
（5）基于神经网络的含硫矿石自燃预测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 含硫矿石自燃机理研究现状 |
| 1.2.2 含硫矿石自燃倾向性测定方法研究现状 |
| 1.2.3 含硫矿石自燃预测技术研究现状 |
| 1.2.4 含硫矿石自燃灾害防治技术研究现状 |
| 1.2.5 存在的问题 |
| 1.3 研究内容及目标 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究目标 |
| 1.4 研究技术路线 |
| 2 含硫矿石自燃机理分析 |
| 2.1 含硫矿石低温氧化的生物作用机理 |
| 2.1.1 微生物静态附着过程 |
| 2.1.2 微生物动态附着过程 |
| 2.1.3 细菌对矿物的氧化作用 |
| 2.2 含硫矿石氧化的电化学机理 |
| 2.3 含硫矿石的化学热力学机理 |
| 2.4 含硫矿石的物理机理 |
| 2.5 矿氧复合机理 |
| 2.5.1 物理吸附 |
| 2.5.2 化学吸附 |
| 2.5.3 化学反应 |
| 2.5.4 聚热升温 |
| 2.6 本章小结 |
| 3 含硫矿石自燃发火规律及影响因素分析 |
| 3.1 含硫矿石自燃发火的特点 |
| 3.2 含硫矿石自燃发火的影响因素 |
| 3.2.1 地质条件 |
| 3.2.2 自燃倾向性 |
| 3.2.3 湿空气的影响 |
| 3.2.4 良好的聚热升温条件 |
| 3.3 含硫矿石自燃的事故树分析 |
| 3.3.1 事故树的构造 |
| 3.3.2 事故树分析 |
| 3.4 本章小结 |
| 4 神经网络在含硫矿石自燃危险性预测中应用 |
| 4.1 神经网络技术发展概况 |
| 4.2 BP 网络理论分析 |
| 4.3 BP 网络预测含硫矿石自燃的基本原理 |
| 4.4 BP 网络预测含硫矿石自燃模型的建立 |
| 4.4.1 输入层、输出层单元指标的确定 |
| 4.4.2 隐层单元的确定 |
| 4.4.3 训练样本的确定 |
| 4.4.4 输入、输出数据的处理 |
| 4.5 BP 网络训练及预测结果分析 |
| 4.6 本章小结 |
| 5 含硫矿石自燃预防技术分析及工程应用 |
| 5.1 含硫矿石自燃预报技术研究 |
| 5.1.1 预报技术概述 |
| 5.1.2 气味检测法 |
| 5.2 阻化剂在预防含硫矿石自燃中的应用 |
| 5.2.1 阻化剂的作用机理 |
| 5.2.2 阻化剂性能的评价方法 |
| 5.2.3 阻化剂在生产中的应用 |
| 5.3 含硫矿石自燃的综合防治措施 |
| 5.3.1 地质工作措施 |
| 5.3.2 控制崩矿量，缩短堆矿时间 |
| 5.3.3 温度监测与及时通风 |
| 5.3.4 合理选择灭火措施 |
| 5.4 工程实例应用 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）提高综放工作面回采率技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 问题的提出 |
| 1.2 国内外综采放顶煤回采率的发展与现状 |
| 1.3 人工智能—神经网络在矿业中的应用 |
| 1.4 本文研究的内容和方法 |
| 1.5 本章小结 |
| 2 影响综放工作面回采率的因素分析 |
| 2.1 综放工作面回采率统计方法 |
| 2.2 综放工作面煤炭损失构成 |
| 2.2.1 初采损失 |
| 2.2.2 末采损失 |
| 2.2.3 端头损失 |
| 2.2.4 工作面内部工艺损失 |
| 2.3 分类指标的确定 |
| 2.4 本章小节 |
| 3 基于MATLAB神经网络对综放工作面回采率的预测 |
| 3.1 MATLAB神经网络工具箱简介 |
| 3.1.1 MATLAB简介 |
| 3.1.2 MATLAB神经网络工具箱简介 |
| 3.1.3 运用MATLAB神经网络工具箱设计网络的过程 |
| 3.2 数据的来源及整理 |
| 3.3 面向 MATLAB的 BP神经网络设计 |
| 3.3.1 模型结构的确定 |
| 3.3.2 综放工作面回采率预测指标的归一化 |
| 3.3.3 训练函数的选择 |
| 3.4 基于GUI的网络设计与分析 |
| 3.4.1 将训练样本导入GUI |
| 3.4.2 创建神经网络 |
| 3.4.3 神经网络的训练 |
| 3.4.4 神经网络的仿真 |
| 3.5 结果分析 |
| 3.5.1 结果 |
| 3.5.2 分析 |
| 3.6 综放工作面设备选型及放煤工艺参数优化 |
| 3.7 本章小节 |
| 4 综放开采工艺试验研究 |
| 4.1 试验工作面生产技术条件 |
| 4.1.1 千秋煤矿概况 |
| 4.1.2 21181工作面概况 |
| 4.1.3 21121工作面概况 |
| 4.2 通过放煤工艺和设备优化提高综放工作面回采率 |
| 4.2.1 BP神经网络预测工作面回采率最佳方案 |
| 4.2.2 顶煤回采率试验 |
| 4.2.3 综放工作面设备选型 |
| 4.3 综放工作面初采技术试验 |
| 4.3.1 初采时期工作面矿山压显现特征 |
| 4.3.2 综放工作面不同初采方式试验比较 |
| 4.4 综放工作面末采技术试验 |
| 4.4.1 末采时期综放工作面矿压显现规律 |
| 4.4.2 末采收尾方式试验 |
| 4.5 综放工艺模式试验 |
| 4.5.1 主要工艺环节统计 |
| 4.5.2 采放工作方式分析 |
| 4.5.3 工作面工艺模式 |
| 4.6 本章小结 |
| 5 提高综放工作面回采率的技术途径研究 |
| 5.1 减少初末、端头损失技术途径 |
| 5.1.1 减少初采损失的技术途径 |
| 5.1.2 减少末采损失的技术途径 |
| 5.1.3 减少端头损失的技术途径 |
| 5.2 减少工作面内部工艺损失技术途径 |
| 5.2.1 放煤工艺的优化 |
| 5.2.2 综采工艺模式的优化 |
| 5.3 本章小结 |
| 6 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 详细摘要 |
（7）框架结构楼房拆除爆破专家系统研究与应用（论文提纲范文）
| 第1章 引言 |
| 1.1 专家系统在爆破领域的应用状况 |
| 1.2 人工神经网络在爆破领域中的应用状况 |
| 1.3 本课题研究的目的和意义 |
| 第2章 框架结构楼房拆除爆破设计专家知识 |
| 2.1 拆除爆破概述 |
| 2.1.1 拆除爆破的定义及特点 |
| 2.1.2 拆除爆破的设计原理及方法 |
| 2.1.2.1 设计原理 |
| 2.1.2.2 设计内容 |
| 2.2 框架结构楼房拆除爆破原理及爆破设计 |
| 2.2.1 框架结构楼房拆除爆破设计原理 |
| 2.2.2 爆破方案的选择 |
| 2.3 爆破技术参数设计 |
| 2.3.1 爆破参数的确定 |
| 第3章 拆除爆破设计专家系统原理及组成 |
| 3.1 专家系统概述 |
| 3.1.1 专家系统的构成 |
| 3.1.2 专家系统的特点 |
| 3.1.2.1 专家系统的优点 |
| 3.1.2.2 专家系统所面临的问题 |
| 3.2 拆除爆破设计专家系统原理及组成 |
| 3.2.1 拆除爆破专家系统设计思想 |
| 3.2.2 拆除爆破专家系统模型 |
| 3.2.2.1 知识库 |
| 3.2.2.3 推理机 |
| 3.2.2.4 解释部分 |
| 第4章 神经网络研究 |
| 4.1 人工神经网络简介 |
| 4.2 BP神经网络模型 |
| 4.2.1 BP神经网络的基本思想 |
| 4.2.2 BP网络神经元模型 |
| 4.2.3 BP网络的学习规则(Δ规则) |
| 4.2.4 BP算法的数学描述 |
| 4.2.5 BP算法实现步骤 |
| 4.2.6 BP算法流程图 |
| 4.3 BP神经网络模型的改进 |
| 4.3.1 BP算法的缺陷 |
| 4.3.2 改进的BP算法 |
| 4.4 MATLAB神经网络工具箱的简介 |
| 4.4.1 MATLAB及其神经网络工具箱的简介 |
| 4.4.2 运用神经网络工具箱设计网络的原则和过程 |
| 4.5 框架结构楼房爆堆效果预测神经网络的构建 |
| 4.5.1 网络层数的确定 |
| 4.5.2 输入和输出层的设计 |
| 4.5.3 隐含层的神经元数 |
| 4.5.4 激活函数的选取 |
| 4.5.5 初始权值的选取 |
| 4.5.6 学习速率 |
| 4.5.7 期望误差的选取 |
| 第5章 框架结构楼房拆除爆破专家系统的开发 |
| 5.1 框架结构楼房拆除爆破专家系统的开发工具 |
| 5.2 框架结构楼房拆除爆破专家系统的基本结构 |
| 5.2.1 初始数据输入模块 |
| 5.2.2 倒塌方式选取模块 |
| 5.2.3 布孔方式选取模块 |
| 5.2.4 爆破参数设计模块 |
| 5.2.5 爆破网络设计模块 |
| 5.2.6 安全校核模块 |
| 5.3 框架结构楼房拆除爆破专家系统预测模型的基本结构 |
| 5.4 框架结构楼房拆除爆破实例库 |
| 第6章 框架结构楼房拆除爆破专家系统的应用 |
| 6.1 系统实例应用 |
| 6.1.1 实例工程概况 |
| 6.1.2 设计结果 |
| 6.1.3 系统运行过程 |
| 第7章 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文 |
| 致谢 |
（8）BP网络与SPSS统计分析软件相结合的选矿厂预测建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述和论文选题的意义 |
| 1.1 人工神经网络的简介及发展状况 |
| 1.2 人工神经网络在选矿中的应用 |
| 1.3 SPSS统计分析软件简介及应用 |
| 1.4 选矿厂的数学建模 |
| 1.5 论文题目的提出 |
| 第二章 BP网络在选矿建模中的应用 |
| 2.1 BP学习算法 |
| 2.2 选矿厂预测模型 |
| 2.3 应用神经网络建立磨矿模型 |
| 2.4 小结 |
| 第三章 相关分析在选矿建模中的应用 |
| 3.1 相关分析 |
| 3.2 相关分析的步骤 |
| 3.3 相关分析的过程 |
| 第四章 回归分析和BP网络在选厂预测建模中的应用 |
| 4.1 多元线性回归分析的数学模型 |
| 4.2 多元线性回归分析的统计检验 |
| 4.3 回归分析的实例分析 |
| 4.4 回归分析和BP神经网络相结合的选厂预测建模 |
| 4.5 本章小节 |
| 第五章 BP神经网络模型的改进 |
| 5.1 BP神经网络预测建模中的早终止方法 |
| 5.2 实例分析 |
| 5.3 小结 |
| 第六章 结论 |
| 致谢 |
| 参考文献 |
（9）地下矿山井巷工程计算机辅助设计系统研制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 计算机及神经网络在矿业中的应用动态 |
| 1.1 CAD及在采矿中的应用 |
| 1.1.1 CAD及AutoCAD软件简介 |
| 1.1.2 计算机技术在矿业工程中的应用 |
| 1.1.3 结论 |
| 1.2 神经网络及其在矿业中的应用 |
| 1.2.1 神经网络的历史及应用 |
| 1.2.2 神经网络在矿山中应用现状 |
| 1.2.3 神经网络在采矿中应用展望 |
| 1.2.4 结论 |
| 1.3 论文工作的研究范围及目的意义 |
| 1.3.1 论文工作研究范围 |
| 1.3.2 论文工作的目的意义 |
| 第二章 井巷支护神经网络设计 |
| 2.1 其它巷道支护方法简介 |
| 2.1.1 工程类比法 |
| 2.1.2 工程计算井巷支护法 |
| 2.1.3 以人工智能为基础的专家系统 |
| 2.2 BP网络井巷支护设计 |
| 2.2.1 BP网络简介 |
| 2.2.2 BP网络结构 |
| 2.2.3 MATLAB软件包简介 |
| 2.2.4 MATLAB神经网络工具箱 |
| 2.2.5 MATLAB神经网络工具箱中的BP网络 |
| 2.2.6 网络输入、输出参数设计 |
| 2.2.7 BP网络的设计分析 |
| 2.2.8 MATLAB进行网络权值训练 |
| 2.3 VB进行支护程序设计 |
| 2.4 系统实测 |
| 2.5 小结 |
| 第三章 巷道断面及平面交汇设计系统 |
| 3.1 开发平台及语言 |
| 3.1.1 AutoCAD提供用户进行开发的工具 |
| 3.1.2 AutoLISP程序设计语言 |
| 3.1.3 ADS开发系统 |
| 3.1.4 ARX开发环境 |
| 3.1.5 VisualLISP可视化集成开发环境 |
| 3.1.6 #Lisp与其它语言环境比较 |
| 3.2 巷道断面形状选择、尺寸设计 |
| 3.2.1 断面选形、尺寸设计原理 |
| 3.2.2 断面选形设计 |
| 3.2.3 巷道断面绘 |
| 3.3 巷道平面图绘制 |
| 3.3.1 直线巷道设计绘制 |
| 3.3.2 弯道设计 |
| 3.3.3 插入点及其修改计算 |
| 3.3.4 程序运行实例 |
| 3.4 小结 |
| 第四章 结论 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间公开发表的论文目录 |
| 附录B 本论文部分源程序 |
（10）计算智能在卷烟配方系统中的应用与研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 计算智能的提出、研究现状及发展 |
| 1.2 计算智能主要研究内容 |
| 1.3 人工神经网络基本概述 |
| 1.4 课题选择背景、研究现状及其意义 |
| 1.4.1 课题背景 |
| 1.4.2 研究现状及其意义 |
| 1.5 本文主要研究内容 |
| 第二章 Kohonen网络在烟叶分类中的应用研究 |
| 2.1 传统烟叶分级作业过程及其弊端 |
| 2.2 新的烟叶分类方法的提出 |
| 2.3 Kohonen神经网络 |
| 2.3.1 Kohonen网络结构模型及基本原理 |
| 2.3.2 Kohonen神经网络算法设计 |
| 2.4 Kohonen网络在烟叶分类中的应用及改进 |
| 2.4.1 Kohonen网络存在的问题及其简单改进 |
| 2.4.2 模糊Kohonen网络 |
| 2.4.3 FKN在烟叶分类中应用 |
| 第三章 BP网络在卷烟感官质量和烟气指标预测中的应用 |
| 3.1 卷烟感官质量评吸过程及其弊端 |
| 3.2 卷烟烟气指标仪器检测及其弊端 |
| 3.3 卷烟感官质量和烟气指标神经网络预测方法的提出 |
| 3.4 BP神经网络基本原理 |
| 3.4.1 BP神经网络的结构模型 |
| 3.4.2 BP神经网络的学习算法 |
| 3.4.3 传统BP网络存在的缺点 |
| 3.5 BP神经网络的改进方法及其性能比较 |
| 3.5.1 基于标准梯度下降的方法改进算法 |
| 3.5.2 基于数值优化方法的网络训练算法 |
| 3.6 BP网络在卷烟感官质量评吸中的应用设计 |
| 3.6.1 BP网络学习率的自适应调整 |
| 3.6.2 BP网络结构的改进 |
| 3.6.3 改进后BP网络学习算法的设计 |
| 3.6.4 学习样本数据预处理 |
| 3.6.5 Kohonen网络和BP网络的集成应用 |
| 第四章 遗传算法在卷烟配方中的应用研究 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法的工作机理 |
| 4.1.2 基本遗传算法及遗传算子 |
| 4.1.3 遗传算法的特点 |
| 4.1.4 几种改进遗传算法的比较分析 |
| 4.1.5 遗传算法在系统中应用改进 |
| 4.2 用遗传算法求解最佳卷烟配方维护方案的研究 |
| 4.2.1 卷烟配方维护设计 |
| 4.2.2 遗传算法应用设计及分析 |
| 4.3 用遗传算法求解最佳卷烟新配方的研究 |
| 4.3.1 新卷烟产品设计 |
| 4.3.2 遗传算法应用设计及分析 |
| 第五章 多种智能技术在卷烟系统中集成 |
| 5.1 专家系统的基本原理 |
| 5.2 模糊技术 |
| 5.3 专家系统与神经网络集成 |
| 5.4 模糊神经网络 |
| 5.5 神经网络与遗传算法集成 |
| 5.6 多种智能技术综合集成 |
| 第六章 系统设计及实现 |
| 6.1 系统总体设计方案 |
| 6.1.1 系统总体架构 |
| 6.1.2 系统数据流程 |
| 6.1.3 系统逻辑结构与物理结构 |
| 6.2 应用纯面向对象的JAVA语言实现系统 |
| 6.3 系统类的设计 |
| 6.4 系统部分运行结果及分析 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者攻读硕士期间完成论文 |
四、BP网络在矿业中的应用（论文参考文献）
- [1]巴润矿复杂矿体探采对比分析及待采平盘矿体分布预测[D]. 陈飞宇. 内蒙古科技大学, 2020(01)
- [2]基于GA-BP神经网络的工作面顶板矿压预测模型应用研究[D]. 常峰. 中国矿业大学, 2019(09)
- [3]岩石力学与工程智能分析方法在矿山围岩控制中的应用[D]. 王民华. 太原理工大学, 2012(09)
- [4]神经网络在矿业工程中的若干应用进展[J]. 田敏,谢贤平,侯江,邢冀. 采矿技术, 2008(04)
- [5]基于神经网络的含硫矿石自燃预测技术研究[D]. 杨娟娟. 西安科技大学, 2008(01)
- [6]提高综放工作面回采率技术研究[D]. 陈立伟. 河南理工大学, 2007(03)
- [7]框架结构楼房拆除爆破专家系统研究与应用[D]. 钱虎. 武汉理工大学, 2004(03)
- [8]BP网络与SPSS统计分析软件相结合的选矿厂预测建模方法研究[D]. 彭芬兰. 昆明理工大学, 2003(04)
- [9]地下矿山井巷工程计算机辅助设计系统研制[D]. 夏建波. 昆明理工大学, 2003(04)
- [10]计算智能在卷烟配方系统中的应用与研究[D]. 曹均阔. 中国海洋大学, 2003(03)