基于GA–BP神经网络的边坡变形预测

摘要

露天矿山高边坡的变形预测是保障矿山安全生产的重要手段.本文以西藏某矿山边坡为对象，采用高精度合成孔径干涉雷达对矿区南帮边坡进行了全天候位移监测，分析了边坡变形的基本规律；采用小波降噪理论对采集的时序位移监测数据进行了降噪处理，并且为了避免预测模型陷入局部极小值，引入遗传算法（即GA算法）整合进BP神经网络的训练步骤中，用于优化BP神经网络的初始权值和阈值设置，建立了GA–BP神经网络边坡变形时序预测模型，并与BP神经网络边坡变形时序预测模型进行对比分析.研究结果表明：GA–BP模型较BP模型的预测精度提高了10%以上，预测的平均误差减少了50%以上，而且预测的边坡变形趋势与监测值吻合程度更高；GA–BP模型较BP模型收敛速度加快10倍以上，GA–BP模型的回归系数、模型适应度优于BP模型.因此，采用GA–BP模型可使边坡变形预测的精度、收敛速度、泛化能力均得到提高，预测结果更为可靠，可为矿山边坡安全生产提供保障.

关键词

露天矿边坡 / 变形预测 / BP神经网络 / 遗传算法 / 时间序列

基金资助

国家重点研发计划课题资助项目（2023YFC2907302）; 国家自然科学基金资助项目（52274072）